[发明专利]一种基于深度学习的航拍公路车辆计数方法及装置

权利要求书

1.一种基于深度学习的航拍公路车辆计数方法，其特征在于，具体包括以下步骤：

S1、获取多种成像条件下的航拍公路车辆样本图像组成样本库，并对所述样本库中的航拍公路车辆样本图像进行预处理；

S2、构建深度神经网络模型，利用预处理后的航拍公路车辆样本图像训练构建的深度神经网络模型；

S3、使用所述深度神经网络模型对待检测航拍公路车辆图像进行检测，输出检测的公路与车辆对象识别概率、对象位置、对象区域分割；

S4、根据识别的公路与车辆结果，对位于公路区域中的车辆计数，输出计数结果;

步骤S2中，构建的深度神经网络模型其网络结构包括基础主干网络与头部任务网络；

基础主干网络包括：

全局图像特征提取子网络，由若干卷积层、池化层组成，用于提取图像由浅至深的深度特征图；

候选目标位置提名子网络，由若干卷积层、输出层组成，通过在深度特征图上滑动预设大小与步长的窗口，对不同窗口下的特征图进行判别，输出目标的候选位置；

目标尺度适配子网络，由多个池化层组成，将提名的不同尺度大小的窗口对应的特征图进一步提取为固定维度的特征图，以满足头部任务网络全连接层对输入数据需要固定维度大小的要求；

头部任务网络包括：

车辆识别子网络，由多个全连接层组成，对提名的候选目标窗口特征图是否为车辆目标进行识别，输出该窗口在原图中的位置，以及识别概率，即车辆在图像中的位置与车辆的识别概率；

车辆分割子网络，由多个卷积层组成，对提名的候选目标窗口特征图进行像素级分割，输出每个像素为车辆的概率，形成车辆分割掩膜热力图，即车辆的分割掩膜；

公路识别子网络，由多个全连接层组成，对提名的候选目标窗口特征图是否为公路目标进行识别，输出该窗口在原图中的位置，以及识别概率，即公路在图像中的位置与公路的识别概率；

公路分割子网络，由多个卷积层组成，对提名的候选目标窗口特征图进行像素级分割，输出每个像素为公路的概率，形成公路分割掩膜热力图，即公路的分割掩膜。

2.根据权利要求1所述基于深度学习的航拍公路车辆计数方法，其特征在于，步骤S2中，所述深度神经网络模型的训练步骤具体包括：

S21、对预处理后的样本库中的样本图像进行标注，获取带有标记的航拍公路车辆样本图像，并获取各带有标记的航拍公路车辆样本图像的标记结果；

S22、利用预设初始参数的深度神经网络模型对带有标记的航拍公路车辆样本图像进行分类、分割，获取带有标记的航拍公路车辆样本图像的输出结果；

S23、根据所述深度神经网络模型的输出结果与标记结果之间的误差按从后至前的方式反向逐层传播至整个所述深度神经网络模型，更新深度神经网络模型的所有参数；

S24、读取新的带有标记的航拍公路车辆样本图像，利用更新参数的深度神经网络模型对新的带有标记的航拍公路车辆样本图像进行分类、分割；

S25、判断是否满足收敛条件或停止条件，若满足则停止训练，若不满足，回到步骤S23，继续训练。

3.根据权利要求1或2所述基于深度学习的航拍公路车辆计数方法，其特征在于，步骤S3中:

所述公路与车辆对象识别概率包括公路的识别概率与车辆的识别概率;

所述对象位置包括公路在图像中的位置与车辆在图像中的位置;

所述对象区域分割包括公路的分割掩膜与车辆的分割掩膜。