CN109766775A - 一种基于深度卷积神经网络的车辆检测*** - Google Patents

Abstract

本发明属于车辆检测技术领域，公开了一种基于深度卷积神经网络的车辆检测***，车辆识别器包括道路车辆摄像模块、车辆区域定位模块、图像预处理模块、车辆分割模块、车辆识别模块和输出模块；所述运动车辆识别器用于辅助车辆识别器检测运动状态的车辆；车辆识别器和运动车辆识别器共享同一个深度卷积神经网络，该深度卷积神经网络用于快速分割出道路上的车辆，并对车辆目标进行车辆分类，然后再给出这些车辆在道路图像中所占的空间位置信息。本发明提供一种检测精度较高、鲁棒性较高的基于深度卷积神经网络的车辆检测***。

Description

一种基于深度卷积神经网络的车辆检测***

技术领域

本发明属于车辆检测技术领域，尤其涉及一种基于深度卷积神经网络的车辆检测***。

背景技术

目前，车辆检测是目标检测的一个分支研究方向，在智能交通管理、智慧城市、车联网等城市建设应用中都有至关重要的地位。随着计算机视觉研究的迅速发展，目标检测研究近年内取得了重大突破，基于深度学习的检测算法已成为主流检测算法，车辆检测研究也逐渐向深度学习方向靠拢。而广泛普及的高质量低成本道路摄像头一方面为实现智能化车辆检测提供了数据基础，另一方面也使得提高车辆检测速度与准确度的需求更加迫切。传统的车辆检测技术在检测过程中实时性较差，速度慢；因环境的变化影响较大，鲁棒性较差；且测量准确率不高，不能满足使用的要求。

综上所述，现有技术存在的问题是：

传统的车辆检测技术在检测过程中实时性较差，速度慢；因环境的变化影响较大，鲁棒性较差；且测量准确率不高，不能满足使用的要求。

传统的车辆检测技术分为基于运动的车辆检测和基于图像特征的车辆检测，前者主要有基于感知器的检测方法、帧差法和光流法，后者则基于静态图像中车辆特征，主要依赖于图像像素。

其中基于感知器的车辆检测方法对车辆目标距离和环境光线有较强不变性，具有更强的对天气、环境的适应能力和目标探测能力，但其探测到的目标不具备语义信息，无法检测静止车辆，需要引入视觉信息对目标进行验证，且抗噪性能较差，且设备要求较高。而帧差法对光照等的环境因素的变化较为敏感，难以区分粘连目标；光流法易受噪声影响，且真实场景往往无法满足光流场基本方程中灰度守恒的假设条件。

传统的基于图像特征的车辆检测采用统计特征、视觉特征、变换系数特征及代数特征等显著特征匹配待测图像中的目标车辆，如车辆底部阴影、车辆对称性、车辆纹理、车辆水平/垂直边缘和颜色空间，图像金字塔、Haar-like特征、LBP(Local Binary Pattern)特征、SURF(Speed Up Robust Features)特征等都是常用的车辆特征。单独使用某种特征往往无法取得较好的检测效果，实际应用中常常将多种特征融合。但即便如此，以上人工特征也无法全面准确地契合各种车辆目标，准确率较低，且这些特征往往计算量庞大，速度较慢无法达到实时检测效果。

传统的车辆检测技术在实时性、准确率和鲁棒性三个方面无法完全满足实际应用需求，而深度学习通过自主性学习能过获取全面准确的车辆特征，适应性强，鲁棒性高，尽管训练较为耗时，测试时间却大大缩小，能够检测静态及运动的车辆目标，更符合实际应用需求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度卷积神经网络的车辆检测***。

本发明是一种基于深度卷积神经网络的车辆检测***，所述基于深度卷积神经网络的车辆检测***，包括安装在道路行车线上方的高清摄像机、交通云服务器、车辆识别器、运动车辆识别器；

