CN104036323A - 一种基于卷积神经网络的车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的车辆检测方法，包括以下步骤：S1：收集车辆样本和非车辆样本，并对车辆样本进行分类；S2：对样本进行预处理；S3：训练CNN车辆检测器；S4：计算特征图的平均相似度表；S5：构建相似特征图组；S6：获得CNN-OP车辆检测器；S7：获取检测图片；S8：对获取的检测图片进行预处理；S9：对检测图片构建图像金字塔；S10：特征提取；S11：扫描特征图；S12：特征分类；S13：合并检测窗口并输出。本发明提出一种离线优化的方案，对训练完成的卷积神经网络进行优化，在检测阶段采用先特征提取再扫描窗口的策略，避免了重复计算特征，提高了***的检测速度。

Description

一种基于卷积神经网络的车辆检测方法

技术领域

本发明涉及一种基于卷积神经网络的车辆检测方法，属于计算机视觉领域。

背景技术

但是近年来，汽车数量的增长快于城市道路建设的进度，导致城市交通拥堵，人们的出行反而不便利。为了解决城市交通的巨大压力，智能交通***(ITS)应运而生。智能交通***通过检测十字路口不同行驶方向的车辆计算车流量，并以此为依据自动地调整交通信号灯的时间，有效地提高十字路口的通行能力，缓解城市交通拥堵。其中，车辆检测技术是智能交通***中的关键部分，后续有关车辆更详细的分析都要基于准确的车辆检测结果。

现在关于车辆检测技术的研究主要集中在车辆特征描述和车辆分类器设计上。车辆特征描述是根据车辆自身的特点，设计专门用于表达车辆的特征。当前主要的车辆特征有HOG特征、Gabor特征和STRIP特征等单一特征，以及它们的改进特征，或者单一特征组合而成的混合特征。车辆分类器设计是根据车辆检测的具体需求，设计适用于特定问题的分类器。例如简单的车辆检测，分类器只需要把样本分为车辆和背景两类；而复杂的车辆检测，分类器不仅要区分车辆和背景，还要按车辆的观察视角进行分类。当前主要的车辆分类器有支持向量机、动态贝叶斯网络和最近邻分类器等。

公开号为CN103489317A的专利公开了“一种不同场景下的车辆检测方法”，首先根据视频序列建立动态背景模型，将当前图像与背景图像进行差分，提取前景，并且在前景中进行直方图统计以确定用于检测车辆的差分阈值；然后去除车灯部位的图像值，滤除车灯的影响；最后根据差分阈值对前景图像进行二值化操作，获得最终的车辆目标。利用了背景建模和车灯处理获取车辆的前景区域，并以此确定车辆在图像中的具***置。但是，该专利认定前景区域就是车辆出现的位置，而没有在前景区域中进行有效的车辆检测，使得该专利会存在一定程度上的误报。另外，采用背景差分检测运动目标，由于背景没有随时间而变化，当场景中发生非均匀的光照变化时，会造成运动目标提取不准确。

公开号为CN103559508A的专利公开了“一种基于连续型Adaboost视频车辆检测方法”，该方法包括以下步骤：在训练阶段，首先对大量训练样本进行预处理归一化到统一尺度，然后提取并挑选出使得正负样本近似符合高斯分布的haar特征，最后利用连续Adaboost算法自动地从弱分类器空间中挑选出若干个弱分类器组合成一个强分类器，获得车辆检测器。在检测阶段，首先在检测图片中扫描窗口，对每个窗口都用瀑布式车辆检测器判断是否包含车辆，最后合并相交的检测窗口并输出最终结果。该专利改进了传统Adaboost算法，训练开始前删除掉那些对分类器没有贡献的haar特征，加快了训练速度，而且能够处理具有连续置信度输出的分类器，更准确进行分类判别。但是，该方法所有样本归一化到32*32，只针对检测正面或背面的车辆检测，其他视角的车辆检测效果不能得到保证，并且检测时使用的是扫描窗口的检测方式，当检测图像是高清图像时，检测速度也不能得到保证。

