[发明专利]一种车辆检测方法

摘要

本发明公开了一种车辆检测方法，其包括训练阶段和测试阶段两个过程，在训练阶段，先用矩形框框出包含车辆的原始图像中的每辆车辆；然后利用神经网络，得到原始图像的特征图、特征图对应的建议窗口、感兴趣区域图像，进而得到原始图像上形成的包含特征信息的图像；接着利用神经网络，得到原始图像上形成的包含特征信息的图像的分类得分，进而判定包含特征信息的图像是否包含车辆；再计算原始图像及其上形成的包含特征信息的图像的损失函数值；最终根据最小损失函数值得到最优的权值矢量和偏置项；在测试阶段，利用最优的权值矢量和偏置项对测试图像进行检测，得到检测结果；优点是检测速度快，且检测精度高。

主权项

1.一种车辆检测方法，其特征在于包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤如下：步骤①_1：选取包含车辆的原始图像和不包含车辆的原始图像共Q幅原始图像，并构成图像集，将图像集中的第q幅原始图像记为{Iq(i,j)}；然后将图像集中的每幅包含车辆的原始图像中的每辆车辆用矩形框框出，假设{Iq(i,j)}为包含车辆的原始图像，则将{Iq(i,j)}中框出的任意一个包含一辆车辆的矩形框记为t(xq,yq,hq,wq)；其中，Q≥5，q为正整数，1≤q≤Q，1≤i≤W，1≤j≤H，W表示{Iq(i,j)}的宽度，H表示{Iq(i,j)}的高度，Iq(i,j)表示{Iq(i,j)}中坐标位置为(i,j)的像素点的像素值，xq表示t(xq,yq,hq,wq)的中心像素点的横坐标，yq表示t(xq,yq,hq,wq)的中心像素点的纵坐标，hq表示t(xq,yq,hq,wq)的高，wq表示t(xq,yq,hq,wq)的宽；步骤①_2：将图像集中的每幅原始图像输入到神经网络中的Squeezenet网络框架中，输出图像集中的每幅原始图像的多幅特征图，将{I^q(i,j)}的第k幅特征图记为然后将图像集中的每幅原始图像的每幅特征图输入到神经网络中的基于区域推荐网络的网络层中，输出图像集中的每幅原始图像的每幅特征图对应的前N个可能性最大的包含车辆的建议窗口，将对应的第n个可能性最大的包含车辆的建议窗口记为其中，k为正整数，1≤k≤K，K表示图像集中的每幅原始图像的特征图的总幅数，K＞1，符号为向上取整运算符号，的宽度为的高度为表示中坐标位置为(i',j')的像素点的像素值，N＞1，n为正整数，1≤n≤N，的宽度为的高度为表示中坐标位置为(i',j')的像素点的像素值；步骤①_3：将图像集中的每幅原始图像的所有特征图及其对应的所有建议窗口输入到神经网络中的感兴趣区域池化层中，输出图像集中的每幅原始图像对应的M幅感兴趣区域图像，将{I^q(i,j)}对应的第m幅感兴趣区域图像记为其中，M＞1，m为正整数，1≤m≤M，的宽度为的高度为表示中坐标位置为(i',j')的像素点的像素值；步骤①_4：将图像集中的每幅原始图像对应的每幅感兴趣区域图像输入到神经网络中的全连接层中，输出图像集中的每幅原始图像对应的所有感兴趣区域图像通过神经网络中的全连接层映射到该原始图像上形成的包含特征信息的图像，将{I^q(i,j)}对应的所有感兴趣区域图像通过神经网络中的全连接层映射到{I^q(i,j)}上形成的包含特征信息的图像记为然后将图像集中的每幅原始图像上形成的包含特征信息的图像输入到神经网络中的多分类层中，输出图像集中的每幅原始图像上形成的包含特征信息的图像的分类得分，分类得分的范围为0～1；接着根据图像集中的每幅原始图像上形成的包含特征信息的图像的分类得分，判定图像集中的每幅原始图像上形成的包含特征信息的图像是否包含车