[發明專利]一種復雜天氣道路車輛目標檢測方法

在審

• 申請號: 202110380937.6
• 申請日: 2021-04-09
• 公開（公告）號: CN113065478A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 郭迎;趙祥模;王潤民;賈艷萍;劉占文;梁睿林;閔海根;孫朋朋
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04
• 代理公司: 西安千沃知識產權代理事務所(普通合伙) 61262
• 代理人: 徐選懷

本發明提供一種復雜天氣道路車輛目標檢測方法，首先，選取天氣良好、光線充足的道路交通圖像集S，標記車輛邊界框；基于循環一致性對抗網絡將正常天氣圖像集轉換成復雜天氣圖像集；將合成的帶有標記邊界框的復雜天氣圖像集作為輸入送入Faster R?CNN網絡進行訓練，得到復雜天氣車輛檢測模型；然后，開始執行實際復雜天氣交通視頻車輛檢測，將視頻解碼為圖像集；判定復雜天氣類別，選取上述對應地復雜天氣的預訓練好的復雜天氣車輛檢測模型并代入該模型，執行基于Faster R?CNN網絡的車輛目標檢測，并輸出結果。這樣，大大地提高了復雜天氣車輛目標檢測的準確率和檢測速度，簡化了現有模型訓練過程中多次重復手動標記車輛邊界框的流程。

技術領域

本發明屬于智能交通、深度學習及圖像處理技術領域，涉及一種復雜天氣道路車輛目標檢測方法，具體涉及一種基于循環一致性對抗網絡和Faster R-CNN網絡結合的復雜天氣道路車輛目標檢測方法。

背景技術

車輛的目標檢測，是交通視頻監控中的一項重要技術，一直以來都是國內外研究學者的研究重點。近年來，基于圖像的目標檢測技術領域相關研究已經拓展到使用深度學習領域的方法，此類方法通常首先使用目標候選區域提取方法，例如邊界盒子[1]，選擇搜索法[2]或多尺度組合分發(MCG)[3]等方法從圖像中生成眾多的目標候選區域，然后使用卷積神經網絡(CNN)[4]來執行基于候選目標區域的目標識別。R-CNN[5]是在利用深度方法進行目標檢測中具有里程碑意義的算法，首先利用選擇性搜索方法生成2k個目標候選區域，然后對提取的目標候選區域進行歸一化成CNN的標準輸入。在分類時，該方法需要從每個提取的目標候選區域中提取特征，而重復的特征提取造成了巨大的計算資源浪費。He等人[6]通過加速特征提取環節提高了R-CNN[5]的效率,該方法首先計算整個輸入圖像的卷積特征圖譜，然后從共享的特征圖譜中提取每個候選區域的特征向量用于目標識別。該方法和R-CNN[5]仍有很多類似，網絡訓練過程仍然是孤立的，即需要分別提取候選區域、計算CNN的特征圖譜和使用支持向量機進行分類，除了需要傳遞總體的訓練參數外，還需要在網絡中傳遞大量的中間結果。Girshick等人在Fast R-CNN[7]中提出了一種將目標分類和邊框回歸相結合的思路，該算法將網絡的訓練過程進行了統一，并進一步對多損失層進行結合，提高了算法的精度。Faster R-CNN[8]是第一個將目標候選區域的生成、特征提取和目標分類統一到卷積神經網絡中的框架，提高了整個目標檢測系統的效率。

通常，目標檢測算法的性能評價主要基于世界公認的公開數據集；例如PASCALVOC，ImageNet，MS COCO等公開數據集，這些數據集被用于研究者測試算法性能或者深度學習競賽。目標檢測的性能指標首先要考慮檢測物體的位置以及預測類別的準確性。然而，在智能交通領域，基于深度學習的目標檢測通常是基于公開數據集預訓練的正常天氣條件下權重完成的，而在現實環境中，受到光線不足、雨雪、大霧等復雜天氣影響，該權重往往表現不佳，檢測精度不高且達不到實時交通視頻檢測的要求。在復雜的非自然場景下，尤其是極端天氣下對車輛實施檢測，一直以來都是車輛目標檢測領域的一大難點。

基于深度學習的車輛檢測方法需要大量手動標記圖像中每個車輛的邊界框來訓練卷積神經網絡。經過多年的研究和積累，已形成了大量經人工標記車輛邊界框的正常天氣交通圖像數據集，這些數據集可用于正常天氣車輛檢測。而針對復雜天氣場景、夜間及其他非自然條件的交通場景，幾乎沒有人工標記的邊界框數據集。由于人工進行手動標記是費力且費時的，因此有必要充分利用已標記邊界框的現有數據集來生成各類復雜天氣的未標記的新數據。