[发明专利]基于传统算法和深度学习算法级联的车辆检测方法及系统

说明书

技术领域

本发明涉及车辆检测技术领域，尤其涉及基于传统算法和深度学习算法级联的车辆检测方法及系统。

背景技术

随着深度学习算法的兴起，与图像相关的人脸识别、目标检测分类等问题得到了很好的解决，相对传统的机器学习算法，深度学习极大的提升了图像算法的性能，使得之前很多解决起来有挑战的问题看到了解决的希望，拓展了图像在我们生活场景中的应用边界。无人车作为下一个从科幻步入现实的问题，成为了我们需要解决的难题和挑战。ADAS算法在无人车中扮演着关键的角色。

车辆检测作为ADAS主要功能之一，需要对视频图像中的车辆目标进行实时分析，通过定位前方车辆的位置，测算距离本车的安全距离，来及时的给司机提供预警。

车辆检测算法可以分为基于传统机器学习的方法和基于深度学习的方法两大类：

1)传统机器学习算法的车辆检测

基于滑动窗口的，通过固定的窗口来图像上进行遍历扫描，基于手工设计的特征和分类器来判定当前的窗口目标是否包含车辆目标；

2)基于深度学习的车辆检测算法

基于深度学习的检测算法，也细分为两类：

一种是与传统的目标检测算法类似，基于滑动窗口的算法，在图像上按固定的窗口进行扫描，提取窗口目标的CNN特征进行判定该目标是否为车辆，相对传统机器学习来说，仅仅是将特征由手工设计的特征变成了表征能力更为强大的CNN；

另一种是先提取粗糙的备选目标窗口，再对备选的目标进行更为精细的分类，特别是在精细分类上，利用了CNN作为特征。这一脉算法以RCNN[1]，fast RCNN[2]，faster RCNN[3]为代表进行演化，在GPU上做到了10fps以上的速度和很高的目标检测性能。在这样的两级架构下，为了进一步提速，出现了更加高级的深度学习架构，通过将前后两级架构进一步融合，得到了端到端的深度学习目标检测框架，以SSD[4]、YOLO[5]等算法为代表。

基于传统机器学习算法进行车辆检测，受限于手工设计的特征不够强大，导致检测性能不够好。并且为了进一步的提升检测性能，需要进行大量的实验，来进行特征的设计。

而基于深度学习的算法，虽然可以做到很高的性能指标，但是需要GPU资源，限制了深度学习在更加广泛的嵌入式、手机等设备上的应用。由于GPU的功耗相对较高，嵌入式或手机上没有或很少有GPU资源可以调用。并且网络的深度也导致模型的大小增加，需要调用更多的内存资源，这对于手持设备来说，资源消耗太大。现阶段专用的低功耗神经网络芯片已经在研制中，但是距离落地还有很长的路。如何在现阶段将深度学习在嵌入式设备上进行落地，是一个很大的挑战。

发明内容

本发明提供了一种基于传统算法和深度学习算法级联的车辆检测方法，包括如下步骤：

第一级处理步骤：通过第一级的机器学习算法进行车辆检测，得到备选目标窗口；

第二级处理步骤：通过第二级的深度学习算法，对提取到的备选目标窗口进行分类。

作为本发明的进一步改进，所述机器学习算法为ACF算法。

作为本发明的进一步改进，在所述第一级处理步骤中首先输入图像、然后划窗、聚和通道特征、关键层金字塔其它层插值，然后采用Adaboost算法进行分类，最后输出检测结果。

作为本发明的进一步改进，第二级的深度学习算法包括CNN算法，并且采用CNN网络架构。

作为本发明的进一步改进，所述CNN网络架构包括8层，从第1层至第8层分别为：输入的32x32图像层、5x5步长为1的32个卷积核层、2x2的pooling层、3x3步长为1的64个卷积核层、2x2的pooling层、512维的FC全连接层、dropout层和最后的FC全连接输出层，FC全连接输出层给出当前的分类目标是否是车辆。

本发明还提供了一种基于传统算法和深度学习算法级联的车辆检测系统，包括：

第一级处理模块：用于通过第一级的机器学习算法进行车辆检测，得到备选目标窗口；

第二级处理模块：用于通过第二级的深度学习算法，对提取到的备选目标窗口进行分类。

作为本发明的进一步改进，所述机器学习算法为ACF算法。

作为本发明的进一步改进，在所述第一级处理模块中首先输入图像、然后划窗、聚和通道特征、关键层金字塔其它层插值，然后采用Adaboost算法进行分类，最后输出检测结果。

作为本发明的进一步改进，第二级的深度学习算法包括CNN算法，并且采用CNN网络架构。