[发明专利]一种车辆的快速检测方法

权利要求书

1.一种车辆的快速检测方法，所述方法包括：

步骤1)构建和训练车辆检测卷积神经网络；

步骤2)采集图像并进行处理，输入步骤1)的训练好的车辆检测卷积神经网络，根据输出结果获取车辆检测结果。

2.根据权利要求1所述的车辆的快速检测方法，其特征在于，所述步骤1)具体包括：

步骤1-1)所述车辆检测卷积神经网络包括依次连接的输入层、第一卷积层、第一下采样层、第二卷积层、第三卷积层、第四卷积层、第二下采样层、第五卷积层、第六卷积层、第七卷积层、第三下采样层、第八卷积层、第四下采样层、第九卷积层、第一全连接层、第二全连接层和个输出层；

步骤1-2)将训练集中的每个训练样本输入车辆检测卷积神经网络，利用分类结果和训练标签进行迭代从而训练出车辆检测卷积神经网络的参数。

3.根据权利要求2所述的车辆的快速检测方法，其特征在于，在所述步骤1-1)的车辆检测的卷积神经网络中：

所述输入层，用于输入大小448*448的彩色图像；

所述第一卷积层共有16个卷积核，每个卷积核大小为7×7，步长为2，边界自动填充0；使用7×7的卷积核对输入图像中的所有像素点进行扫描，从而生成一副224×224的特征图；

所述第一下采样层，用于使用最大池化算法对上一层进行下采样；其窗口大小为4×4，步长为4；所述第一下采样层包含16副下采样图像，每副图的尺寸为224×224；

所述第二卷积层的卷积核大小为1×1，步长为1，共包含4个卷积核，扫描时边界自动填充0，生成特征图大小为56×56；

所述第三卷积层的卷积核大小为1×1，步长为1，共包含4个卷积核，扫描时边界自动填充0，生成特征图大小为56×56；

所述第四卷积层的卷积核大小为3×3，步长为1，共包含8个卷积核，扫描时边界自动填充0，生成特征图大小为56×56；

所述第二下采样层，用于使用最大池化算法对上一层进行下采样；其窗口大小为4×4，步长为4；窗口大小为2×2，步长为2；所述第二下采样层包含8副下采样图像，每副图的尺寸为28×28；

所述第五卷积层C5的卷积核大小为1×1，步长为1，共包含8个卷积核，扫描时边界自动填充0，生成特征图大小为28×28；

所述第六卷积层的卷积核大小为1×1，步长为1，共包含8个卷积核，扫描时边界自动填充0，生成特征图大小为28×28；

所述第七卷积层的卷积核大小为3×3，步长为1，共包含16个卷积核，扫描时边界自动填充0，生成特征图大小为28×28；

所述第三下采样层，用于使用最大池化算法对上一层进行下采样；窗口大小为2×2，步长为2；所述第三下采样层包含16副下采样图像，每副图的尺寸为14×14；

所述第八卷积层的卷积核大小为3×3，步长为1，共包含32个卷积核，扫描时边界自动填充0，生成特征图大小为14×14；

所述第四下采样层，用于使用最大池化算法对上一层进行下采样；窗口大小为2×2，步长为2；所述第四下采样层包含32副下采样图像，每副图的尺寸为7×7；

所述第九卷积层的卷积核大小为3×3，步长为1，共包含64个卷积核，扫描时边界自动填充0，生成特征图大小为7×7；

所述第一个全连接层由256个神经元构成，使用Relu函数对神经元进行激活；

所述第二个全连接层由4096个神经元构成，使用Leaky-ReLu函数对神经元进行激活；

所述输出层中由891个神经元构成，使用Relu函数对神经元进行激活。

4.根据权利要求3所述的车辆的快速检测方法，其特征在于，所述第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层和第九卷积层均使用Leaky-ReLu函数对神经元进行激活。