[发明专利]一种基于SSD神经网络的驾驶场景车辆检测方法

说明书

本发明公开了一种基于SSD神经网络的驾驶场景车辆检测方法，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网络预训练模型；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；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。本发明可对前方车辆目标进行快速而准确的检测，是提升智能驾驶汽车的环境感知能力的有力措施。

技术领域

本发明涉及车辆检测领域，具体涉及一种基于SSD神经网络的驾驶场景车辆检测方法。

背景技术

人工智能技术的快速发展为汽车行业的发展提供了更多助力，汽车行业内，智能驾驶车得到了人们的重视。智能驾驶汽车的环境感知中，摄像头感知占据重要地位，目标检测技术也成为了其中的了关键技术。车辆在快速行驶下，对目标检测算法的速度提出了更多的要求。

在目标检测领域，如何在保持较好精度的同时，尽可能提升检测速度，一直是一个研究热点。传统机器学习方法主要在HOG(Histogram of Oriented Gradient,方向梯度直方图)或者Haar等人工特征的计算过程中进行加速运算，比如电子科技大学申请的“一种基于聚合通道特征和运动估计的车辆检测方法”(CN105138987A)，其利用积分图对特征进行加速运算，使得HOG特征的运算更加简便，配合支持向量机(Support Vector Machine,SVM)分类器，可以实现整体检测速度的加快。但是人工特征适应性差的缺点使得检测准确率无法满足要求。深度学习技术发展很快，在图形处理领域取得了很大的成功，其特征表示能力很强，更重要的是，它可以使用GPU进行加速运算。这些特性使得深度学习方法更有可能获得准确而快速的检测效果。Faster R-CNN网络使用区域生成网络(Region ProposalNetworks，RPN)来提取大量候选区域，然后对候选区域进行分类和回归，得出最终检测结果。该方法能取得较高的检测精度，但是运行速度过慢且内存消耗较为庞大，限制了其应用场景。YOLO(You Look Only Once)网络依据端到端的思想，使用7×7的网格进行回归计算，其检测速度很快但检测精度很难得到提升。SSD(Single Shot MultiBox Detector)网络在检测速度和精度的综合性能上表现优异，其检测速度还有进一步的提升空间。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种基于SSD神经网络的驾驶场景车辆检测方法。

为实现上述目的及其他目的，本发明提供一种基于SSD神经网络的驾驶场景车辆检测方法，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。

优选地，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；