[发明专利]一种基于深度学习的车辆检测算法、设备及存储介质

权利要求书

1.一种基于深度学习的车辆检测算法，其特征在于，所述算法包括数据准备、模型训练和预测阶段，其中，

数据准备阶段，其包括：

从视频图像中获取原始图像；

对部分原始图像进行处理；以及

人工标记，其包括：对所述部分原始图像进行逐像素人工标记；和对所述部分原始图像中部分区域进行位置和类别标记，以获得相应标记数据，作为训练阶段的模型学习数据；

模型训练阶段，其包括构建分割和检测协同模型，并训练所述分割和检测协同模型，所述训练阶段包括：

从所述部分原始图像中提取特征，获得特征图；

分割阶段，利用卷积和最接近原则插值处理所述特征图并作为分割结果，其中，所述分割结果的尺寸与输入图的尺寸一致；

检测阶段，利用特征金字塔网络FPN卷积和回归处理所述特征图，获得检测框的位置及标签作为检测结果；

利用损失函数计算回归检测结果与人工标记的结果之间的损失，更新权值，获得训练后的所述分割和检测协同模型；

预测阶段，其包括：将选自监控视频的部分帧数的图像输入所述训练后的分割和检测协同模型，所述训练后的分割和检测协同模型对待检测图像进行自动分割和预测。

2.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，所述车辆检测算法中，所述部分区域包括车厢、车牌、车门或车灯。

3.根据权利要求2所述的基于深度学习的车辆检测算法，其特征在于，所述分割和检测协同模型包括Resnet骨架、FCN和FPN。

4.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，所述人工标记是针对任意一个所述部分原始图像中的至少一个部分区域进行标记，以分别获得一组包括一个或多个部分区域标记信息的人工标记图像数据。

5.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，对所述部分原始图像进行处理获得一组增广图像，其中：通过帧差法从原始图像中筛选出所述部分原始图像；处理方式选用数据增广方式，其中所述数据增广方式选自中心旋转、高斯模糊、加噪、HSV通道颜色变换及它们的任意组合中至少一种。

6.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，所述人工标记采取逐像素标记获得一组像素标签数据，其中利用标记的部分区域边界上的多个顶点对所述部分原始图像做掩膜操作，在全图范围内，对标记的所述顶点构成的边界区域内部赋相应标签，背景赋‘0’，获得与原图大小一致的像素级标记图像。

7.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，在所述模型训练阶段，采用ResNet算法作为基本骨架，提取特征。

8.根据权利要求1所述的基于深度学习的车辆检测算法，其特征在于，所述分割采用全连接神经网络FCN算法进行；所述检测采用特征金字塔网络FPN算法进行。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-8中任一项所述的方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。