[发明专利]一种基于单目视觉与深度学习的道路目标检测识别方法

说明书

本发明属于道路车辆检测技术领域，公开了一种基于单目视觉与深度学习的道路目标检测识别方法；将深度卷积神经网络应用于车辆检测，全面丰富地学习静态图像中车辆特征，实现了基于图像特征的准确快速的道路车辆检测，对遮挡、截断、光线变化、阴影等常见的干扰情况均有较强的健壮性，摒弃了二段式卷积神经网络检测器中繁琐的区域推荐步骤，通过卷积实验确定可能的包围框的位置和大小，且各分类在训练阶段共享置信度，大大削减了参数数量。本发明在预测阶段结合不同层级的多个特征图进行预测，增加网络模型的语义表达能力，最终检测结果的准确度和速度均优于同样实验条件下二段式基准检测器Faster R‑CNN的检测效果。

技术领域

本发明属于道路车辆检测技术领域，尤其涉及一种基于单目视觉与深度学习的道路目标检测识别方法。

背景技术

目前，业内常用的现有技术是这样的：车辆检测是目标检测的一个分支研究方向，在智能交通管理、智慧城市、车联网等城市建设应用中都有至关重要的地位。随着计算机视觉研究的迅速发展，目标检测研究近年内取得了重大突破，基于深度学习的检测算法已成为主流检测算法，车辆检测研究也逐渐向深度学习方向靠拢。而广泛普及的高质量低成本道路摄像头一方面为实现智能化车辆检测提供了数据基础，另一方面也使得提高车辆检测速度与准确度的需求更加迫切。鉴于国内道路交通的复杂性和车型多样性，真实场景下的道路车辆检测对算法的健壮性、泛化性及实时性均有较高要求。城市中存在大量侵占盲道和人行道的违法停车事件，均属于城市治理的难题，且城管动态交通系统中有关于三轮车禁止驶入主路的规定。真实道路摄像头下交通状况复杂，车流密集，各种车型分布不均衡造成车辆样本类间失衡，与公开数据集中车辆状况差异甚大，而且公开库数据多取自国外道路图片，与我国道路车辆情况有较大不同，例如极少存在电动车目标，并且很多目标外形也存在差异。

综上所述，现有技术存在的问题是：

真实道路摄像头下交通状况复杂，车流密集，各种车型分布不均衡造成车辆样本类间失衡，与公开数据集中车辆状况差异甚大，且极少存在三轮车样本。这造成模型训练时不能均衡学习不同种类车辆的特征，在实际应用中会发生某些类别的车辆检测效果好，而另一些类别的车辆检测效果差的问题。另外如果没有某类车辆的样本，也就无法训练得到能够检测该类车辆的模型。

解决上述技术问题的难度和意义：

上述技术问题为客观存在的事实，大量便于获得的场景图像数据在训练角度来看不够完善，需要大量的工作来人工或半人工完善用于训练的数据集，同时采用创新的训练方法来训练检测模型，使得模型对于各类目标具有同等且广泛的识别力。解决上述的技术难题，对于提升模型对于真实世界中复杂道路目标的检测率与召回率，同时大大增加模型的可用性具有决定性的重要意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于单目视觉与深度学习的道路目标检测识别方法，将深度卷积神经网络应用于车辆检测，全面丰富地学习静态图像中车辆特征，实现了基于图像特征的准确快速的道路车辆检测，对遮挡、截断、光线变化、阴影等常见的干扰情况均有较强的健壮性，并针对性地在数据库中完善三轮车样本数据，以得到可检测出三轮车的模型。

本发明是这样实现的，一种基于单目视觉与深度学习的道路目标检测识别方法，所述基于单目视觉与深度学习的道路目标检测识别方法包括以下步骤：

第一步，建立小样本道路车辆数据集，收集真实场景下的道路车辆图像；

第二步，将深度卷积神经网络框架SSD应用于道路车辆检测，结合VGG形成新的网络结构，实现端到端的实时检测，训练阶段使用带动量的梯度下降法学习网络的权值参数，将交叉熵损失函数和平滑的L1损失函数作为分类器及位置回归的损失函数；

第三步，通过二次迁移学习在VOC数据集和小样本道路车辆数据集上微调网络较高层的权值参数；