CN108629279A - 一种基于卷积神经网络的车辆目标检测的方法 - Google Patents
一种基于卷积神经网络的车辆目标检测的方法 Download PDFInfo
- Publication number
- CN108629279A CN108629279A CN201810257027.7A CN201810257027A CN108629279A CN 108629279 A CN108629279 A CN 108629279A CN 201810257027 A CN201810257027 A CN 201810257027A CN 108629279 A CN108629279 A CN 108629279A
- Authority
- CN
- China
- Prior art keywords
- rpn
- vehicle
- network
- target detection
- cnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于卷积神经网络的车辆目标检测的方法。传统车辆目标检测需要结合图像场景选择合适的特征。为此提出一种基于卷积神经网络的车辆目标检测的方法,此方法利用Faster R‑CNN算法进行车辆目标检测,避免了传统车辆目标检测中需要设计手工特征的问题,同时提高了准确性和鲁棒性。所述车辆目标检测方法包括以下步骤:A、定义车辆视觉任务;B、制作车辆图像训练集;C、确定共享卷积网络结构;D、改进Faster R‑CNN模型里的RPN网络结构;E、训练Faster R‑CNN模型,得到最终的车辆检测模型。F、利用新样本对车辆目标检测模型测试,得到新样本的检测结果。
Description
技术领域
本发明主要涉及人工智能应用领域,尤其是基于卷积神经网络的车辆目标检测的方法。
背景技术
车辆目标检测是一种在场景图像中指出车辆目标的研究问题。它是人工智能应用领域中一个很重
要的组成模块。近些年,在道路场景监控***,无人车***,智能停车缴费***中有着广泛的应用。所以,优化车辆目标检测问题有着重要的意义。
最近,有很多关于在静态场景中进行车辆目标检测的研究工作。他们用不同的方式试图更好地解决问题。通常,会提取手工特征,组合特征,分类。或者将车辆目标拆分成局部再进一步提取特征,以便得到更精确的检测结果。但是,手工设计特征进行提取,依赖于研究人员的经验,缺乏对问题的泛化能力,存储这些手工特征也需要一定的存储空间,再者,对分类器的选择也十分影响最后的检测效果。当问题变换检测目标,或者延伸到复杂场景中,传统方式将面临更加严峻的挑战。为了达到更好的检测效果,整个***框架将变得更加复杂。
任何的场景目标发现问题,都可以看作是一个和该目标相关的视觉任务。提出一种不依赖手工特征,在静态场景中进行车辆目标检测的方法。本发明的视觉任务是:检测在城市道路背景下的正面车辆。通过对视觉任务学习得到一种稳定的,与任务强相关的目标检测模型。将新的样本图像输入目标检测模型便可以得到检测结果。本发明将利用卷积神经网络的思想解决视觉任务的训练过程,利用Faster R-CNN算法解决车辆目标检测问题,为此后的车辆目标检测提供了高效、简洁的解决思路。
发明内容
本发明要解决的技术问题是提供一种基于卷积神经网络的车辆目标检测的方法,其特点在于,所述车辆目标检测方法包括以下步骤。
A、定义车辆视觉任务;
B、制作车辆图像训练集;
C、确定共享卷积网络结构;
D、改进Faster R-CNN模型里的RPN网络结构;
E、训练Faster R-CNN模型,得到最终的车辆检测模型;
F、利用新样本对车辆目标检测模型测试,得到新样本的检测结果。
优选的,所述步骤D中改进RPN网络结构包括以下步骤。
A、采用级联RPN网络的方式,即使用两个标准的RPN网络组合成的网络;
B、第一个RPN用滑动窗口得到的候选区作为Anchor;
C、第二个RPN用第一个RPN输出的候选区作为新的Anchor位置。
优选的,所述步骤E中训练Faster R-CNN模型包括以下步骤。
A、训练RPN网络,采用ImageNet模型进行初始化,训练只是采用标记好类别的样本,采用标准差0.01、均值为0的高斯分布随机初始化新增的层;
B、训练一个Fast R-CNN网络,仍然采用ImageNet模型进行初始化,但训练样本来自A中RPN网络产生的候选区域,训练样本中既有目标类别标签也有目标位置标签。此时,两个网络每一层的参数完全没有共享,都是各自独立训练的;
C、训练一个新的RPN网络,初始化数据来自B步中Fast R-CNN的网络参数,但把RPN、Fast R-CNN共享的卷积层的参数学习速率设置为0,也就是不更新这些共享卷积层,仅更新RPN网络中自身特有的网络层,此时,两个网络已经共享了所有共享的卷积层;
D、把Fast R-CNN特有的网络层加入进来一起训练,形成一个联合网络,但仍然固定共享的网络层,即微调Fast R-CNN特有的网络层,最终得到基于Faster R-CNN的车辆检测模型。
本发明的有益效果是。
能够快速的完成车辆目标检测,并且由于改进了RPN网络结构,使得所提取到的候选区位置的精准度明显提升,最终使车辆定位更精准。
本发明中采用Faster R-CNN网络模型进行车辆目标检测,并利用改进的RPN网络提取目标建议区域,不仅获得了较高的准确率,而且在不同的测试样本中展现了良好的泛化能力。
附图说明:
图1为本发明车辆目标检测的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,参照附图,对本发明进一步详细说明。
步骤S1:将城市道路背景下的正面车辆检测作为视觉任务。
步骤S2:选择合适的场景车辆图像样本,并对其作预处理,然后制作车辆训练集。
步骤S3:根据车辆训练集的图像数量以及图像的分辨率确定共享卷积网络结构。
步骤S4:采用网络级联的方式改进Faster R-CNN模型的RPN网络结构。
步骤S5:对Faster R-CNN模型进行训练,分为两步训练,RPN网络的训练和Fast R-CNN网络的训练。RPN网络得到目标区域的候选区域,Fast R-CNN网络用于目标检测。将经过车辆训练集和通过RPN 网络得到目标区域的候选区域图像输入到Fast R-CNN检测器中,进行模型的二次训练,最终得到车辆目标检测模型。
