[发明专利]一种基于视频的人车物检测方法

说明书

本发明提供了一种基于视频的人车物检测方法，包括以下步骤：A.数据采集；B.对步骤A中的数据进行标注；C.对标注后的数据生成训练集和测试集；D.构建卷积神经网络E.对步骤D的卷积神经网络进行模型训练；F.检测。本发明有益效果：检测率高，对于一些难以用车牌检测识别的车辆，抓拍能达到很好的效果；对于行人和非机动车的识别监控，也有比较准确的识别效果，能够较好的实现各种监控取证，为和谐社会，安全交通，智能出行提供了一份保障。

技术领域

本发明属于交通监控技术领域，尤其是涉及一种基于视频的人车物检测方法。

背景技术

在交通领域，不可避免的是对车辆、行人、非机动车的检测分离，然后分别进行监控，进行违法事件的预警与记录，可以说是交通监控技术领域的核心，对于车辆检测，比较成熟的是基于车牌的车辆检测，准确度可以高达99％，但是对于一些无牌车辆以及一些工程车，无法通过车牌识别有效定位抓拍车辆，这样造成一些事后取证工作的难度；行人和非机动车检测，由于目标相对较小，并且姿态特征复杂度远高于车辆检测，到目前为止，也仍旧处于不断探索优化中；行人和非机动车，同样作为交通中的主体对象，进行有效地检测成分为必不可少的部分，对于交通领域的进步有着重要作用。

发明内容

有鉴于此，本发明旨在提出一种基于视频的人车物检测方法，以解决上述问题的不足之处。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于视频的人车物检测方法，包括以下步骤：

A.数据采集；

B.对步骤A中的数据进行标注；

C.对标注后的数据生成训练集和测试集；

D.构建卷积神经网络；

E.对步骤D的卷积神经网络进行模型训练；

F.检测。

进一步的，所述步骤A中采集各种交通场景的不同时间段内含有各类交通目标的图片。

进一步的，所述步骤B中以交通目标的外接矩形为边界进行标注。

进一步的，所述步骤C中按照图片数目4:1的比例，随机生成训练集与测试集。

进一步的，所述步骤D中构建卷积神经网络的过程如下：

D1.使用VGG网络，在卷基层用多个尺寸小于或等于3*3的filter和间隔代替一次性使用一个尺寸大于或等于5*5的filter和间隔；

D2.在VGG网络中去掉Conv1_2、Conv2_2、Conv3_2、Conv4_2、Conv5_2每层后面各自连接的池化层，并添加Conv5_x，Conv6_x，Conv7_x，Conv8_x四组卷积模块，其中，每个卷积模块组内Convy_1是Convy_2的channel数的1/2。

进一步的，所述步骤E中的训练过程如下：

E1.通过改变亮度、饱和度、旋转、镜像以及通过图像裁剪对步骤C中生成的训练集和测试集进行数据增强；

E2.从Conv4_2、Conv5_2、Conv6_2、Conv7_2、Conv8_2得到的feature map上面分别进行位置回归以及分类概率计算。

进一步的，所述步骤F中的检测过程如下：

F1.图像颜色变换：将图像颜色格式由YUV转换为BGR格式，转换条件如下，

B＝Y+1.779*(U-128)

G＝Y-0.3455*(U-128)-0.7169*(V-128)