[发明专利]一种基于深度学习的分级车辆目标检测方法

说明书

本发明属于车辆检测技术领域，具体涉及一种基于深度学习的分级车辆目标检测方法，包括步骤：S1：图像输入进来之后，首先采用一级检测检测器对图像所有需要检测目标进行检测；S2：经过一级检测之后，判断检测到的目标类别，如果目标为四轮车，则将四轮车图像裁剪出来后进行二级检测；如果一级检测检测到的目标不为四轮车，则直接输出检测到目标的位置和类别信息；S3:对从一级检测裁剪出来的图像进行二级检测；S4：经过一二级检测之后，输出一二级检测中目标的位置信息与类别信息；本发明通过采用分级检测技术对车辆目标进行检测，降低车窗、车脸的误检率，提升车牌检测的召回率。

技术领域

本发明属于车辆检测技术领域，具体涉及一种基于深度学习的分级车辆目标检测方法。

背景技术

在车辆目标检测任务中，检测器需要能够准确地检测到车辆目标，包括车身、车窗、车脸以及车牌。传统的车辆目标检测方法采用单级检测的方式，即采用单级检测器检出上述车身、车窗、车脸以及车牌等目标。在卡口单车道和多车道场景下，由于车辆目标较多，车辆倾斜角较大，且由于检测场景中背景较为复杂，导致车窗、车脸、车牌和背景之间的误检较多。另外，由于车牌目标较小，导致在单级检测过程中车牌目标的漏检情况严重。结合上述因素，导致在传统单级车辆目标检测中检测效果不理想。采用分级检测方法对车辆目标进行检测时，将车窗、车脸、车牌目标从一级检测中剥离出来，在二级检测中对车窗、车脸、车牌进行检测。采用分级检测时，首先由于一级检测无需检测车窗、车脸、车牌目标，只需对车辆目标进行检测，在一级检测中会大量减少车窗、车脸、车牌的误检和漏检现象。其次，由于在一级检测目标类别减少，可以针对一级检测模型进行优化，降低一级检测模型所占资源。对比单级检测与分级检测，它们所占用的资源和计算速度类似，但是分级检测检测效果明显好于单级检测的效果。

在现有的单级车辆目标检测方法中，检测器不仅要对目标车辆进行检测，还需要检测出车辆目标中的车窗、车脸和车牌。由于车窗、车脸和车牌目标的特性，现有车辆目标单级检测容易造成车窗、车脸与背景之间的误检，也容易造成车牌的漏检。其次，在训练单级目标检测模型时，为了克服误检漏检造成的训练难于收敛的问题，需要设计更加复杂的深度学习模型提取车辆，从而增加模型的复杂度和资源开销。当前车辆目标单级检测方案中存在的问题如下：

a)车窗、车脸与背景之间的误检情况严重；

b)车牌小目标漏检情况严重；

c)为了降低上述情况，单级车辆目标检测器模型复杂度高，从而增加系统资源开销。

发明内容

为了解决现有技术中存在的技术缺陷，本发明设计了一种基于深度学习的分级车辆目标检测方法。其改进之处在于在车辆单车道或多车道场景下应用分级车辆面积表检测方法改进现有的车辆目标单级检测方法，能够有效提高车辆目标检测准确率和召回率。

本发明通过以下技术方案实现：

一种基于深度学习的分级车辆目标检测方法，其包括步骤：

S1：输入图像，采用由Tiny-DSOD检测器组成的一级检测模块对图像所需检测的目标进行一级检测；

S2：经过一级检测之后，判断检测到的目标类别；

S3:如果目标为四轮车，将基于一级检测模块裁剪得到的四轮车图像进行二级检测；其中，二级检测由ZF-SSD检测模型组成的二级检测模块实现；

S4：输出二级检测中目标的位置信息与类别信息。

进一步地，在步骤S1中，将图像输入至一级检测模块后，包括步骤：

S11：先经过6层卷积层提取特征，在提取特征的过程中，不断对图像进行下采样和逐元素相加操作；

S12：再经过5层卷积层对特征图进行上采样和逐元素相加操作，获得输入图像的高层特征；