[发明专利]一种复杂天气道路车辆目标检测方法

说明书

本发明提供一种复杂天气道路车辆目标检测方法，首先，选取天气良好、光线充足的道路交通图像集S，标记车辆边界框；基于循环一致性对抗网络将正常天气图像集转换成复杂天气图像集；将合成的带有标记边界框的复杂天气图像集作为输入送入Faster R‑CNN网络进行训练，得到复杂天气车辆检测模型；然后，开始执行实际复杂天气交通视频车辆检测，将视频解码为图像集；判定复杂天气类别，选取上述对应地复杂天气的预训练好的复杂天气车辆检测模型并代入该模型，执行基于Faster R‑CNN网络的车辆目标检测，并输出结果。这样，大大地提高了复杂天气车辆目标检测的准确率和检测速度，简化了现有模型训练过程中多次重复手动标记车辆边界框的流程。

技术领域

本发明属于智能交通、深度学习及图像处理技术领域，涉及一种复杂天气道路车辆目标检测方法，具体涉及一种基于循环一致性对抗网络和Faster R-CNN网络结合的复杂天气道路车辆目标检测方法。

背景技术

车辆的目标检测，是交通视频监控中的一项重要技术，一直以来都是国内外研究学者的研究重点。近年来，基于图像的目标检测技术领域相关研究已经拓展到使用深度学习领域的方法，此类方法通常首先使用目标候选区域提取方法，例如边界盒子[1]，选择搜索法[2]或多尺度组合分发(MCG)[3]等方法从图像中生成众多的目标候选区域，然后使用卷积神经网络(CNN)[4]来执行基于候选目标区域的目标识别。R-CNN[5]是在利用深度方法进行目标检测中具有里程碑意义的算法，首先利用选择性搜索方法生成2k个目标候选区域，然后对提取的目标候选区域进行归一化成CNN的标准输入。在分类时，该方法需要从每个提取的目标候选区域中提取特征，而重复的特征提取造成了巨大的计算资源浪费。He等人[6]通过加速特征提取环节提高了R-CNN[5]的效率,该方法首先计算整个输入图像的卷积特征图谱，然后从共享的特征图谱中提取每个候选区域的特征向量用于目标识别。该方法和R-CNN[5]仍有很多类似，网络训练过程仍然是孤立的，即需要分别提取候选区域、计算CNN的特征图谱和使用支持向量机进行分类，除了需要传递总体的训练参数外，还需要在网络中传递大量的中间结果。Girshick等人在Fast R-CNN[7]中提出了一种将目标分类和边框回归相结合的思路，该算法将网络的训练过程进行了统一，并进一步对多损失层进行结合，提高了算法的精度。Faster R-CNN[8]是第一个将目标候选区域的生成、特征提取和目标分类统一到卷积神经网络中的框架，提高了整个目标检测系统的效率。

通常，目标检测算法的性能评价主要基于世界公认的公开数据集；例如PASCALVOC，ImageNet，MS COCO等公开数据集，这些数据集被用于研究者测试算法性能或者深度学习竞赛。目标检测的性能指标首先要考虑检测物体的位置以及预测类别的准确性。然而，在智能交通领域，基于深度学习的目标检测通常是基于公开数据集预训练的正常天气条件下权重完成的，而在现实环境中，受到光线不足、雨雪、大雾等复杂天气影响，该权重往往表现不佳，检测精度不高且达不到实时交通视频检测的要求。在复杂的非自然场景下，尤其是极端天气下对车辆实施检测，一直以来都是车辆目标检测领域的一大难点。

基于深度学习的车辆检测方法需要大量手动标记图像中每个车辆的边界框来训练卷积神经网络。经过多年的研究和积累，已形成了大量经人工标记车辆边界框的正常天气交通图像数据集，这些数据集可用于正常天气车辆检测。而针对复杂天气场景、夜间及其他非自然条件的交通场景，几乎没有人工标记的边界框数据集。由于人工进行手动标记是费力且费时的，因此有必要充分利用已标记边界框的现有数据集来生成各类复杂天气的未标记的新数据。