[發明專利]一種基于深度學習的無人機航拍圖像中的車輛檢測方法

有效

• 申請號: 201910306620.0
• 申請日: 2019-04-17
• 公開（公告）號: CN110298227B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 孫涵;楊健;沈家全
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F16/50;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

本發明公開了一種基于深度學習的無人機航拍圖像中的車輛檢測方法。首先，采集無人機航拍圖像，并對其中的車輛進行標注，獲得車輛數據庫；然后，將獲得的車輛數據庫送入深度學習網絡進行訓練，直至深度學習網絡收斂；最后，利用訓練好的深度學習網絡和權重文件來檢測測試圖像中的車輛目標，并輸出檢測結果。本發明精度高、魯棒性好，克服了傳統圖像處理算法在車輛檢測過程中難以解決的環境干擾、光照等難題。

技術領域

本發明屬于計算機視覺技術領域，特別涉及了一種無人機航拍圖像中的車輛檢測方法。

背景技術

隨著社會經濟的發展，交通事業在迅速發展，車輛數量龐大，并且仍然在逐年增長，造成交通事故、車輛擁堵、車輛混亂等現象的頻率也越來越高。這些交通問題嚴重影響了居民的日常出行，增加了地面交通疏導工作的負擔。雖然目前城市關鍵節點上都裝有攝像頭，但是這無法直觀顯示整條道路的交通狀況。由于無人機的便攜性和靈活性，利用無人機進行車輛的精確定位和識別，在檢測道路交通狀況發揮巨大優勢。

目前，車輛檢測算法主要有基于手工提取特征的車輛檢測算法和基于深度學習的車輛檢測算法等。其中基于手工提取特征的車輛檢測算法更常用于靜態圖像檢測，而基于深度學習的車輛檢測算法則適用于運動和靜態的車輛檢測。

目前，對于基于特征的車輛檢測算法通常需要圖像預處理、圖像特征提取、圖像分類等步驟。Liu Kang等人提出采用快速二元檢測器，采用軟級聯結構中的積分通道特征，然后采用多級分類器獲得車輛的方向和類型，能夠有效地檢測出圖像中的車輛。但是該方法采用手工提取特征，特征表示能力有限，另外由于使用滑動窗口的方法，計算開銷大。Shaoqing Ren等人提出基于深度學習的目標檢測算法Faster R-CNN，該方法將Fast R-CNN和RPN網絡結合，能有效提取到高層特征信息，然后進行目標檢測，有較強的魯棒性與應用性。不過該方法適用于自然圖像，對于尺寸大且含有大量小目標物的航拍圖像無法很好捕捉到車輛。Nassim等人提出將航拍圖像分割成相似區域，并確定車輛的候選區域，然后根據卷積神經網絡和SVM分類器定位和分類目標。該方法可以通過分割候選區域來提高檢測速度，但很容易受到陰影區域的影響，并且檢測的召回率不高。Gong Cheng等人提出了RICNN算法進行航拍圖像中的目標檢測，該算法對旋轉不變層進行了訓練，然后對整個RICNN網絡進行了特殊的微調，以進一步提高檢測性能。但是，該算法也明顯增加了網絡開銷。TianyuTang等人提出了HRPN網絡，并且在數據集中添加負樣本標記，完成了在航拍圖像中進行車輛檢測的任務。HRPN將不同網絡層的特征融合，提高了檢測精度。但是，該算法只結合了部分淺層的特征，而且很容易受到圖像分辨率的影響，算法的有效性較差。

發明內容

為了解決上述背景技術提到的技術問題，本發明提出了一種無人機航拍圖像中的車輛檢測方法，讓車輛檢測具有更好的適應性和可應用性。

為了實現上述技術目的，本發明的技術方案為：

一種基于深度學習的無人機航拍圖像中的車輛檢測方法，包括以下步驟：

(1)采集無人機航拍圖像，并對其中的車輛進行標注，獲得車輛數據庫；

(2)將獲得的車輛數據庫送入深度學習網絡進行訓練，直至深度學習網絡收斂；

(3)利用訓練好的深度學習網絡和權重文件來檢測測試圖像中的車輛目標，并輸出檢測結果。

進一步地，在步驟(1)中，對采集的無人機航拍圖像進行預處理：丟掉不包含車輛目標的圖像以及車輛目標顯示不到一半的圖像，然后對剩余的每張圖像進行裁剪、旋轉和標記。

進一步地，在步驟(1)中，將每張航拍圖像經過有重疊地裁剪得到若干圖片塊，將每個圖片塊進行45°、135°、225°、315°旋轉。

進一步地，所述深度學習網絡為改進的Faster R-CNN網絡，改進的Faster R-CNN網絡結構如下表所示：