基于深度卷积神经网络的车辆检测***分为两个阶段——训练阶段和测试阶段。训练阶段将带有车辆标签的训练样本图像集投入深度卷积神经网络，并设置两个损失函数——位置回归损失函数和车辆分类损失函数，通过梯度的反向传播自主更新网络权值参数，一步步减小网络损失值，最终得到一个网络模型。测试阶段将待测试图像投入这个网络模型，得到该图像预测的车辆目标位置和车辆分类。其中线下训练阶段需要准确大量图像数据集并经过上万次迭代训练，较为耗时。测试阶段即***使用阶段，投入图像直接得到预测结果，帧率达到50fps以上，满足实际应用的实时性需求。

所述车辆识别器包括车辆原始图像模块、车辆区域定位模块、图像预处理模块、车辆分割模块、车辆识别模块和输出模块。

进一步，所述运动车辆识别器用于辅助车辆识别器检测运动状态的车辆。

进一步，车辆识别器和运动车辆识别器共享同一个深度卷积神经网络，该深度卷积神经网络用于快速分割出道路上的车辆，并对车辆目标进行车辆分类，然后再给出这些车辆在道路图像中所占的空间位置信息。

进一步，将深度卷积神经网络框架SSD应用于道路车辆检测，结合VGG形成新的网络结构，实现端到端的实时检测；通过二次迁移学习在VOC数据集和小样本道路车辆数据集上微调网络较高层的权值参数，增强模型的特征表示能力。

本发明将深度卷积神经网络框架SSD应用于道路车辆检测，结合VGG形成新的网络结构，实现端到端的实时检测；通过二次迁移学习在VOC数据集和小样本道路车辆数据集上微调网络较高层的权值参数，增强模型的特征表示能力，增强鲁棒性、准确度。其中车辆识别器和运动车辆识别器共享同一个深度卷积神经网络。

附图说明

图1是本发明实施例提供的基于深度卷积神经网络的车辆检测***控制流程图；

图2是本发明实施例提供的基于深度卷积神经网络的车辆检测***的车辆识别器控制流程图；

图中：1、高清摄像机；2、交通云服务器；3、车辆识别器；4、运动车辆识别器；5、原始图像模块；6、图像预处理模块；7、车辆区域定位模块；8、车辆分割模块；9、车辆识别模块；10、车辆输出模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的基于深度卷积神经网络的车辆检测***，包括安装在道路行车线上方的高清摄像机1、交通云服务器2、车辆识别器3、运动车辆识别器4；

所述车辆识别器包括道路车辆图像模块5、图像预处理模块6、车辆区域定位模块7、车辆分割模块8、车辆识别模块9和车辆输出模块10。

高清摄像机1——实时获取道路车辆图像

交通云服务器2——动态传输待检测道路车辆图像和预测结果

车辆识别器3——识别待检测图像中的各种车辆及对应车辆

运动车辆识别器4——根据车辆目标运动特性判断多个连续帧中的车辆目标是否运动，并标识出运动车辆目标

道路车辆图像模块5——存储交通云服务器2中传输的待检测车辆图像

车辆区域定位模块6——根据点位不同截取对应的检测区域

图像预处理模块7——图像增广，包括：

(1)使用原始图像；

(2)取原始图像的一部分，这部分与图像中车辆目标的最小杰卡德(jaccard)相似系数∈{0.1，0.3，0.5，0.7}；

(3)取原始图像的一部分，这部分与图像中车辆目标的最大杰卡德(jaccard)相似系数为0.5；

完成上述取样步骤后，将每一个样本以0.5的概率进行水平翻转，并随机对部分图像作扭曲变换处理。

车辆分割模块8——分隔检测区域中的车辆目标和背景，得到车辆目标位置

车辆识别模块9——识别检测到的车辆目标所属车辆

输出模块10——输出检测区域中车辆目标的包围框左上角和右下角坐标及所属车辆。

作为本发明的优选实施例，所述运动车辆识别器4用于辅助车辆识别器3检测运动状态的车辆。

作为本发明的优选实施例，车辆识别器3和运动车辆识别器4共享同一个深度卷积神经网络，该深度卷积神经网络用于快速分割出道路上的车辆，并对车辆目标进行车辆分类，然后再给出这些车辆在道路图像中所占的空间位置信息。