根据上述两种传统车辆检测方法的分析可知，基于图像处理和基于手工设计特征的车辆检测方法存在一定缺陷。而如今在当前大数据的时代背景下，我们需要一种在复杂场景中准确、快速的车辆检测技术。

发明内容

本发明的目的在于克服现有技术的不足，提供一种离线优化网络结构的方案，对训练完成的卷积神经网络进行结构优化，并采用先特征提取再扫描窗口的策略，避免了重复计算，提高***的检测速度的基于卷积神经网络的车辆检测方法。

本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络的车辆检测方法，包括离线训练、离线优化和在线检测三个阶段，所述的离线训练阶段包括以下步骤：

S1：收集车辆样本和非车辆样本，并对车辆样本进行分类；

S2：对车辆样本和非车辆样本进行预处理：根据设定的样本尺寸，对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换，以增加车辆样本数量，对非车辆样本进行尺度变换，然后对所有样本就行归一化处理；

S3：训练CNN车辆检测器：采用BP算法训练CNN车辆检测器，每次迭代采用最小批的方式计算网络误差和更新权重，当在验证集上正确率不再提高时终止网络训练，获得CNN车辆检测器；

所述的离线优化阶段包括以下步骤：

S4：计算特征图的平均相似度表；

S5：构建相似特征图组：运用层次分析法分析平均相似度表，建立阶梯层次结构，根据设定的阈值将特征图划分为多个特征图组，每组包含相似的特征图；

S6：合并相似特征图，将非保留特征图的后向连接合并到保留特征图的后向连接上，进行优化，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器；

所述的在线检测阶段包括以下步骤：

S7：获取检测图片：从监控摄像头、硬盘录像机或者本地视频中获取检测图片；

S8：对获取的检测图片进行预处理：将检测图片进行均值滤波后进行归一化处理；

S9：对检测图片构建图像金字塔；

S10：特征提取：利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；

S11：扫描特征图：根据设定的窗口大小，同时扫描最后降采样层生成的多张特征图，将窗口中的特征值串连在一起，形成特征向量；

S12：特征分类：利用CNN-OP车辆检测器的分类器对特征向量进行分类，如果分类器输出值大于设定的阈值，则判定该窗口对应在检测图像中的区域包含车辆，否则判定为背景；

S13：合并检测窗口并输出：待所有金字塔层都检测完后，采用非最大压制的方法合并所有相交的检测结果，在检测图像中画出车辆检测结果，并将结果输出，完成车辆检测。

进一步地，所述的步骤S1包括以下子步骤：

S1-1：从网络上或者自己拍摄的车辆视频中截取大量车辆的样本，组成车辆样本集，车辆样本集包含了车辆的各个视角；

S1-2：按照车辆样本的长宽比，用K-means算法分为三类：正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本，针对这三类车辆样本分别训练三个车辆检测器。

进一步地，所述的步骤S4计算特征图的平均相似度表包括以下子步骤：

S4-1：对每个车辆样本，计算它在已训练完成的CNN检测器中降采样层的特征图，计算方法为：交替地包含卷积层和降采样层，执行卷积、降采样和非线性变换，从低层到高层逐阶段地进行，假定第k阶段输入和输出的特征图集合表示为和其中R^k-1和R^k分别表示x^k和z^k中特征图的数量，因为每个阶段都有一个卷积层和一个降采样层，因此在这两层之间的特征图集合表示为在卷积层，特征图的计算公式为：

$y_n^k=\mathrm{sigm}(\underset{m=1}{\overset{R^{k-1}}{\mathrm{\Σ}}}{x}_m^k\⊗f_{\mathrm{nm}}^k+b_n^k)$

其中，表示特征图与卷积核之间的卷积操作，表示偏移量，sigm(·)为sigmoid激活函数，在卷积层之后，降采样层无重叠地用一个固定大小的均值核扫描特征图形成第k阶段降采样层对应的特征图

