[发明专利]面向复杂场景的车辆目标检测方法及装置

说明书

本发明提供一种面向复杂场景的车辆目标检测方法，能够针对复杂场景的车辆监控视频完成识别、从而完成具有很好的泛化能力和分类准确率的车辆目标检测，其特征在于，包括如下步骤：步骤S1，从车辆监控视频中获取图片帧；步骤S2，采用拉普拉斯方差算法对图片帧进行帧质量分析并将筛选出的帧质量清晰的优质图片帧存入图片队列；步骤S3，依次从图片队列中取出优质图片帧；步骤S4，将优质图片帧输入预先训练完成的检测网模型进行检测分类从而得到车辆检测结果；步骤S5，将车辆检测结果进行输出，其中，检测网模型为Faster RCNN模型与Resnet‑18模型的结合模型，Faster RCNN模型与Resnet‑18模型之间卷积值共享。

技术领域

本发明属于计算机视觉以及图像处理领域，具体涉及一种面向复杂场景的车辆目标检测方法及装置。

背景技术

交通运输是国民经济的重要支柱，交通监控系统是其中重要的一环。通过交通监控，相关管理部门可以实时、准确的获得各种交通参数信息。而车辆的检测是交通监控的核心与关键。车辆检测在智能交通系统发挥着重要作用。

传统较常用的车辆检测方法有：环形磁感线圈检测、超声波检测、微波雷达检测、红外线检测、气动导管检测、光电式检测、基于视频车辆检测等。视频检测是计算机视觉应用的一个分支，是一种将视频图像和电脑化模式识别结合的技术。通过视频摄像机和电脑模拟人眼的功能。视频检测技术日益成为交通监控系统中最具优势、最有发展潜力的检测方法。

车辆检测技术发展到今天，基于深度学习的车辆检测在专用领域里已经普遍应用。传统的机器学习方法通过对目标特征的进行提取，如HOG\FIFT等方法，并将提取的特征输入至分类器，如支持向量机、迭代器等进行分类识别。这些特征本质上是一种手工设计的特征，针对不同的识别问题，提取到的特征好坏对系统性能有着直接的影响，因此需要研究人员对所要解决的领域进行深入的研究，以设计出适应性更好的特征。

然而，上述机器学习方法仅针对某个特定的识别任务，且数据规模不大，泛化能力较差，难以在实际应用问题中实现精准的识别效果。尽管随着机器学习方法不断优化，从提取目标底层特征到提取图像的表现特征，最成功的方法是基于多尺度形变部件模型，它利用不坚决的关系来描述物体，在人脸检测、行人检测等任务上取得不错的效果，但是多尺度形变部件模型相对复杂、检测速度也较慢，严重依赖于样本目标纵横比等几何特性。

随着深度学习理论和实践的迅速发展，卷积神经网络可以很好地提取图像的高层特征，避免了提取手工特征的缺点。通过卷积神经网络对特征提取选择和分类融合在一起，可以大幅度提高准确率。但在真实交通场景下，车辆目标检测依旧还是受很多因素影响，例如：光照、角度、形变、遮挡等。因此在车辆检测中这些因素的影响较大，很容易使得车辆识别方法的效率低下且泛化能力差。

发明内容

为解决上述问题，提供一种能够针对复杂场景的车辆监控视频完成识别、并具有很好的泛化能力和分类准确率的车辆目标检测方法，本发明采用了如下技术方案：

本发明提供了一种面向复杂场景的车辆目标检测方法，用于对具有复杂场景的车辆监控视频进行识别从而完成车辆目标检测，其特征在于，包括如下步骤：步骤S1，从车辆监控视频中获取图片帧；步骤S2，采用拉普拉斯方差算法对图片帧进行帧质量分析并将筛选出的帧质量清晰的优质图片帧存入图片队列；步骤S3，依次从图片队列中取出优质图片帧；步骤S4，将优质图片帧输入预先训练完成的检测网模型进行检测分类从而得到车辆检测结果；步骤S5，将车辆检测结果进行输出，其中，检测网模型为Faster RCNN模型与Resnet-18模型的结合模型，Faster RCNN模型与Resnet-18模型之间卷积值共享。