[发明专利]一种车辆物件检测方法及装置

权利要求书

1.一种车辆物件检测方法，其特征在于，包括如下步骤：

获取当前场景中的监控图像；

利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像；

将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括所述物件的类别、所述物件存在的概率和所述物件的相对位置。

2.如权利要求1所述的方法，其特征在于，所述利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像，具体为：利用深度卷积神经网络模型对所述监控图像提取不同的特征，输出k个用于检测物件的特征图像；

所述将预先训练得到的卷积核与所述特征图像进行卷积计算，具体为：将预先训练得到的5*k*M个卷积核与所述k个特征图像分别进行卷积计算；其中，所述M为物件的种类。

3.如权利要求1所述的方法，其特征在于，所述预先训练得到的卷积核为多个，所述将预先训练得到的卷积核与所述特征图像进行卷积计算，具体为：

将所述多个预先训练得到的卷积核并行与所述特征图像进行卷积计算。

4.如权利要求1所述的方法，其特征在于，所述卷积计算具体为全卷积计算。

5.如权利要求3所述的方法，其特征在于，在进行卷积计算时如果同一物件在不同位置产生响应，采用非最大值抑制方法将输出的所述物件的多个相对位置进行合并。

6.如权利要求1所述的方法，其特征在于，进一步包括：

根据所述物件的相对位置和预先设置的相对参考框，计算所述物件在所述监控图像中的绝对位置。

7.如权利要求1所述的方法，其特征在于，进一步包括：

利用校验模型对所述检测结果进行校验，所述校验模型是通过对正例和负例进行训练得到的。

8.如权利要求1所述的方法，其特征在于，所述卷积核的训练过程具体为：

获取若干物件样本图像，所述样本图像中每个物件标注有外接矩形框；

利用深度卷积神经网络模型提取所述样本图像的特征，输出特征图像；

根据卷积核与所述特征图像检测所述样本图像中的物件，根据检测结果以及所述外接矩形框调整所述卷积核内的参数，直至所述检测结果中物件的位置与所述外接矩形框接近或重合。

9.一种车辆物件检测装置，其特征在于，包括：

获取模块，用于获取当前场景中的监控图像；

特征提取模块，用于利用深度卷积神经网络模型对所述监控图像提取特征，输出用于检测物件的特征图像；

训练模块，用于训练卷积核；

检测模块，用于将预先训练得到的卷积核与所述特征图像进行卷积计算，得到检测结果，所述检测结果包括所述物件的类别、所述物件存在的概率和所述物件的相对位置。

10.如权利要求9所述的装置，其特征在于，所述特征提取模块具体用于利用深度卷积神经网络模型对所述监控图像提取不同的特征，输出k个用于检测物件的特征图像；所述检测模块具体用于将预先训练得到的5*k*M个卷积核与所述k个特征图像分别进行卷积计算，得到检测结果，所述检测结果包括物件存在的概率和所述物件的相对位置；其中，所述M为物件的种类。

11.如权利要求9所述的装置，其特征在于，所述卷积计算具体为全卷积计算。

12.如权利要求9所述的装置，其特征在于，所述检测模块具体用于将所述多个预先训练得到的卷积核并行与所述特征图像进行卷积计算，得到检测结果。

13.如权利要求12所述的装置，其特征在于，所述检测模块进一步用于在进行卷积计算时如果同一物件在不同位置产生响应，采用非最大值抑制方法将输出的所述物件的多个相对位置进行合并。

14.如权利要求9所述的装置，其特征在于，进一步包括：

计算模块，用于根据所述物件的相对位置和预先设置的相对参考框，计算所述物件在所述监控图像中的绝对位置。

15.如权利要求9所述的装置，其特征在于，进一步包括：

校验模块，用于利用校验模型对所述检测结果进行校验，所述校验模型是通过对正例和负例进行训练得到的。

16.如权利要求9所述的装置，其特征在于，所述训练模块具体包括：

获取单元，用于获取若干物件样本图像，所述样本图像中每个物件标注有外接矩形框；

特征提取单元，用于利用深度卷积神经网络模型提取所述样本图像的特征，输出特征图像；

训练单元，用于根据卷积核与所述特征图像检测所述样本图像中的物件，根据检测结果以及所述外接矩形框调整所述卷积核内的参数，直至所述检测结果中物件的位置与所述外接矩形框接近或重合。