[发明专利]一种基于R-CNN的车窗年检标检测方法

说明书

本发明公开了一种基于R‑CNN的车窗年检标检测方法。本发明先使用超像素算法提取建议区域，再使用级联思想设计CNN分类网络，使用CNN回归提升年检标检测位置准确性，最后使用年检标的先验信息提升年检标检测的性能。本发明使用车窗位置信息，减少计算量；同时使用超像素分割算法，对算法做了GPU优化和算法优化，并且使用了车型信息指导超像素分割算法得到更好的结果，只需要两次迭代就可以得到较好的结果。

技术领域

本发明属于视频监控技术领域，涉及一种基于R-CNN的车窗年检标检测方法。

背景技术

当前，道路监控摄像头的安装已经十分普遍，如何利用好监控摄像头产生的大量车辆数据成为了一个问题。车辆检测、车牌识别等已经不能满足需求，需要更深度的车辆数据应用，比如套牌车检测、车辆轨迹分析、犯罪侦查、车辆是否按时年检等。

相对于车窗内的人、摆件、挂件等，年检标是一个更大概率上短时间内不变的特征物体。而检测并定位到年检标的位置，为进一步分析车辆是够按时年检等应用打下基础。

目前已有的技术中：

《一种基于深度学习的车辆特征物检测方法-201610052980.9》提出的结合selective search(Selective Search for Object Recognition)与edgebox(EdgeBoxes:Locating Object Proposals from Edges)建议框提取方法，对于提取年检标建议框效果不好，特别是多个年检标黏连的情况，而且速度较慢。

《一种车辆物件检测方法及装置-201610073077.0》直接在监控图像上做年检标检测，而不是在车窗上做，对于年检标检测问题，这个方法中大量的计算量其实是不必要的，而且提取特征图像的GoogleNet模型，计算量也过大了，因此限制了输入图片大小不能过大(400*800)，图片需要缩图，在车窗占整个图像比例较小的情况的，检测年检标这种小物体性能会急剧下降。

发明内容

本发明针对现有技术的不足，提供了一种基于R-CNN的车窗年检标检测方法。

本发明使用R-CNN(Region-based Convolutional Neural Network)进行车窗内的年检标的检测。本发明先使用超像素算法提取建议区域，再使用级联思想设计CNN分类网络，使用CNN回归提升年检标检测位置准确性，最后使用年检标的先验信息提升年检标检测的性能。

本发明方法具体步骤如下：

步骤1、输入图像、车窗位置、车型，并标注车窗内年检标的外接包围矩形框。

步骤2、使用超像素算法做超像素分割，并修改超像素算法的距离公式，使超像素分割的效果更好，减少计算的迭代次数；具体为：

步骤2.1、对超像素算法做了GPU速度优化。因为GPU的计算优势，颜色距离标准化系数从一个固定的值改为根据当前像素点群变化的值，即公式

替换为

D表示两个像素点之间的距离，d_c表示两个像素点之间的颜色距离，d_s表示两个像素点之间空间距离，m和N_c表示颜色距离的标准化系数，N_s表示空间距离的标准化系数。

步骤2.2、超像素算法的超像素块数量参数：因为不同车型的车窗大小是不同的，而年检标的大小是固定的，所以不同车型的使用不同的超像素块数量参数可以得到更好的效果，根据标注数据，统计得到超像素块数量参数。

步骤3、通过超像素块计算建议框：