[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

本發明公開了一種基于改進Faster RCNN的車輛檢測方法。所述方法包括：將車輛圖像進行擴充，并分為訓練集、驗證集和測試集；對Faster RCNN網絡進行搭建，將殘差網絡（ResNet50）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；將殘差塊中的3×3卷積替換為3×3空洞卷積，對Faster RCNN進行改進；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；用保存好的網絡對測試集圖像進行測試，得到測試結果，完成車輛的檢測；與傳統Faster RCNN算法相比，本方法能以較高的準確率將圖像中的小目標車輛檢測出來。

技術領域

本發明涉及深度學習相關領域，尤其涉及一種基于改進Faster RCNN的車輛檢測方法。

背景技術

汽車是人們出行的最重要交通工具之一，各種型號的車輛層出不窮，隨著汽車數量的逐漸增多，帶來的是交通事故的持續增長，同時也給相關部門的監管帶來了重重考驗?，F如今監控攝像頭已遍布于大街小巷，其采集到的車輛信息可以在必要時為監管部門提供重要信息。為了能夠在車輛較小且難以被檢測出來的情況下，更加高效的獲取監控圖像中的車輛信息，提出一種基于改進Faster RCNN的車輛檢測方法顯得尤為重要。

傳統的Faster RCNN是一種經典的目標檢測算法，將VGG16網絡作為主干，提出了區域建議網絡(RPN)，使得在特征圖上生成候選框，再通過一系列全連接層進而得到預測結果，該方法對于一般尺寸的目標具有較高檢測精度，但是對于圖像中存在小目標的情況，檢測效果仍然不佳。因此本發明通過采用以ResNet50為主干，并結合空洞卷積的方式對傳統Faster RCNN算法進行改進，提出了一種基于改進Faster RCNN的車輛檢測方法。

發明內容

本發明的目的在于公開一種基于改進Faster RCNN的車輛檢測方法，在主干網絡上應用空洞卷積的方式，使得該方法針對圖像中的小尺寸車輛能夠進行有效檢測，并且達到較高的準確率。

一種基于改進Faster RCNN的車輛檢測方法，包括：

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。

步驟一中的訓練集、驗證集、測試集圖像分別占車輛圖像總數的80％、10％和10％。

步驟二中的對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。