[发明专利]一种基于微卷积神经网络的车辆实时检测方法

说明书

本发明公开了一种基于微卷积神经网络的车辆实时检测方法，所述的检测方法为：(1)对输入图像进行预处理，将其转化为灰度图像，并将该灰度图像的灰度值归一化到[0,1]之间或者[‑1,1]之间，并且重组到统一的大小；(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)若果没有降低，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。本发明使用7层卷积神经网络结构代替复杂的VGG‑16(用于大规模图像识别的深度卷积神经网络)，可以在普通机器上进行训练和测试自己的数据集，不需要拥有超高性能的GPU(图形处理器)等高性能计算设备，也不需要预训练网络，它可以从零开始进行训练和检测。

技术领域

本发明属于多媒体信号处理领域，具体涉及涉及一种基于微卷积网络的车辆实时检测方法。

背景技术

随着城市的发展，车辆的爆炸式增长，道路的复杂多变，我们开始越来越多的关注智能交通，无人驾驶技术的发展推动着目标检测的深入研究，无人驾驶技术落地化应用更需要目标检测的实时性。

目标检测在生活中其他多个领域中也有着广泛的应用，它提取图像中人们感兴趣或者关注的物体并识别出物体的类别和确定目标的位置。这是一种计算机视觉任务，也是计算机视觉领域中的一个有意义的研究方向。随着互联网，大数据时代的发展，越来越多的数据可以被人们清洗拿来使用，大量的图片数据加以利用可以使目标检测得到大的提升。

对于交通中的问题，随着社会的进步和发展，每天都会产生大量的交通图片和车辆图片，将这些图片加以使用，再提高目标检测的实时性，可以大大降低交通事故的发生率，改善交通治安，因此在保证一定精度的基础上，在普通机器上提高目标检测的实时性尤为关键。

深度学习技术在近些年里得到了迅速的发展，越来越多的传统算法在准确率和精度上被深度学习超越，目标检测就是深度学习在计算机视觉领域内的一大分支，也有越来越多的目标检测算法被大家提出和研究，但真正落地化的算法却很少，因为研究所用深度网络结构过于复杂，训练时不易收敛，而且真正进行使用时需要高性能图形处理器(GPU)加以支撑，不能在普通机器上达到实时性的要求。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种即可确保精度和准确性，又可在普通性能的GPU机器上进行训练和测试，并提高车辆在实际场景中的实时性检测的基于微卷积神经网络的车辆实时检测方法。

技术方案：一种基于微卷积神经网络的车辆实时检测方法，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。

进一步，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；

进一步，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；辅助预测回归包括4层分类层和4层定位层；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；

进一步，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；