[发明专利]一种基于微卷积神经网络的车辆实时检测方法

权利要求书

1.一种基于微卷积神经网络的车辆实时检测方法，其特征在于：所述的检测方法具体步骤如下：

(1)对输入图像转化为灰度图像，并将灰度图像中的每一个像素点的灰度值归一化到[0,1]之间或者[-1,1]之间，并重组到相同大小；

(2)将步骤(1)所得到的图像数据，输入到7层微卷积神经网络中，训练该微卷积神经网络，生成不同尺度的预测框进行类别预测和回归目标位置；

(3)训练记录每个迭代的训练集上的误差和验证集上测试误差；

(4)判断连续5个迭代验证集上损失是否降低，如果降低，返回步骤(2)若没有降低，终止训练，保存所述的7层微卷积神经网络的参数，并查看特征提取效果；

所述的7层微卷积神经网络包括主网络和辅助预测回归，其中，主网络包括7层特征提取卷积层分别为特征提取卷积层conv1,特征提取卷积层conv2，特征提取卷积层conv3,特征提取卷积层conv4，特征提取卷积层conv5,特征提取卷积层conv6，特征提取卷积层conv7；

辅助预测回归包括有4层分类层和4层定位层，分别为分类层classes4，分类层classes5，分类层classes7以及分类层classes7；定位层boxes4，定位层boxes5，定位层boxes6，定位层boxes7，辅助预测回归设置在7层微卷积神经网络的后四层特征提取卷积层上，每一特征提取卷积层对应一分类层和一定位层；

回归目标位置的算法包括：对于窗口使用四维向量(x,y,w,h)来表示，设P为原始的建议框，G表示代表目标的真实框，目标是寻找一种关系使得输入原始的窗口P经过映射得到一个跟真实窗口G更接近的回归窗口T，边框回归目的是，给定(P_x,P_y,P_w,P_h)找到一个映射f，使

f(P_x,P_y,P_w,P_h)＝(T_x,T_y,T_w,T_h)

(T_x,T_y,T_w,T_h)≈(G_x,G_y,G_w,G_h)

(1)先做平移(△x,△y)，△x＝P_wd_x(P)，△y＝P_hd_y(P)：

T_x＝P_wd_x(P)+P_x

T_y＝P_hd_y(P)+P_y

(2)再做尺度缩放(S_w,S_h)，

边框学习的就是(d_x(P),d_y(P),d_w(P),d_h(P))这四个变换。

2.根据权利要求1所述的一种基于微卷积神经网络的车辆实时检测方法，其特征在于：在步骤(1)中，通过线性插值算法，双线性二次插值算法以及最近邻插值算法对所述的灰度图像统一到相同大小。

3.根据权利要求1所述的一种基于微卷积神经网络的车辆实时检测方法，其特征在于：在步骤(2)中，所述的7层微卷积神经网络的训练直接从零开始训练。

4.根据权利要求1所述的一种基于微卷积神经网络的车辆实时检测方法，其特征在于：在步骤(2)中，对所述的7层微卷积神经网络的参数进行初始化。