[发明专利]一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法

说明书

本发明属于计算机视觉中的图像处理领域，具体的说是一种基于LeakyRelu激活函数的Faster RCNN卷积神经网络单目标识别方法。本发明提出了一种改进的relu激活函数即LeakyRelu激活函数，该函数更好地保留了图像数据信息，更有利于对图像特征的提取。将该函数应用在卷积神经网络中对图像中的目标物进行检测与提取的领域，使检测准确率得到了提高。该方法提高了现有的神经网络图像处理算法检测的准确率，解决了目前采用relu作为激活函数的卷积神经网络在图像识别与检测上所带来的问题。

技术领域

本发明属于计算机视觉中的图像处理领域，具体的说是一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法。

背景技术

随着人工智能技术广泛应用在人们生活中的各个领域，智能驾驶汽车逐渐成为继电动汽车之后汽车领域的有一大革新。未来，汽车行业发展方向是：电动化、智能化、网联化、共享化。而智能驾驶汽车综合智能网联、新能源、云平台，在汽车领域研究前景广泛。

在智能驾驶汽车中，常采用若干个传感器代替人眼来观察周围的外部物体及前方的各种目标物。这些传感器代替人眼“看到”前方的障碍物后，就可以利用计算机视觉中的图像处理算法如卷积神经网络将这些目标物提取出来，以便于下一步对目标物的姿态、行为进行预测，即判断出这些目标物下一时刻的路径。从而根据目标物可能的轨迹对汽车的路径和轨迹做出判断，对整车的行驶方向、行驶速度以及加速度做出决策，可以有效地减少传统汽车带来的碰撞事故，同时改善了传统汽车所带来的驾驶安全性问题。

卷积神经网络自提出以来，发展迅速并在各个行业领域受到广泛关注。由于其可以直接输入图像，通过构建RPN特征提取网路可以直接通过卷积操作将输入图像的特征提取出来，而不再需要传统方法的复杂的特征提取过程，因此卷积神经网络作为深度学习中重要的方法广泛地应用在各行业的图像处理中。

发明内容

本发明提出了一种改进的relu激活函数即LeakyRelu激活函数应用在卷积神经网络上对图像中的目标物进行检测提取，使检测准确率得到了提高，提高了现有的神经网络图像处理技术的基于LeakyRelu激活函数的卷积神经网络单目标识别方法，解决了目前采用relu作为激活函数的卷积神经网络在图像识别与检测上所带来的缺点。

本发明技术方案结合附图说明如下：(该部分同权利要求书，权利要求书写好了再补充)

本发明的有益效果为：

1)本发明将传统的Faster RCNN算法中应用过的relu或sigmoid激活函数改为LeakyRelu函数，并通过不断地仿真实验得到函数最终的表达式，在不改变网络整体结构的情况下，只改变激活函数的类型就能达到提高测试集检测准确率的效果；

2)本发明中的网络深度并没有达到Alexnet网络和VGG网络的深度，但也同样达到了较高的检测准确率，且训练的时间也不是很长。因此该发明中的训练过程可以应用在CPU常规计算机上，对计算机硬件要求没有那么高，扩展了Faster RCNN的应用性。

附图说明

图1为本发明的模型训练和检测算法流程图；

图2为采用relu激活函数时检测得到的Precision-Recall曲线图；

图3为采用LeakyRelu激活函数时检测得到的Precision-Recall曲线图；

图4为测试集中的一个检测效果图。

具体实施方式

参阅图1，一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法，该方法包括以下步骤：

步骤一、获取图像样本及数据分类并且确定训练集和测试集样本数；

(11)获取自动驾驶车辆摄像头拍摄出的前方物体图像：