步骤S6:利用不同场景的新样本对车辆目标检测模型进行测试,得到新样本的检测结果。
Claims (3)
1.基于卷积神经网络的车辆目标检测的方法,其特征在于所述车辆目标检测方法包括以下步骤:
A.定义车辆视觉任务;
B.制作车辆图像训练集;
C.确定共享卷积网络结构;
D.改进Faster R-CNN模型里的RPN网络结构;
E.训练Faster R-CNN模型,得到最终的车辆检测模型;
F.利用新样本对车辆目标检测模型测试,得到新样本的检测结果。
2.根据权利要求书1所述的基于卷积神经网络的车辆目标检测的方法,其特征在于,步骤D中改进RPN网络结构包括以下步骤:
A.采用级联RPN网络的方式,即使用两个标准的RPN网络组合成的网络;
B.第一个RPN用滑动窗口得到的候选区作为Anchor;
C.第二个RPN用第一个RPN输出的候选区作为新的Anchor位置。
3.根据权利要求书1所述的基于卷积神经网络的车辆目标检测的方法,其特征在于,所述的步骤E中训练Faster R-CNN模型包括以下步骤:
A.训练RPN网络,采用ImageNet模型进行初始化,训练只是采用标记好类别的样本,采用标准差0.01、均值为0的高斯分布随机初始化新增的层;
B.训练一个Fast R-CNN网络,仍然采用ImageNet模型进行初始化,但训练样本来自A中RPN网络产生的候选区域,训练样本中既有目标类别标签也有目标位置标签;
此时,两个网络每一层的参数完全没有共享,都是各自独立训练的;
C.训练一个新的RPN网络,初始化数据来自B步中Fast R-CNN的网络参数,但把RPN、Fast R-CNN共享的卷积层的参数学习速率设置为0,也就是不更新这些共享卷积层,仅更新RPN网络中自身特有的网络层,此时,两个网络已经共享了所有共享的卷积层;
D.把Fast R-CNN特有的网络层加入进来一起训练,形成一个联合网络,但仍然固定共享的网络层,即微调Fast R-CNN特有的网络层,得到最终的车辆检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257027.7A CN108629279A (zh) | 2018-03-27 | 2018-03-27 | 一种基于卷积神经网络的车辆目标检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257027.7A CN108629279A (zh) | 2018-03-27 | 2018-03-27 | 一种基于卷积神经网络的车辆目标检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629279A true CN108629279A (zh) | 2018-10-09 |
Family
ID=63696435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810257027.7A Pending CN108629279A (zh) | 2018-03-27 | 2018-03-27 | 一种基于卷积神经网络的车辆目标检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629279A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549901A (zh) * | 2018-03-12 | 2018-09-18 | 佛山市顺德区中山大学研究院 | 一种基于深度学习的快速迭代目标检测方法 |
CN109685118A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法 |
CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
CN109902572A (zh) * | 2019-01-24 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的车辆检测方法 |
CN110263730A (zh) * | 2019-06-24 | 2019-09-20 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN110263719A (zh) * | 2019-06-21 | 2019-09-20 | 大庆安瑞达科技开发有限公司 | 基于大数据监控的人工智能油气田防范判别***与方法 |
CN110929632A (zh) * | 2019-11-19 | 2020-03-27 | 复旦大学 | 面向复杂场景的车辆目标检测方法及装置 |
CN110991337A (zh) * | 2019-12-02 | 2020-04-10 | 山东浪潮人工智能研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446150A (zh) * | 2016-09-21 | 2017-02-22 | 北京数字智通科技有限公司 | 一种车辆精确检索的方法及装置 |
CN106874913A (zh) * | 2016-12-29 | 2017-06-20 | 南京江南博睿高新技术研究院有限公司 | 一种菜品检测方法 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN107506792A (zh) * | 2017-08-16 | 2017-12-22 | 上海荷福人工智能科技(集团)有限公司 | 一种半监督的显著对象检测方法 |
CN107730881A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的交通拥堵视觉检测*** |
-
2018
- 2018-03-27 CN CN201810257027.7A patent/CN108629279A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446150A (zh) * | 2016-09-21 | 2017-02-22 | 北京数字智通科技有限公司 | 一种车辆精确检索的方法及装置 |
