[發明專利]一種基于深度學習的車輛檢測與識別的方法

有效

• 申請號: 202010347978.0
• 申請日: 2020-04-28
• 公開（公告）號: CN111582339B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 樊寬剛;李娜;陳宇航;楊杰;楊斌
• 申請（專利權）人: 江西理工大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

本發明公開了一種基于深度學習的車輛檢測與識別的方法，包括如下步驟：S1、采集原始車輛圖片數據；S2、制作原始訓練數據集；S3、對步驟S2得到的原始訓練數據集進行數據增強，形成最終訓練數據集；S4、對Faster?RCNN網絡模型進行改進；S5、利用步驟S3得到的最終訓練數據集對步驟S4得到的改進后的Faster?RCNN網絡模型進行訓練；S6、把需要檢測的車輛圖像輸入訓練后的預測模型中，得到車輛檢測結果。本發明通過對深度學習算法Faster?RCNN進行了改進，構建新的目標檢測方法，實現更加準確地檢測出目標。

技術領域

本發明涉及計算機視覺領域、人工智能與模式識別等領域，具體涉及一種基于改進Faster?RCNN的車輛檢測與識別的方法。

背景技術

隨著人們生活水平得到提高，車輛逐年增多，給道路交通帶來的巨大的壓力，道路堵塞、交通事故頻頻發生。通過車載視覺傳感器可以實時準確的檢測出道路上的車輛，以利于駕駛員提前發現潛在的危險，提醒駕駛員提前控制車輛制動或者轉向等措施以避免交通事故的發生。目前，車輛目標檢測技術在智能交通系統中有著重要的作用。

傳統的車輛檢測方法基于方向梯度直方圖(HOG)特征和尺度不變特征變換(SIFT)等傳統的方法對車輛進行特征提取，將提取出來的特征用支持向量機(SVM)、迭代器(Adaboost)等分類器進行車輛檢測。這些方法需要研究人員的大量的先驗知識，并且提取的特征為底層特征，在復雜的天氣狀況下車輛檢測效果差，檢測精度低，檢測速度慢。

隨著人工智能的發展，卷積神經網絡成為提取圖片特征的主要方法。基于深度學習的目標檢測算法主要有YOLO和SSD網絡，但是在復雜天氣和被遮擋的情況下，車輛的檢測精度不夠高。Faster?RCNN在檢測物體時有較高的檢測精度和檢測速度，但是網絡模型參數量巨大，難以在計算力有限的移動端硬件平臺使用，不能達到實時檢測，對于小尺度目標，該算法的精度較低。

發明內容

針對現有技術的不足，本發明旨在提供一種基于深度學習的車輛檢測與識別的方法，通過對深度學習算法Faster?RCNN進行了改進，構建新的目標檢測方法，實現更加準確地檢測出目標。

為了實現上述目的，本發明采用如下技術方案：

一種基于深度學習的車輛檢測與識別的方法，包括如下步驟：

S1、采集原始車輛圖片數據；

S2、制作原始訓練數據集；

S3、對步驟S2得到的原始訓練數據集進行數據增強，形成最終訓練數據集；

S4、對Faster?RCNN網絡模型進行改進，改進的內容包括：

1)對Faster?RCNN網絡模型的共享卷積網絡VGGNet-16進行改進：

將共享卷積網絡VGGNet-16的第3層到第13層的3×3卷積修改為Fire?Module；

2)在原有的Faster?RCNN網絡模型的RPN網絡的基礎上增加6個更小的anchors，即Faster?RCNN網絡模型在特征圖的每一像素點上抽取15種Anchors,具體尺度為(128²、256²、512²、32²、64²)和3類長寬比(1:1，2:1，1:2)；

3)用ROI?Align代替原有的Faster?RCNN網絡模型中的ROI?Pooling；

4)采用多尺度訓練作為Faster?RCNN網絡模型的訓練方式；

S5、利用步驟S3得到的最終訓練數據集對步驟S4得到的改進后的Faster?RCNN網絡模型進行訓練；