$z_n^k=\mathrm{subsampling}\left(y_n^k\right)$

特征图集合z^k作为下一个阶段的输入，按照同样的方式提取更高层的特征；

S4-2：计算降采样层特征图之间的余弦相似度，形成单个样本的相似度表φ^k：

${\mathrm{\φ}}^k(p,q)=\cos (z_p^k,z_q^k)=\frac{|z_p^k*z_q^k|}{\left|\right|z_p^k\left|\right|\·\left|\right|z_q^k\left|\right|}$

其中，p和q为降采样层特征图的索引，相似度表的长和宽为降采样层特征图数量；

S4-3：累加所有车辆样本的相似度表，求均值，获得采样层特征图的平均相似度表

${\stackrel{\‾}{\mathrm{\φ}}}^k=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_i^k$

其中，N表示车辆样本的总数量。

具体地，所述的步骤S6包括以下子步骤：

S6-1：如果特征图组仅包含一张特征图，则不做合并；如果特征图组包含多张特征图，则随机选择其中的一张特征图作为保留特征图，其余作为非保留特征图，设和是第k阶段的相似特征图，选择保留特征图则第k+1阶段的特征图表示为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+z_q^k\⊗f_{\mathrm{rq}}^{k+1}+...+b_r^{k+1})$

由于 $z_p^k\≈z_q^k,$ 得到：

$y_r^{k+1}\≈\mathrm{sigm}(...+z_p^k\⊗(f_{\mathrm{rp}}^{k+1}+f_{\mathrm{rq}}^{k+1})+...+b_r^{k+1})$

令那么上式整理为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+...+b_r^{k+1});$

S6-2：删除非保留特征图的前向连接，包括对应的卷积层连接和降采样层连接；

S6-3：根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上，完成当前阶段的优化工程，当所有阶段的优化全部完成后，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器。

本发明的有益效果是：

1、在训练阶段，卷积神经网络从大量不同场景的车辆样本和非车辆样本中学习到车辆本质的特征，这种特征比手工设计的特征具有更强的可分性；

2、本发明方法提出了一种离线优化网络结构的方案，对训练完成的卷积神经网络进行结构优化，可以避免卷积神经网络在训练过程中会提取到相类似的特征图，形成冗余的问题，减少计算量；

3、在检测阶段，利用卷积神经网络特征提取器可以提取任意大小图片特征这一特性，摒弃了在检测图像上扫描窗口的特征提取方式，而是应用卷积神经网络的特征提取器先对检测图像整体进行特征提取，再用窗口在特征图上进行扫描，并用卷积神经网络的分类器进行分类，这样避免了重复计算特征，提高***的检测速度，这样基于卷积神经网络的车辆检测器的准确率和检测速度都能满足实际工程需求。

附图说明

图1为本发明的检测方法流程图。

具体实施方式

下面结合附图进一步说明本发明的技术方案，但本发明所保护的内容不局限于以下所述。

如图1所示，一种基于卷积神经网络的车辆检测方法，包括离线训练、离线优化和在线检测三个阶段，所述的离线训练阶段包括以下步骤：

S1：收集车辆样本和非车辆样本，并对车辆样本进行分类；

S2：对车辆样本和非车辆样本进行预处理：根据设定的样本尺寸，对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换，以增加车辆样本数量，对非车辆样本进行尺度变换，然后对所有样本就行归一化处理；

S3：训练CNN车辆检测器：采用BP算法训练CNN车辆检测器，根据网络输出与样本标签的误差更新网络的参数，每次迭代采用最小批的方式计算网络误差和更新权重，在训练时，学***均误差更新参数。迭代次数根据在验证集上的测试效果决定，当在验证集上的正确率不再提高的时候终止网络的训练，获得CNN车辆检测器；

CNN车辆检测器是一个多层模型，它能有监督地从大量样本中自动地进行特征学习。输入是一张图像，输出是图像的分类标签。因此，输入层的神经元数量和检测图像的像素数量相等，输出层只有一个神经元节点。CNN车辆检测器包含两部分：第一部分是一个多阶段的特征提取器，交替地包含卷积层和降采样层，执行卷积、降采样和非线性变换；第二部分是一个分类器，是一个不含隐藏层的全连接神经网络。CNN车辆检测器能学习到好的特征表达，因为特征提取是从低层到高层逐阶段地进行。在本方案中设计的CNN车辆检测器的特征提取有两个阶段，k＝1,2。第一阶段是低层特征的提取，例如点和线等，第二阶段对低层特征进行随机组合形成高层特征。

