[發(fā)明專利]一種基于深度學習的霧天下車輛檢測方法

有效

• 申請?zhí)枺?/td>: 202010537207.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111695514B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 高濤;陳婷;張賽;劉占文;李永會;王松濤;張亞南
• 申請（專利權）人: 長安大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/774;G06V10/762;G06T3/40;G06T7/90
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

本發(fā)明公開了一種基于深度學習的霧天下車輛檢測方法，通過對采集到的霧天交通車輛圖片進行圖像預處理，采用深度殘差網絡模型對預處理后的霧天交通車輛圖片進行特征提取，獲取多個不同大小的特征圖，然后對多個不同大小的特征圖進行多尺度檢測，得到多尺度檢測特征圖，提高特征提取精度，最后根據獲取的多尺度檢測特征圖采用遷移學習方法對深度殘差網絡模型進行訓練得到霧天下車輛檢測網絡模型，采用遷移學習方法精簡了網絡結構，不僅提高了檢測速度，而且提高了目標檢測精度，利用K?means聚類方法進行聚類，得到網絡所需的初始先驗框的尺寸，對淺層網絡的加深和整體框架的簡化，提升了檢測速度，簡化了損失函數和預測的輸出張量，提高了定位的效率。

技術領域

本發(fā)明屬于交通車輛檢測技術領域，具體涉及一種基于深度學習的霧天下車輛檢測方法。

背景技術

隨著經濟的發(fā)展，汽車制造業(yè)的繁榮，車輛數目與日俱增，在給人們帶來生活方便的同時，也給交通安全帶來了嚴重的隱患。同時工業(yè)的進步，導致霧霾天氣不斷增加，霧霾天氣下，能見度降低，駕駛員視野變得模糊，其容易造成交通事故。同時，霧霾天氣車速普遍降低，會造成交通堵塞。因此，在霧霾天氣下進行車輛將檢測問題的研究，提供更好的車輛檢測方法，對相關部門進行交通及時制定交通誘導政策，進行交通車流量控制以及救援計劃有著重要的意義。

傳統(tǒng)的目標檢測方法借助于機器學習理論，對圖像進行特征提取目標特征，如梯度方向直方圖(Histogram?of?Oriented?Gradients,HOG)、尺度不變特征轉換(ScaleInvariant?Feature?Transform,SIFT)特征等進行提取，并將提取到的特征輸入到如支持向量機(Support?Vector?Machine,SVM)、迭代器(AdaBoost)等分類器進行分類識別。這些提取的圖像特征本質上是一種手工設計的特征，針對不同的圖像檢測問題，提取到的特征好壞對檢測性能有著直接的影響，因此，需要研究人員針對某個特定的識別任務，泛化能力較差，難以在實際應用問題中設計出具有通用性和魯棒性的特征。此外，傳統(tǒng)機器學習方法從提取圖像底層特征到提取表現特征流程相對復雜，并且嚴重依賴于人工的特征設計，因此，基于傳統(tǒng)的機器學習方法的目標檢測遇到瓶頸，期待更有效的方法提取圖像特征。

2016年Redmon等提出的YOLO(You?Only?Look?Once)v1以45FPS(Frames?PerSecond)真正達到了可以檢測視頻的速度，這位快速檢測視頻運動目標指明了方向；Liu等提出了SSD(Single?Shot?multibox?Detector)物體檢測模型。隨后，yolov2，yolov3，提升了檢測精度，而且使得檢測速度獲得增強，但是YOLOv3網絡在鑒別小目標且單類目標時，原始網絡架構顯得過于沉冗，尤其在霧天圖像特征較為模糊情況下檢測結果較差。

發(fā)明內容

本發(fā)明的目的在于提供一種基于深度學習的霧天下車輛檢測方法，以克服現有技術的不足，本發(fā)明能夠及時準確的檢測出交通車輛，檢測速度快、準確度高。

為達到上述目的，本發(fā)明采用如下技術方案：

一種基于深度學習的霧天下車輛檢測方法，包括以下步驟：

步驟1)、采集霧天交通車輛圖片；

步驟2)、對采集到的霧天交通車輛圖片進行圖像預處理；

步驟3)、采用深度殘差網絡模型對預處理后的霧天交通車輛圖片進行特征提取，獲取多個不同大小的特征圖；

步驟4)、對多個不同大小的特征圖進行多尺度檢測，同時利用底層特征的高分辨率和高層特征的高語義信息，通過上采樣融合不同層的特征，在三個不同尺度的特征層上實現特征圖拼接，得到多尺度檢測特征圖；

步驟5)、根據獲取的多尺度檢測特征圖采用遷移學習方法對深度殘差網絡模型進行訓練，直至深度殘差網絡模型最大迭代次數為50000次，采用經過迭代后的深度殘差網絡模型即可實現霧天下車輛檢測。