[发明专利]一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法

摘要

本发明提出了一种可以解决非机动车辆目标检测问题的方法，通过将EdgeBoxes算法融合Fast R‑CNN中的小型网络结构Caffnet得到新的网络结构，结合VOC格式的非机动车辆数据样本，对新的网络结构进行迭代训练得到非机动车辆目标检测模型，把道路交通场景中的目标检测问题实化为自行车bicycle和电动车evbike的分类问题。该方法从目标建议出发，利用深度学习思想有效克服非机动车辆外观多变带来的困难，并且可在训练数据驱动下自适应地构建特征描述，能够高效准确的检测到道路交通场景中的非机动车辆目标，使得非机动车辆目标检测更加快捷便利。

主权项

1.一种基于EdgeBoxes和Fast R‑CNN的非机动车辆目标检测方法，其特征在于：包括以下步骤：步骤1、定义网络结构，选定Fast R‑CNN算法中的小型网络结构Caffenet网络：步骤1‑1、设置Caffenet网络核心层数为11层，具体包括1个11×11卷积层，1个5×5卷积层，3个3×3卷积层，1个感兴趣区域池化层，2个全连接层，3个池化层；步骤1‑2、Caffenet网络输出层为多任务损失函数，具体有两个输出层，第一个输出层通过softmax算法回归计算得到每个RoI在2类中的概率P，即目标分类结果，第二个输出层负责计算2类目标检测框的坐标值，即检测框坐标结果；步骤2、定义目标任务，采集目标样本图及数据集制作：步骤2‑1、定义目标任务为非机动车辆，即自行车和电动车；步骤2‑2、数据集制作，准备适量目标任务的样本图像，为保证特征充分性，样本图像数量级设置为103‑104，该范围内的任何数值M都可作为样本数量，自行车b和电动车e分配比例为b:e，且b≈e，M＝b+e；步骤2‑3、将步骤2‑2得到的样本图像进行VOC格式化，得到VOC数据集；步骤2‑4、将步骤2‑3得到的VOC数据集中的样本图进行目标标注，然后使用EdgeBoxes算法对标注后的样本图像进行目标建议OP提取，利用滑动窗口的提取策略，由以下参数来控制：α控制搜索步长，β控制IoU阈值，δ控制搜索准确度，minScore控制最低得分和maxBoxes控制提取OP的最大数量级,以此得到样本OP信息，进行一定计算后得到样本的感兴趣区域RoIs；步骤2‑5、将步骤2‑3得到的VOC数据集，按照训练>测试>验证的比例，且各个比例项之和小于等于10的划分原则进行划分，得到训练集、测试集和验证集；步骤3、模型训练，设定预训练参数：步骤3‑1、对步骤1中定义的Caffnet网络结构进行初始化参数设置，利用Caffenet在ImageNet下的训练参数初始化预训练网络RoI池化层之前的层参数，设置学习率为0.001，训练的batchsize为2，迭代次数为I，其数量级为10^4，进行网络训练；步骤3‑2、目标任务是自行车和电动车，即K＝2，再加一个背景类，则输入数据层类别数num_class＝2+1＝3，同样RoI池化层数据类别数num_class＝3，输出层中分类得分部分数据类别数num_class＝3，边界框回归部分数据类别数num_class＝3×4＝12；步骤4、模型训练，预训练网络：步骤4‑1、将步骤1中定义的Caffnet网络结构在步骤2‑5准备的训练数据集上训练，样本包括动自行车和电动车，训练参数按步骤3‑1设置；步骤4‑2、训练的输出过程用一种多任务损失函数对每个标记的RoI的类型和检测框坐标进行回归计算，计算方法为：L(p,u,tu,v)＝Lcls(p,u)+λ[u≥1]Lloc(tu,v)  (1)Lcls(p,u)＝logPu  (2)步骤4‑3、对步骤4‑2设置公式(1)中超参数λ＝1，并标记自行车类u＝1、电动车类u＝2，Lcls是类型概率Pu的对数损失，其中Pu是用softmax来计算的，令该层的输出向量为ai＝(a1,a2,......,an)，根据softmax计算方法则Pu＝maxPi  (4)步骤4‑4、输出的另一个任务损失L_loc，是检测框损失，通过真实的u类检测框坐标值v＝(v_x,v_y,v_w,v_h)，以及u类的预测坐标值得到,由于背景类没有原标记框，可以忽略背景类的L_loc,对于检测框回归损失，使用损失函数其中，当回归目标无边界时，传统的损失函数在训练时敏感度很高，需要非常仔细地调整学习率以防止爆炸梯度，而消除了这种敏感性：步骤5、迭代训练得到目标检测模型：步骤5‑1、迭代训练过程通过RoI池化层进行反向传播，x_i(x_i∈R)是第i个激活，输入到RoI池化层，令y_rj是输出，即第r个RoI的第j层输出，RoI池化层计算其中i*(r,j)＝argmax_i'∈R(i,j)x_i'，即使得x_i'最大的i，R(i,j)是输出单元y_rj最大池化所在子窗口中输入的索引集，单个x_i可以被分配给几个不同的输出y_rj，RoI池化层通过计算相对于每个输入变量x_i的损失函数的偏导数进行反向传播：步骤5‑2、迭代训练过程引入微调策略，不断微调步骤3‑1设置的训练参数，如此交替进行网络训练，直至网络收敛，此时即得到目标检测模型；步骤6、模型测试，将步骤2‑5得到的测试集图像输入步骤5‑2得到的目标检测模型进行测试，主要分为单张测试和整体测试两部分：步骤6‑1、选定测试集中的样本图像进项单张图像检测测试，并在图像样本上显示检测框，为保证检测的实际应用及准确率，测试时设置检测类型概率P范围是0.5≤P≤1的数值；步骤6‑2、将步骤2‑5得到全部测试数据集输入步骤5‑2得到的目标检测模型整体测试，验证目标检测模型。