[发明专利]一种车辆的快速检测方法

说明书

本发明公开了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。本发明的方法不仅检测精度高，而且计算量小，无需借助GPU，在CPU上即可实现快速检测。

技术领域

本发明涉及计算机视觉及深度学习技术领域，特别涉及一种车辆的快速检测方法。

背景技术

在现代社会发展日新月异的今天，交通事业作为关系人们日常生活的重要领域，虽然取得了长足的进步，但仍不能完全满足人们生活运输的需要，不断凸显的交通问题已成为一个全球性的棘手问题，交通拥挤、堵塞日益严重，交通事故和环境污染也越来越引起社会的重视和关。获取实时准确的道路车辆数量与分布信息是智能交通场景感知系统的基本需求，主要涉及感兴趣目标检测，已检出目标识别，运动目标跟踪三个阶段。其中识别与跟踪都基于检测结果，车辆检测性能在系统中起着至关重要的作用。

传统的车辆检测方法有背景差分法、帧差法、光流法等，这些方法通过车辆与背景在颜色、形状上的差异，将车辆从影像中提取出来。通常有较多人为指定的阈值，泛化性能较差检测结果不稳定。另一类是基于统计模型的算法，如SVM算法、Adaboost算法等，利用大量正负样本，结合学习算法，得到判别函数，从而对影像中的目标进行识别。自提出后基于统计模型的车辆检测方法便得到了广泛应用，但是其检测性能仍与实际需求存在较大的差距。

近年来，基于深度学习思想的方法取得了极大的发展，为计算机科学向智能化方向发展提供了算法上的支持。深度学习的基本思想就是构建深层的人工神经网络，模拟人脑的学习机制，采用非监督学习的方式“自动”学习目标物体的特征，学习到的特征具有层次结构：从具体细节到抽象概念，这样的特征对数据本身有着更本质的刻画。深度学习的方法在许多领域的应用都取得了突破性的成功，美国多家银行的手写数字识别系统、Google的图像分类语音识别综合项目Google Brain、微软的全自动同声传译系统都是基于深度学习的方法实现的。其中，基于卷积神经网络的深度学习算法在图像处理的多个领域都取得了世界领先的水平。

传统的基于运动信息的车辆检测方法受环境变化影响比较大，易受背景噪声干扰，检测精度较低。而基于机器学习的方法受到训练样本数量限制，缺乏对不同姿态或是遮挡状态的车辆检测能力，泛化性能较差。近年来快速发展的基于深度学习的检测方法检测精度上较传统方法有质的飞跃，庞大的网络公开数据集作为训练样本保证了此类方法的泛化能力。然而，绝大多数基于深度学习的检测方法由于所用的通用卷积神经网络复杂度较高，需要高性能的GPU辅助运算才能达到较快的处理速度，这一点限制其大规模的推广应用。

目前，基于卷积神经网络的车辆检测算法已经能够取得较高的检测准确性，但是仍然存在检测速度慢、计算资源消耗大等问题，通常需要在GPU硬件平台上才能实现实时处理。然而，GPU硬件平台较为昂贵，实际部署成本太高，用户无法承受。用户迫切渴望一种无需GPU即可实现实时分析的高性能车辆检测方法。

发明内容

本发明的目的在于，克服现有基于深度学习的车辆检测技术中检测速度满足不了实际应用需要的问题，提出了一种车辆的快速检测方法，在保证检测准确率的同时提升检测速度。

为了实现上述目的，本发明提供了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。

作为上述方法的一种改进，所述步骤1)具体包括：