[发明专利]基于深度学习SSD框架的道路车辆实时检测方法

说明书

本发明公开了一种基于深度学习SSD框架的道路车辆实时检测方法，主要解决现有技术在道路拥挤、天气状况复杂情况下检测准确率低的问题。其实现方案是：1.在交通要道拍摄若干个行驶车辆的视频，并以手动标注的方式抓取视频各帧图像中车辆的车窗信息；2.以分类网络中VGG‑16作为基本网络，搭建SSD300*300检测框架，抽取其中某些特征提取层的特征进行连接作为识别的特征向量，并输入到损失函数中；3.用训练样本进行训练，并将训练好的检测模型代入检测框架中；4.设定相关阈值，用训练好的检测模型对测试视频中的车辆进行检测。本发明不仅大大提高了检测准确率，并且达到了实时检测的效果，可用于复杂场景下对车辆的检测。

技术领域

本发明属于图像识别技术领域，主要涉及道路车辆实时检测方法，可用于对行驶车辆的检测。

背景技术

随着现代社会生活水平不断提高，汽车作为一种重要的交通工具，其数量呈现高速增长的趋势，给交通监管带来了巨大的挑战。汽车数量的高速增长，虽然给人们的生活带来了很多便利，但同时也带来了诸如乱闯红灯、交通拥堵、超速、交通事故等一系列的交通问题。传统的依靠人力或者基础交通设施的道路交通管理方法己经无法满足目前的发展需求，而近年来计算机技术、人工智能和模式识别等技术得到了大力发展以及广泛应用，这些技术也渗透到了交通服务行业，在这种背景下，基于深度学习卷积神经网络的交通监测技术应运而生。

目前，基于深度卷积神经网络的车型识别研究中，西南交通大学邓柳的《基于深度卷积神经网络的车型识别》，该研究主要区分的车型类别包括诸如小汽车、货车和客车，但是该研究是以车辆图像小块作为输入，简单卷积神经网络与SVM结合进行的分类识别，并且不包含雨天、雾天、雪天及拥堵等恶劣环境情况的车型识别研究。这种以图像小块作为输入不能很好的结合背景信息，而且抓取整个车辆信息使得深度网络抓取了很多与分类识别无关的冗余信息，再加上分类识别网络不能实现端对端的检测，不仅其检测准确率不高，而且也造成了检测时间的浪费，不能达到实时检测的要求。

发明内容

本发明的目的在于针对上述已有的道路车辆检测技术的不足，提出一种基于深度学习SSD框架的道路车辆实时统计方法，以提高检测准确率，减小时间的浪费，达到实时检测的要求。

本发明的技术方案是：将车窗信息作为区别道路车辆与周围背景的最为显著性的特征，通过这一主要特征来标识车辆，以排除其他无关特征对检测准确率的干扰，使得更多的神经元集中于车窗特征的学习，更加易于区分车辆与背景信息。搭建多尺度目标检测器SSD网络框架，这种框架以16层深卷积网络VGG-16为基础网络，同时对该网络的最后几层加以改进，使之可以提取到不同尺度下的分类及位置信息。将这些信息连接整合，并用于对原网络的反馈调节，以此来提高车辆检测的速度和准确率。其实现步骤包括如下：

1)构建训练数据集：

1a)在交通要道拍摄若干个行驶车辆的视频，将这些视频每隔10帧保存为图片，并存放到JPEGImages文件夹下作为训练数据；

1b)对(1a)的每张图片中车窗部分进行标注，生成txt格式的标注文件并进行xml格式转换，将转换为xml格式的文件均分成两部分，其中将一部分图片的图片名写入到trainval.txt文件中，另一部分则将图片名写入到test.txt文件中，得到训练网络所需的trainval.txt文件、test.txt文件和与图片相对应的xml文件；

1c)将(1b)中的所有xml文件进行合并后存放到Annotations文件夹下，并将生成的trainval.txt文件和test.txt文件存放到ImageSet/Main文件夹下；

2)搭建SSD训练网络架构：

2a)下载并安装caffe-ssd平台；