[發明專利]一種基于改進Faster RCNN的車輛檢測方法

在審

• 申請號: 202011382344.5
• 申請日: 2020-12-01
• 公開（公告）號: CN112329737A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 祝明;于天河
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進Faster RCNN的車輛檢測方法，其特征在于：通過以下步驟實現：

步驟一、將收集到的車輛圖像進行翻折和旋轉的圖像擴充，并進行標簽，然后將其分為訓練集、驗證集和測試集；

步驟二、對Faster RCNN網絡進行搭建，將殘差網絡作為主干網絡，連接RPN層提取細節特征，再連接ROI Pooling層提取建議特征圖，然后計算檢測框的類別，再通過邊界框回歸獲得檢測框的最終精確位置；

步驟三、針對小目標車輛，對Faster RCNN進行改進，將ResNet50殘差塊中的3×3卷積替換為3×3空洞卷積，空洞率為2；

步驟四、將訓練集和驗證集的車輛數據加載到改進后的Faster RCNN網絡進行訓練，然后保存訓練好的網絡；

步驟五、用保存好的網絡對測試集圖像進行測試，得到測試結果，完成車輛目標的檢測。

2.根據權利要求1所述的基于改進Faster RCNN的車輛檢測方法，其特征在于：所述步驟一中訓練集、驗證集、測試集圖像數量分別占車輛圖像總數的80%、10%和10%。

3.根據權利要求1所述的基于改進Faster RCNN的車輛檢測方法，其特征在于：所述步驟二中對Faster RCNN網絡進行搭建，采用殘差網絡（ResNet50）作為主干的Faster RCNN結構，將車輛圖像縮放至固定的800×600大小，然后將圖像輸入主干結構，生成特征圖；然后連接RPN層，通過分類和回歸操作生成精確的檢測框，進而完成目標的定位功能；之后連接ROI Pooling層，收集輸入的特征圖和候選框，綜合信息后提取建議特征圖；最后利用建議特征圖計算檢測框的類別，再通過邊界框回歸獲得最終精確位置。

4.根據權利要求1所述的基于改進Faster RCNN的車輛檢測方法，其特征在于：所述步驟三中空洞卷積是在標準的卷積核中注入空洞，相比于正常的卷積，空洞卷積多了一個參數——空洞率，指的是卷積核的間隔數量，當空洞率為1時，則為正常卷積；殘差塊是ResNet50網絡的主要結構，殘差塊是一個1×1卷積連接一個3×3空洞卷積，空洞率為2，然后3×3空洞卷積再連接一個1×1卷積，最后再疊加一個1×1卷積，并經過ReLU激活函數激活的結構，ResNet50網絡由一個7×7卷積連接一個3×3最大池化、然后連接16個殘差塊、再連一個平均池化、最后連接一個全連接層構成。

5.根據權利要求1所述的基于改進Faster RCNN的車輛檢測方法，其特征在于：所述步驟四中網絡訓練采用RPN網絡加Fast RCNN網絡的聯合訓練方式，前者是候選框推薦算法，后者是對候選框的位置和框內物體的類別進行細致計算，訓練過程包含以下步驟：

首先在已經訓練好的ResNet50模型上，單獨訓練RPN網絡參數；

固定RPN網絡獨有的卷積層以及全連接參數，利用RPN網絡生成的候選框去訓練FastRCNN網絡參數；

固定利用Fast RCNN訓練好的前置卷積網絡參數，去微調RPN網絡獨有的卷積層和全連接層；

同樣固定前置卷積網絡層參數，去微調Fast RCNN網絡的全連接層參數；

RPN網絡與Fast RCNN網絡共享前置卷積網絡層參數，構成一個統一網絡；

保存訓練好的網絡。

6.根據權利要求1所述的基于改進Faster RCNN的車輛檢測方法，其特征在于：所述步驟五中對測試集圖像進行測試，是將測試集圖像輸入訓練好的網絡里，輸出的圖像能夠對車輛部分用矩形框圈出，并顯示該車輛檢測結果的準確率，完成車輛目標的檢測。