CN106874913A (zh) * | 2016-12-29 | 2017-06-20 | 南京江南博睿高新技术研究院有限公司 | 一种菜品检测方法 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN107730881A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的交通拥堵视觉检测*** |
CN107506792A (zh) * | 2017-08-16 | 2017-12-22 | 上海荷福人工智能科技(集团)有限公司 | 一种半监督的显著对象检测方法 |
Non-Patent Citations (1)
Title |
---|
朱明明等: ""改进基于区域的卷积神经网络的机场检测方法"", 《光学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549901A (zh) * | 2018-03-12 | 2018-09-18 | 佛山市顺德区中山大学研究院 | 一种基于深度学习的快速迭代目标检测方法 |
CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
CN109685118A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法 |
CN109902572A (zh) * | 2019-01-24 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深度学习的车辆检测方法 |
CN110263719A (zh) * | 2019-06-21 | 2019-09-20 | 大庆安瑞达科技开发有限公司 | 基于大数据监控的人工智能油气田防范判别***与方法 |
CN110263719B (zh) * | 2019-06-21 | 2020-12-08 | 大庆安瑞达科技开发有限公司 | 基于大数据监控的人工智能油气田防范判别***与方法 |
CN110263730A (zh) * | 2019-06-24 | 2019-09-20 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
US11341376B2 (en) | 2019-06-24 | 2022-05-24 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and device for recognizing image and storage medium |
CN110929632A (zh) * | 2019-11-19 | 2020-03-27 | 复旦大学 | 面向复杂场景的车辆目标检测方法及装置 |
CN110991337A (zh) * | 2019-12-02 | 2020-04-10 | 山东浪潮人工智能研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
CN110991337B (zh) * | 2019-12-02 | 2023-08-25 | 山东浪潮科学研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629279A (zh) | 一种基于卷积神经网络的车辆目标检测的方法 | |
CN110910378B (zh) | 一种基于深度融合网络的双模态图像能见度检测方法 | |
CN108830285B (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
CN103810699B (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN110705457A (zh) | 一种遥感影像建筑物变化检测方法 | |
CN106295714A (zh) | 一种基于深度学习的多源遥感图像融合方法 | |
CN110889398B (zh) | 一种基于相似度网络的多模态图像能见度检测方法 | |
CN105741267B (zh) | 聚类引导深度神经网络分类的多源图像变化检测方法 | |
CN107481188A (zh) | 一种图像超分辨率重构方法 | |
CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
CN107194924A (zh) | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 | |
CN111639524B (zh) | 一种自动驾驶图像语义分割优化方法 | |
CN104182985B (zh) | 遥感图像变化检测方法 | |
CN107680113A (zh) | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 | |
CN104954741B (zh) | 深层次自我学习网络实现矿车空满状态的检测方法和*** | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN105955708A (zh) | 一种基于深度卷积神经网络的体育视频镜头分类方法 | |
CN107085723A (zh) | 一种基于深度学习模型的车牌字符整体识别方法 | |
CN106228150A (zh) | 基于视频图像的烟雾检测方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN107194343A (zh) | 基于位置相关的卷积与Fire模型的红绿灯检测方法 | |
CN111260658B (zh) | 一种用于图像分割的深度强化学习方法 | |
CN115330653A (zh) | 基于边窗滤波的多源图像融合方法 | |
CN110119737A (zh) | 一种目标检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181009 |
|
WD01 | Invention patent application deemed withdrawn after publication |