[发明专利]一种基于循环卷积神经网络的黑烟车检测方法

摘要

本发明公开了一种基于循环卷积神经网络的黑烟车检测方法，针对复杂的路面场景，设计采用长短时间记忆网络融合卷积神经网络提取的静态特征，保持高的捕获率的同时，能保证很低的误检率，稳定可靠。本发明基于前景面积进行过滤，小于一定面积的前景目标，减少了运算量和大量误检；通过引入卷积神经网络进行特征提取，通过自建的大量车尾样本数据集，能提高单帧图像的检测率，同时也保证了单帧静态图像静态特征的有效性；由于设计了长短时间记忆网络，通过组合连续帧的空间特征，挖掘连续车辆尾部图像的时空特征。在保证高检测率的同时，能够降低大量因为阴影等情况造成的误报，这样的方法大大提高了识别精度。

主权项

1.一种基于循环卷积神经网络的黑烟车检测方法，其特征在于，包括以下步骤：步骤1：基于大量道路监控视频，采用前景检测算法提取车辆序列图像样本，建立黑烟车序列图像分类数据集，包括训练集与测试集；步骤2：在公开数据集上预训练卷积神经网络模型，得到1000分类的预训练模型；步骤3：冻结卷积神经网络的浅层特征提取部分的权值，不使用原有1000分类的全连接层分类器，新增本项目所需的二分类顶层全连接层分类器，然后在步骤1建立的黑烟车分类数据集上精调步骤2得到的模型参数；步骤4：通过步骤3训练得到能够用于单帧图像分类的卷积神经网络模型，对步骤1的序列图像样本数据逐帧进行前向计算，将序列图像数据按照时间顺序转换为序列特征向量；步骤5：设计输入维度与步骤4的特征向量维度相同的循环神经网络，采用长短时间记忆网络作为循环神经网络主体，经过特定的时间步长后，通过全连接层预测序列分类；步骤6：采用基于时间的反向传播算法对长短时间记忆网络进行训练，在步骤4得到的特征向量数据集上训练与验证长短时间记忆网络的分类效果；步骤7：通过步骤6选取表现最优异的序列分类模型后，对算法模型进行部署，包括步骤3得到的卷积神经网络和步骤6得到的长短时间记忆网络；模型部署后只有前向计算过程，不需要进行训练时的反向传播过程；通过前景检测算法得到车辆候选框，使用卷积神经网络提取车尾静态特征，堆叠连续多帧静态特征后依次传入长短时间记忆网络进行分类，得到预测概率。