本发明的工作原理：使用时，高清摄像机1放置于需要检测的位置，当有车辆经过时，高清摄像机1拍照，将照片传输给车辆识别器3，车辆识别器3中的道路车辆图像模块5对图片进行储存，车辆区域定位模块6从模块5中获取的原始图像中截取对应检测点位的检测区域图像，并将待检测区域图像触底至预处理模块7，预处理模块7对图片进行预处理，然后将信息传递至车辆分割模块8，利用深度卷积神经网络分割出图像中的车辆目标，随后车辆识别模块9利用深度卷积神经网络对车辆分割模块中检测到的车辆目标进行分类，识别其属于何种车辆，最后车辆输出模块10输出结果。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种基于深度卷积神经网络的车辆检测***，其特征在于，所述车辆检测***包括安装在道路行车线上方的高清摄像机、交通云服务器、车辆识别器、运动车辆识别器；

所述车辆识别器包括道路车辆摄像模块、车辆区域定位模块、图像预处理模块、车辆分割模块、车辆识别模块和车辆输出模块；

道路车辆摄像模块获取监控摄像中的道路车辆视频帧，输出原始图像；

车辆区域定位模块从原始图像中截取对应点位的待检测区域图像；

图像预处理模块对待检测区域图像采样，并对样本进行随机翻转、扭曲操作；

车辆分割模块利用深度卷积神经网络获取车辆特征，分割检测区域道路车辆图像中的背景和车辆目标；

车辆分割模块利用深度卷积神经网络获取不同车辆车辆的特征，区分车辆分割模块中分割出的车辆目标所属车辆；

车辆输出模块输出车辆目标的空间位置和车辆分类信息。

2.如权利要求1所述的基于深度卷积神经网络的车辆检测***，其特征在于，所述运动车辆识别器用于辅助车辆识别器检测运动状态的车辆。

3.如权利要求1所述的基于深度卷积神经网络的车辆检测***，其特征在于，车辆识别器和运动车辆识别器共享同一个深度卷积神经网络；深度卷积神经网络基于目标检测框架SSD，采用VGG-16作为主网络结构，一共添加8个SSD层；采用网络中的6个卷积层用于多特征图预测，其中两个卷积层来自VGG，4个卷积层来自于SSD层；经过多次调参和训练，最终的网络模型有效获取了道路车辆特征。

4.如权利要求1所述的基于深度卷积神经网络的车辆检测***，其特征在于，将深度卷积神经网络框架SSD应用于道路车辆检测，结合VGG形成新的网络结构，实现端到端的实时检测；网络权值在迭代的训练过程中不断更新，智能的学习到车辆目标像素的共有特征，并根据训练中标签车辆的分类，进一步学习到不同车辆各自的特征，最终模型可以从待检测区域图像中获取车辆目标的位置和所属车辆。

5.如权利要求1所述的基于深度卷积神经网络的车辆检测***，其特征在于，通过二次迁移学习在VOC数据集和小样本道路车辆数据集上微调网络较高层的权值参数。

6.如权利要求1所述的基于深度卷积神经网络的车辆检测***，其特征在于，对小目标车辆漏检问题，引入带横向连接的特征图金字塔，一定程度上增加了特征表示中的上下文信息；针对道路摄像头下各种车辆分布不均衡造成的车辆样本类间失衡的问题，提出用平衡的焦点损失函数代替交叉熵损失函数衡量目标的分类准确；

其中，带横向连接的特征图金字塔通过横向连接融合高低层特征图，在原网络的基础上添加额外的跨层连接，从较低层开始构建新的特征图金字塔，并过逆卷积^[i]对特征图上采样，然后将上采样后不同层级的特征图通过自上而下的路径和横向连接的方式融合，形成在所有尺度上通用的强语义信息尺度特征表示，增强了模型对小目标车辆的辨识度；

平衡的焦点损失函数公式如下：

FL(p_x)＝-α_x(1-p_x)γlog(p_t)；

其中α_x用于调节四种车辆样本间的不平衡，调制因子(1-p_x)^γ用于促使训练。