[发明专利]一种基于SSD神经网络的驾驶场景车辆检测方法

权利要求书

1.一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，包括以下步骤：

构造数据集并将数据集分为训练集和测试集；

在Caffe深度学习框架的基础上，将SqueezeNet作为特征提取网络；选取并合并SqueezeNet网络的6个待检测卷积层，在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层，完成训练网络模型的搭建；

对训练网络模型进行初始化得到预训练模型；

利用预训练模型，在制作好的数据集上，使用DSD方法进行多轮训练，得到最终的训练模型；采集前方图像并输入最终的训练模型中，然后使用非极大值抑制算法去掉多余检测框，得到检测结果。

2.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，所述的构造数据集并将数据集分为训练集和测试集的具体方法为：

获取大量不同道路场景下的行车视频，然后以一定帧率抽取图片，将所有图片按一定比例分为训练集和测试集；

对所有图像中的汽车目标进行标注，具体的标注信息包括图像中目标的类别和包围该目标边界框的坐标值；

对训练集的图像进行预处理。

3.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，所述的在Caffe深度学习框架的基础上，将SqueezeNet作为特征提取网络；选取并合并SqueezeNet网络的6个待检测卷积层，在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层，完成训练网络模型的搭建具体方法为：

将SqueezeNet作为特征提取的基础网络；

抽取SqueezeNet网络中的6个特征层作为输入，构成多尺度检测结构。

将所述6个特征层构造统一的检测层，并在检测层后添加位置回归层和置信度判别层，完成网络搭建。

4.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，所述的对训练网络模型进行初始化得到网络预训练模型具体方法为：

使用ImageNet大规模分类数据集对SqueezeNet网络进行预训练得到网络预训练模型；

对网络预训练模型进行初始化。

5.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，所述利用网络预训练模型，在制作好的数据集上，使用DSD方法进行多轮训练，得到最终的训练模型的具体方法为：

在预训练模型的基础上，使用随机梯度下降法，对本发明所设计的最终网络模型进行第一轮训练，由于该网络结构完整，参数较多，因此也称之为稠密网络模型；

对第一轮训练后的模型的权值进行剪枝，减少其中较不重要的参数，将其转换成稀疏网络模型，然后进行第二轮训练，得到稀疏网络模型的权值；

将稀疏网络模型替换为原来的稠密网络模型，然后以第二轮训练的稀疏网络权值为基础，对所设计的稠密网络模型进行第三轮训练，得到最终的训练模型。

6.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法，其特征在于，所述的采集前方图像并输入最终的训练模型中，然后使用非极大值抑制算法去掉多余检测框，得到检测结果的具体方法为：

对于最终的训练模型，将BN层的运算合并到卷积层中；

将采集到的汽车前方图像作为最终的训练模型输入，得到若干目标的类别置信度和边框坐标；使用非极大值抑制算法去除多余的检测框，得到更准确的检测结果。