[发明专利]一种基于深度学习的车辆特征物检测方法

说明书

本发明涉及一种基于深度学习的车辆特征物检测方法。本发明首先把车窗内所有需要检测的物体都标注出来，设计CNN网络结构。其次通过统计机器学习的方法粗略定位车脸的位置，并对车窗四个点进行定位，得到车窗的位置。结合selective search与edgebox建议框提取方法，得到可能是目标物体的建议框。然后在建议框的基础上进行多尺度缩放得到不同尺度下的待分类区域，利用多分类模型进行分类。最后利用每一物体自有的先验信息进行最后的去误检处理。得到每辆车车窗上的各种特征物类别与坐标。本发明相对传统的图像处理方法来说具有较高的鲁棒性，而且能够一次性检测出车窗内所有感兴趣的物体，且速度比传统学习方法快。

技术领域

本发明属于机器视觉技术领域，涉及一种基于深度学习的车辆特征物检测方法。

背景技术

截至2015年，我国汽车保有量已经超过1.6亿辆。随着经济的发展，这一数字还在持续增长。大量的汽车在道路上行驶，给交通管理部门带了巨大的管理压力。另一方，许多治安案件中，都存在汽车作为交通工具而出现的情况。

我们国家已有的对汽车管理自动化手段主要是电子警察和卡口系统。这些系统能够实时捕获车辆高清图片，并且自动分析出车牌号码、车型信息（包括品牌、型号和年份，目前正在逐步实施）、颜色等信息，达到对车辆的自动化管理和快速查找。但是即使能够充分利用前述信息，也很难将特定的嫌疑车辆找出来，特别当没有嫌疑车辆的图片，而只有目击证人时。因此利用车上除上述信息以外的，每辆车的独有结构化描述信息，包括遮阳板放下与否，纸巾盒，挂件，标识符等，成为确定特定车辆的重要线索。

目前已有技术主要集中于车辆遮阳板的检测，包括传统的图像处理方法，比如《一种基于图像分析的车辆遮阳板检测方法及装置-201210089548.9》，《一种车辆遮阳板状态的检测方法-201310365024.2》和《一种车内遮阳板检测方法及装置-201310574043.6》，与传统机器学习方法，比如《一种车辆遮阳板状态检测方法及装置-201510531752.5》，《基于图像分析的车辆遮阳板检测方法及装置-201310512222.7》。其中，采用传统的图像处理方法对于环境变化，比如光照变化，反光等情况下效果比较差，容易造成误检。而传统的机器学习方法需要对遮阳板特征进行人工提取。由于遮阳板特征相对单一，因此，导致传统的机器学习方法对一些极端环境下的检测效果非常差。另一方面，传统机器学习方法利用扫描框的方法对不同尺度下图像所有可能的区域进行扫描，速度非常慢（往往一张图几万个扫描框）。已有的方法都只能对一个物体进行检测。

发明内容

为了克服传统方法只能对车窗内某个物体检测，本发明采用建议框提取技术与深度学习相结合的方法，同时对车窗内多个物体进行检测，从而达到在最短时间内检测尽可能多的物体，以满足对数据处理的实时性要求。

本发明方法包括以下步骤：

步骤1.把车窗内所有需要检测的物体都标注出来，设计CNN网络结构，该网络主要包括三个卷积层，三个池化层（1个Max池化层，2个AVE池化层），三个RELU层、两个全连接层及Softmaxwithloss层，并用该结构在Caffe框架上进行训练，得到一个多分类模型。

步骤2.通过统计机器学习的方法粗略定位车脸的位置，并对车窗四个点进行定位，得到车窗的位置。

步骤3.结合selective search(Selective Search for Object Recognition)与edgebox (Edge Boxes: Locating Object Proposals from Edges) 建议框提取方法，得到可能是目标物体的建议框；该建议框提取方法主要先利用edgebox来生成selectivesearch的初始化框，由于本身edgebox是以图像边缘来分割图像的，因此，基于edgebox的初始化区域具有比原selective search方法里的初始化区域方法更准确。