所述的离线优化阶段包括以下步骤：

S4：计算特征图的平均相似度表；

S5：构建相似特征图组：运用层次分析法分析平均相似度表，建立阶梯层次结构，根据设定的阈值将特征图划分为多个特征图组，每组包含相似的特征图；

S6：合并相似特征图，将非保留特征图的后向连接合并到保留特征图的后向连接上，进行优化，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器；

所述的在线检测阶段包括以下步骤：

S7：获取检测图片：从监控摄像头、硬盘录像机或者本地视频中获取检测图片；

S8：对获取的检测图片进行预处理：将检测图片进行均值滤波后进行归一化处理；

S9：对检测图片构建图像金字塔；

S10：特征提取：利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；

S11：扫描特征图：根据设定的窗口大小，同时扫描最后降采样层生成的多张特征图，将窗口中的特征值串连在一起，形成特征向量；

S12：特征分类：利用CNN-OP车辆检测器的分类器对特征向量进行分类，如果分类器输出值大于设定的阈值，则判定该窗口对应在检测图像中的区域包含车辆，否则判定为背景；

S13：合并检测窗口并输出：待所有金字塔层都检测完后，采用非最大压制的方法合并所有相交的检测结果，在检测图像中画出车辆检测结果，并将结果输出，完成车辆检测。

具体地，所述的步骤S01包括以下子步骤：

S1-1：从网络上或者自己拍摄的车辆视频中截取大量车辆的样本，组成车辆样本集，车辆样本集包含了车辆的各个视角；

S1-2：按照车辆样本的长宽比，用K-means算法分为三类：正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本，针对这三类车辆样本分别训练三个车辆检测器。

训练CNN车辆检测器需要大量的样本。而目前公开的车辆数据集样本数量太少，不足以充分训练网络，因此我们从网络上和自己拍摄的视频中截取了3500张车辆样本作为正样本，涵盖了车辆的大部分视角。受到卷积神经网络固定输入大小的限制，不能同时处理多个视角的车辆，因此将数据集划分为三类：正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本：侧面车辆包含1100个样本，图像大小归一化为宽度78个像素和高度36个像素，车辆在图像的中心，周围围绕6个像素作为背景；斜侧面车辆包含1200个样本，图像大小归一化为宽度48个像素和高度36个像素，周围围绕5个像素作为背景；正面和背面车辆包含1200张车辆样本，图像大小归一化为宽度28个像素和高度24个像素，周围围绕4个像素作为背景。所有负样本从100张未包含车辆的图片中随机截取非车辆样本，其数量与正样本数量相同。

为了增加检测器的鲁棒性，对样本进行随机地微小的尺度变换([0.9,1.1]倍)、平移变换([-2,+2]像素)和旋转变换([-15,+15]度)，侧面车辆样本和斜侧面车辆样本还可以进行水平翻转，形成6600张侧面车辆样本，7200张斜侧面车辆样本，3600张正面和背面车辆样本。所有样本从RGB空间变换到YUV空间，并只保留Y空间数据，样本的像素值的取值范围归一化为[-1,1]。

CNN车辆检测器在分类时，用不含隐藏层的全连接神经网络对第二阶段输出特征分类，根据输出值即可判定输入图像是否是车辆。网络输出值的范围为[0,1]，大于设定阈值0.8表示图像是车辆，反之表示背景。三种CNN车辆检测器结构的具体参数参见表1。

表1三种车辆检测器网络结构的参数表

CNN车辆检测器在训练过程中没有要求同一层提取到不同的特征图。我们发现当卷积神经网络规模较大时，同一层中确实存在数量较多相似的特征图，这样的网络存在一定冗余的结构。因此我们想要对已经训练好的CNN车辆检测器通过合并相似特征图的方式优化网络结构，避免进行重复的特征提取，在一定程度上加快单个样本的检测速度。

