[发明专利]一种基于深度学习的车辆检测与识别的方法

说明书

本发明公开了一种基于深度学习的车辆检测与识别的方法，包括如下步骤：S1、采集原始车辆图片数据；S2、制作原始训练数据集；S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；S4、对Faster RCNN网络模型进行改进；S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练；S6、把需要检测的车辆图像输入训练后的预测模型中，得到车辆检测结果。本发明通过对深度学习算法Faster RCNN进行了改进，构建新的目标检测方法，实现更加准确地检测出目标。

技术领域

本发明涉及计算机视觉领域、人工智能与模式识别等领域，具体涉及一种基于改进Faster RCNN的车辆检测与识别的方法。

背景技术

随着人们生活水平得到提高，车辆逐年增多，给道路交通带来的巨大的压力，道路堵塞、交通事故频频发生。通过车载视觉传感器可以实时准确的检测出道路上的车辆，以利于驾驶员提前发现潜在的危险，提醒驾驶员提前控制车辆制动或者转向等措施以避免交通事故的发生。目前，车辆目标检测技术在智能交通系统中有着重要的作用。

传统的车辆检测方法基于方向梯度直方图(HOG)特征和尺度不变特征变换(SIFT)等传统的方法对车辆进行特征提取，将提取出来的特征用支持向量机(SVM)、迭代器(Adaboost)等分类器进行车辆检测。这些方法需要研究人员的大量的先验知识，并且提取的特征为底层特征，在复杂的天气状况下车辆检测效果差，检测精度低，检测速度慢。

随着人工智能的发展，卷积神经网络成为提取图片特征的主要方法。基于深度学习的目标检测算法主要有YOLO和SSD网络，但是在复杂天气和被遮挡的情况下，车辆的检测精度不够高。Faster RCNN在检测物体时有较高的检测精度和检测速度，但是网络模型参数量巨大，难以在计算力有限的移动端硬件平台使用，不能达到实时检测，对于小尺度目标，该算法的精度较低。

发明内容

针对现有技术的不足，本发明旨在提供一种基于深度学习的车辆检测与识别的方法，通过对深度学习算法Faster RCNN进行了改进，构建新的目标检测方法，实现更加准确地检测出目标。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的车辆检测与识别的方法，包括如下步骤：

S1、采集原始车辆图片数据；

S2、制作原始训练数据集；

S3、对步骤S2得到的原始训练数据集进行数据增强，形成最终训练数据集；

S4、对Faster RCNN网络模型进行改进，改进的内容包括：

1)对Faster RCNN网络模型的共享卷积网络VGGNet-16进行改进：

将共享卷积网络VGGNet-16的第3层到第13层的3×3卷积修改为Fire Module；

2)在原有的Faster RCNN网络模型的RPN网络的基础上增加6个更小的anchors，即Faster RCNN网络模型在特征图的每一像素点上抽取15种Anchors,具体尺度为(128²、256²、512²、32²、64²)和3类长宽比(1:1，2:1，1:2)；

3)用ROI Align代替原有的Faster RCNN网络模型中的ROI Pooling；

4)采用多尺度训练作为Faster RCNN网络模型的训练方式；

S5、利用步骤S3得到的最终训练数据集对步骤S4得到的改进后的Faster RCNN网络模型进行训练；