辆，若的分类得分大于或等于0.8，则判定包含车辆，若的分类得分小于0.8，则判定不包含车辆；之后采用线性回归方式在图像集范围内判定为包含车辆的包含特征信息的图像中框出包含每辆车辆的矩形框，假设包含车辆，则将中框出的任意一个包含一辆车辆的矩形框记为再计算图像集中的每幅原始图像与其上形成的包含特征信息的图像的损失函数值，将与的损失函数值记为L(p,p^*,k^*,t,t^*)，L(p,p^*,k^*,t,t^*)＝L_cls(p^*,k^*)+λ×L_oc(t,t^*)，其中，的宽度为W，的高度为H，表示中坐标位置为(i,j)的像素点的像素值，表示的中心像素点的横坐标，表示的中心像素点的纵坐标，表示的高，表示的宽，p表示{I^q(i,j)}是否包含车辆的标记，{I^q(i,j)}包含车辆时p＝1，{I^q(i,j)}不包含车辆时p＝0，p^*表示是否包含车辆的标记，包含车辆时p^*＝1，不包含车辆时p^*＝0，k^*表示分类的个数，k^*＝2，t代表t(x^q,y^q,h^q,w^q)，t^*代表λ表示常数，e表示自然基数，符号“| |”为取绝对值符号；步骤①_5：按大小对步骤①_4得到的Q个损失函数值进行排序；然后将值最大的L个损失函数值对应的原始图像构成疑难样本集合；接着将疑难样本集合中的每幅原始图像的所有特征图及其对应的所有建议窗口输入到神经网络中的感兴趣区域池化层中，输出疑难样本集合中的每幅原始图像对应的M幅感兴趣区域图像；之后将疑难样本集合中的每幅原始图像对应的每幅感兴趣区域图像输入到神经网络中的全连接层中，输出疑难样本集合中的每幅原始图像对应的所有感兴趣区域图像通过神经网络中的全连接层映射到该原始图像上形成的包含特征信息的图像；将疑难样本集合中的每幅原始图像上形成的包含特征信息的图像输入到神经网络中的多分类层中，输出疑难样本集合中的每幅原始图像上形成的包含特征信息的图像的分类得分；根据疑难样本集合中的每幅原始图像上形成的包含特征信息的图像的分类得分，判定疑难样本集合中的每幅原始图像上形成的包含特征信息的图像是否包含车辆，分类得分大于或等于0.8时判定包含车辆，分类得分小于0.8时判定不包含车辆；再采用线性回归方式在疑难样本集合范围内判定为包含车辆的包含特征信息的图像中框出包含每辆车辆的矩形框；最后计算疑难样本集合中的每幅原始图像与其上形成的包含特征信息的图像的损失函数值；至此得到疑难样本集合中的所有原始图像对应的损失函数值与图像集中排除疑难样本集合外的所有原始图像对应的损失函数值共Q个损失函数值，并构成损失函数值子集；其中，1＜L＜Q；步骤①_6：重复执行步骤①_1至步骤①_5共V次，训练得到神经网络模型，并将V个损失函数值子集中共Q×V个损失函数值中的最小损失函数值对应的权值矢量和偏置项对应作为神经网络模型的最优权值矢量和最优偏置项，对应记为Wbest和bbest；其中，V＞1；所述的测试阶段过程的具体步骤如下：步骤②_1：令表示待检测图像；其中，1≤i”≤W”，1≤j”≤H”，W”表示的宽度，H”表示的高度，表示中坐标位置为(i”,j”)的像素点的像素值；步骤②_2：将输入到训练阶段过程得到的神经网络模型中，并利用W^best和b^best进行测试，若神经网络模型无输出，则认为不包含车辆；若神经网络模型输出测试结果：上形成的包含特征信息的图像的分类得分及上形成的包含特征信息的图像中框出的每辆车辆的多个矩形框，则认为包含车辆，然后利用Soft‑nms算法对上形成的包含特征信息的图像包含的每辆车辆的多个矩形框进行筛选，使上形成的包含特征信息的图像包含的每辆车辆仅由一个矩形框框出，得到的每个矩形框的具体位置即为中检测出的每辆车辆的具体位置。