由于特征提取分为多个阶段，因此优化网络要逐阶段进行。在第二阶段的高层特征由数量多且尺寸小的特征图组成，最容易形成相似特征图，所以我们选择从最有可能形成冗余结构的地方着手，先优化第二阶段的特征图，再优化第一阶段的特征图。

具体地，所述的步骤S04计算特征图的平均相似度表包括以下子步骤：

S4-1：对每个车辆样本，计算它在已训练完成的CNN检测器中降采样层的特征图，计算方法为：交替地包含卷积层和降采样层，执行卷积、降采样和非线性变换，从低层到高层逐阶段地进行，假定第k阶段输入和输出的特征图集合表示为和其中R^k-1和R^k分别表示x^k和z^k中特征图的数量，因为每个阶段都有一个卷积层和一个降采样层，因此在这两层之间的特征图集合表示为在卷积层，特征图的计算公式为：

$y_n^k=\mathrm{sigm}(\underset{m=1}{\overset{R^{k-1}}{\mathrm{\Σ}}}{x}_m^k\⊗f_{\mathrm{nm}}^k+b_n^k)$

其中，表示特征图与卷积核之间的卷积操作，表示偏移量，sigm(·)为sigmoid激活函数，在卷积层之后，降采样层无重叠地用一个固定大小的均值核扫描特征图形成第k阶段降采样层对应的特征图

$z_n^k=\mathrm{subsampling}\left(y_n^k\right)$

特征图集合z^k作为下一个阶段的输入，按照同样的方式提取更高层的特征；

S4-2：计算降采样层特征图之间的余弦相似度，形成单个样本的相似度表φ^k：

${\mathrm{\φ}}^k(p,q)=\cos (z_p^k,z_q^k)=\frac{|z_p^k*z_q^k|}{\left|\right|z_p^k\left|\right|\·\left|\right|z_q^k\left|\right|}$

其中，p和q为降采样层特征图的索引，相似度表的长和宽为降采样层特征图数量；

S4-3：累加所有车辆样本的相似度表，求均值，获得采样层特征图的平均相似度表

${\stackrel{\‾}{\mathrm{\φ}}}^k=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_i^k$

其中，N表示车辆样本的总数量。

然后，根据平均相似度表运用层次分析法建立特征图集合z^k的阶梯层次结构，根据设定的相似度阈值0.9，将特征图划分为多个特征图组，也就是将相似的特征图聚在一起，形成一个特征图组。

具体地，所述的步骤S06包括以下子步骤：

S6-1：如果特征图组仅包含一张特征图，则不做合并；如果特征图组包含多张特征图，则随机选择其中的一张特征图作为保留特征图，其余作为非保留特征图，设和是第k阶段的相似特征图，选择保留特征图则第k+1阶段的特征图表示为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+z_q^k\⊗f_{\mathrm{rq}}^{k+1}+...+b_r^{k+1})$

由于 $z_p^k\≈z_q^k,$ 得到：

$y_r^{k+1}\≈\mathrm{sigm}(...+z_p^k\⊗(f_{\mathrm{rp}}^{k+1}+f_{\mathrm{rq}}^{k+1})+...+b_r^{k+1})$

令那么上式整理为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+...+b_r^{k+1});$

S6-2：删除非保留特征图的前向连接，包括对应的卷积层连接和降采样层连接；

S6-3：根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上，完成当前阶段的优化工程，当所有阶段的优化全部完成后，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器。

