[发明专利]基于深度学习的车辆检测方法

摘要

本发明公开了一种基于深度学习的车辆检测方法，结合Edge Boxes和改进的Faster R‑CNN模型进行复杂环境中的车辆检测，首先使用Edge Boxes对图像进行处理，初步提取出较为准确的车辆候选区域；其次将候选区域输入到改进的Faster R‑CNN模型中进一步对车辆进行精定位并通过分类判别得到最终的检测结果。同时为了增强模型对于小尺寸车辆的检测能力以及模型的判别能力，将不同层的卷积特征组合起来，补充一些车辆的细节信息，并在训练阶段加入难负样本挖掘策略，使得模型更加关注困难样本，能够很好的将车辆与疑似车辆的背景区分开来。

主权项

1.一种基于深度学习的车辆检测方法，其特征在于，具体按照以下步骤实施：步骤1，构建带有标注和标签的图片库作为训练样本集和测试样本集；步骤2，构建改进的Faster R‑CNN模型，所述改进的Faster R‑CNN模型由区域建议网络和改进的Fast R‑CNN网络组成；步骤3，利用Edge Boxes初步提取出较为准确的车辆候选区域；步骤4，对改进的Faster R‑CNN模型参数进行初始化；步骤5，进行特征提取，对候选区域进行系列卷积、池化和非线性运算，得到特征图；步骤6，利用RPN过滤掉不包含车辆区域的候选框，即，将步骤5提取的特征图矩阵输入到步骤2中构建的区域建议网络中，利用Softmax对提取到的特征进行分类判别过滤掉不包含车辆的候选框，并利用非极大值抑制算法去除多余的候选框，得到候选框集合C'；步骤7，融合第三、第四和第五层卷积层特征对车辆进行描述，利用改进的Fast R‑CNN模型对步骤6中RPN模型产生的候选框进行分类判别，得到图像中车辆所在的位置和所属类别；步骤8，根据步骤7得到的结果划分用于训练的正负样本；步骤9，根据实际输出与期望输出得到总体误差，利用反向传播算法和随机梯度下降算法，通过交替训练的方式对模型进行训练，依次调整每层神经网络的权值，最终得到改进的Faster R‑CNN模型；步骤10，使用训练集测试初步训练好的改进的Faster R‑CNN模型，从而产生难负样本；将步骤9输出的得分高于0.7并且与任意真实区域包围盒的IoU值(两个区域的交集面积与并集面积之比)小于0.5的候选框作为难负样本；步骤11，将步骤9产生的难负样本加入到训练集中，对网络再次训练，从而加强模型的类别判定能力，得到最优的改进的Faster R‑CNN模型；步骤12，利用步骤11得到的最优的改进的Faster R‑CNN模型，对实际中采集的待检测图像进行处理，从而得到车辆检测结果。