[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

说明书

本申请涉及一种基于深度学习的车辆检测算法、设备及存储介质。该算法包括：数据准备阶段；模型训练阶段，构建检测和分割协同模型：利用深度学习网络从原始图像中提取特征，获得一组特征图；将获得的特征图卷积、插值，回归获得和原始图像尺寸一致的分割图，将获得的特征图再卷积，回归得到检测框及标签；利用损失函数计算回归获得的结果与人工标记的结果之间的损失，更新权值，并最终获得模型；预测阶段，将选自监控视频的部分帧数图像输入所述训练模型，即可进行分割和检测。该算法设计简单、效率高、可重复性高、适应性强。

技术领域

本申请属于计算机视觉领域，涉及图像中物体的语义分割和检测，具体涉及一种基于深度学习的车辆检测算法、设备及存储介质。

背景技术

现有的车辆检测方法主要有两类，一类是基于传统视觉方法搭建的模型，以显著边界或者特定颜色区域等特征，进行车辆检测；另一类是利用特殊化学元素标记，通过配套的仪器扫描，得到化学元素标记区域，即车辆区域。

而传统车辆检测方法存在的主要问题在于，物流环境嘈杂，车辆颜色、形状不统一，而且很容易受到生产作业中的人和货物等应用场景中其它物体的干扰，因此，基于传统视觉算法的检测方案容易受环境光、背景等影响，在复杂的应用场景下，准确率、效率等检测效果不尽如人意。除此之外，传统视觉算法及设计策略需要囊括各种多变的背景及附加情况，不仅算法复杂、模型也需要包括各种情况，亦非常复杂；而基于化学标记的方式，不仅需要预先对待检测车辆进行额外的标记，还需要配套扫描分析设备才能进行识别。

而不同场景下车辆的检测与识别，语义分割和识别、端到端的解决技术方案，步骤复杂容易产生误差累积、效率低等诸多不足之处，以待改进。

鉴于现有技术中的上述缺陷或不足，本申请的发明者期望提供一种基于更优化的全卷积神经网络模型快速且准确的识别车辆的算法及设备，尤其是车辆识别中的车辆上部分区域的分割和检测算法，克服了上述现有技术不足，仅通过图像，无需额外的人工干预和复杂的策略设计，就可以实现图像的语义分割与检测，即实现对车辆的智能测定。

发明内容

基于上述目的，本申请创新性地从复杂背景中定位并切分出车辆的特定区域，例如车厢、车牌，以及车厢的开关门状态，以便于更好的识别车辆状态和挖掘车辆信息或行为；同时，构建一种检测和分割协同模型，利用Resnet为基本骨架的全卷积神经网络模型提取图像特征，卷积和最接近原则插值分割图像，而且利用特征金字塔网络FPN对ResNet获得的特征进行卷积，回归得到目标的位置和标签优化权值，训练产生识别模型，由此仅需要输入图像一次，就可以获得目标物体检测和语义分割两组结果，相比其他方法，效率大幅度提升，对于自动驾驶、行为检测、车牌OCR识别等应用很重要。

第一方面，本申请提供了一种基于深度学习的车辆检测算法，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，以获得相应人工标记数据，作为训练阶段的模型学习数据；

模型训练阶段，其包括：

从所述部分原始图像中提出特征获得特征图；

分割阶段，利用卷积和最接近原则插值处理所述的特征图，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方法，卷积和回归处理所述特征图，获得检测框的位置及标签；

利用损失函数计算回归获得的结果与人工标记的结果之间的损失，更新权值，并获得训练后具有优化参数的分割和检测协同模型；