本方案采用的检测流程与传统车辆检测技术流程的不同之处在于特征提取和窗口扫描这两步骤的顺序。传统车辆检测技术大多都是先按照设定的窗口大小，从检测图像上逐像素扫描窗口，再对每个窗口中的子图像提取特征。而在本方案中，由于卷积神经网络特征提取器不受图像大小的限制，一旦学习到卷积核的具体形式，就可以从任意大小图像中提取特征，因此我们充分利用这一特性，先对检测图像整体进行特征提取，形成多个检测图像的特征图，再在多个特征图上同时扫描窗口，将窗口中的特征值串连在一起，由分类器进行分类。其具体流程是：(1)从监控摄像头、硬盘录像机(DVR)或者本地视频中解析数据，获得检测图片；(2)用大小为5*5的均值核对检测图片进行一次均值滤波，以去除图像中的噪声，再对检测图片进行归一化，像素值取值范围控制在[-1,+1]之间；(3)对检测图像构建图像金字塔，尺度变换分为6个等级：[0.5,0.6,0.7,0.8,0.9,1.0]，便于多尺度检测车辆；(4)将CNN-OP车辆检测器分为两部分：特征提取器和分类器，特征提取器包括网络前端的输入层、卷积层和降采样层，分类器包括网络后端的全连接层，然后利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；(5)根据设定的窗口大小(此窗口尺寸是待检测车辆的实际尺寸的六分之一或者四分之一)，同时扫描第二阶段降采样层生成的多张特征图，将窗口中的特征值串连在一起，形成特征向量；(6)利用CNN-OP车辆检测器的分类器对特征向量进行分类，如果分类器输出值大于设定的阈值0.8，则判定该窗口对应在检测图像中的区域包含车辆，否则判定为背景；(7)待CNN车辆检测器对所有金字塔层的图像检测完后，使用非最大压制的方法合并所有相交的检测结果，在检测图像中画出车辆检测结果，并将结果输出，完成车辆检测。

车辆检测完成后，在Caltech101数据集和MIT交通场景数据集上测试CNN车辆检测器。Caltech101数据集只有侧面车辆的测试图片，每张图片只有一个车辆且场景简单，而MIT交通场景数据集包含了多种视角的车辆，车流量大且场景复杂。在每张图片的平均误报为0.25的情况下，CNN侧面车辆检测器在Caltech101数据集上达到了95.1％的检测准确度；在每张图片的平均误报为1的情况下，在MIT交通场景数据集上整合三种车辆检测器的结果，准确率达到了81.3％，证明本发明的检测方法能够提高***的检测速度和检测准确率。

Claims (4)

1.一种基于卷积神经网络的车辆检测方法，其特征在于：包括离线训练、离线优化和在线检测三个阶段，所述的离线训练阶段包括以下步骤：

S1：收集车辆样本和非车辆样本，并对车辆样本进行分类；

S2：对车辆样本和非车辆样本进行预处理：根据设定的样本尺寸，对车辆样本随机地进行水平翻转、平移变换、尺度变换和旋转变换，以增加车辆样本数量，对非车辆样本进行尺度变换，然后对所有样本就行归一化处理；

S3：训练CNN车辆检测器：采用BP算法训练CNN车辆检测器，每次迭代采用最小批的方式计算网络误差和更新权重，当在验证集上正确率不再提高时终止网络训练，获得CNN车辆检测器；

所述的离线优化阶段包括以下步骤：

S4：计算特征图的平均相似度表；

S5：构建相似特征图组：运用层次分析法分析平均相似度表，建立阶梯层次结构，根据设定的阈值将特征图划分为多个特征图组，每组包含相似的特征图；

S6：合并相似特征图，将非保留特征图的后向连接合并到保留特征图的后向连接上，进行优化，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器；

所述的在线检测阶段包括以下步骤：

S7：获取检测图片：从监控摄像头、硬盘录像机或者本地视频中获取检测图片；

S8：对获取的检测图片进行预处理：将检测图片进行均值滤波后进行归一化处理；

S9：对检测图片构建图像金字塔；

S10：特征提取：利用CNN-OP车辆检测器的特征提取器对整个检测图像进行特征提取，通过多次卷积和降采样形成多张特征图；

S11：扫描特征图：根据设定的窗口大小，同时扫描最后降采样层生成的多张特征图，将窗口中的特征值串连在一起，形成特征向量；

S12：特征分类：利用CNN-OP车辆检测器的分类器对特征向量进行分类，如果分类器输出值大于设定的阈值，则判定该窗口对应在检测图像中的区域包含车辆，否则判定为背景；

S13：合并检测窗口并输出：待所有金字塔层都检测完后，采用非最大压制的方法合并所有相交的检测结果，在检测图像中画出车辆检测结果，并将结果输出，完成车辆检测。

2.根据权利要求1所述的一种基于卷积神经网络的车辆检测方法，其特征在于：所述的步骤S1包括以下子步骤：

S1-1：从网络上或者自己拍摄的车辆视频中截取大量车辆的样本，组成车辆样本集，车辆样本集包含了车辆的各个视角；

S1-2：按照车辆样本的长宽比，用K-means算法分为三类：正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本，针对这三类车辆样本分别训练三个车辆检测器。

3.根据权利要求1所述的一种基于卷积神经网络的车辆检测方法，其特征在于：所述的步骤S4计算特征图的平均相似度表包括以下子步骤：

S4-1：对每个车辆样本，计算它在已训练完成的CNN检测器中降采样层的特征图，计算方法为：交替地包含卷积层和降采样层，执行卷积、降采样和非线性变换，从低层到高层逐阶段地进行，假定第k阶段输入和输出的特征图集合表示为和其中R^k-1和R^k分别表示x^k和z^k中特征图的数量，因为每个阶段都有一个卷积层和一个降采样层，因此在这两层之间的特征图集合表示为在卷积层，特征图的计算公式为：

$y_n^k=\mathrm{sigm}(\underset{m=1}{\overset{R^{k-1}}{\mathrm{\Σ}}}{x}_m^k\⊗f_{\mathrm{nm}}^k+b_n^k)$

其中，表示特征图与卷积核之间的卷积操作，表示偏移量，sigm(·)为sigmoid激活函数，在卷积层之后，降采样层无重叠地用一个固定大小的均值核扫描特征图形成第k阶段降采样层对应的特征图

$z_n^k=\mathrm{subsampling}\left(y_n^k\right)$

特征图集合z^k作为下一个阶段的输入，按照同样的方式提取更高层的特征；

S4-2：计算降采样层特征图之间的余弦相似度，形成单个样本的相似度表φ^k：

${\mathrm{\φ}}^k(p,q)=\cos (z_p^k,z_q^k)=\frac{|z_p^k*z_q^k|}{\left|\right|z_p^k\left|\right|\·\left|\right|z_q^k\left|\right|}$

其中，p和q为降采样层特征图的索引，相似度表的长和宽为降采样层特征图数量；

S4-3：累加所有车辆样本的相似度表，求均值，获得采样层特征图的平均相似度表

${\stackrel{\‾}{\mathrm{\φ}}}^k=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_i^k$

其中，N表示车辆样本的总数量。

4.根据权利要求3所述的一种基于卷积神经网络的车辆检测方法，其特征在于：所述的步骤S6包括以下子步骤：

S6-1：如果特征图组仅包含一张特征图，则不做合并；如果特征图组包含多张特征图，则随机选择其中的一张特征图作为保留特征图，其余作为非保留特征图，设和是第k阶段的相似特征图，选择保留特征图则第k+1阶段的特征图表示为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+z_q^k\⊗f_{\mathrm{rq}}^{k+1}+...+b_r^{k+1})$

由于 $z_p^k\≈z_q^k,$ 得到：

$y_r^{k+1}\≈\mathrm{sigm}(...+z_p^k\⊗(f_{\mathrm{rp}}^{k+1}+f_{\mathrm{rq}}^{k+1})+...+b_r^{k+1})$

令那么上式整理为：

$y_r^{k+1}=\mathrm{sigm}(...+z_p^k\⊗f_{\mathrm{rp}}^{k+1}+...+b_r^{k+1});$

S6-2：删除非保留特征图的前向连接，包括对应的卷积层连接和降采样层连接；

S6-3：根据S6-1的计算方法将非保留特征图的后向连接合并到保留特征图的后向连接上，完成当前阶段的优化工程，当所有阶段的优化全部完成后，获得优化的CNN车辆检测器，称为CNN-OP车辆检测器。