[发明专利]一种GS-SSD的交通大场景车辆目标快速检测方法

说明书

本发明公开的一种GS‑SSD的交通大场景车辆目标快速检测方法，具体为：步骤1：训练筛选出最优Gabor卷积核组置于浅层VGG16网络，其次，使用SIP将特征图深层的高级语义信息映射到特征图浅层，最后，在Caffe环境下搭建新型GS‑SSD网络模型；步骤2：获取新型GS‑SSD网络模型搭建所需的训练及测试图像数据集；步骤3：Caffe环境下对搭建的新型GS‑SSD网络模型进行训练及测试；步骤4：对交通路口摄像头采集的视频进行帧采样，将得到的图像输入测试完成的新型GS‑SSD网络中，使用测试完成的新型GS‑SSD网络模型对其得到的图片进行目标检测，最后输出检测结果。该方法精度高检测速度快。

技术领域

本发明属于计算机视觉的图像处理技术领域，具体涉及一种GS-SSD的交通大场景车辆目标快速检测方法。

背景技术

ATMS(Advanced Transport Management Systems)是智能交通系统(IntelligentTransport Systems，ITS)，的核心子系统。其主要功能是通过对当前城市道路交通网络中的交通拥堵程度进行自动识别，实时诱导城市道路交通流，快速反应和应对道路交通的突发事件，实现对城市道路交通运行状态的智能控制。ATMS功能实现的前提条件是需要对道路交通状态信息实时地、准确地进行采集及识别。

目标检测近年来已经取得了很重要的进展，除传统的手动设计特征进行分类目标检测外，目前主流的算法主要分为两个类型：two-stage方法：如R-CNN系算法，其主要思路是先通过启发式方法(selective search)或者CNN网络(RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；one-stage方法：Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本(背景)极其不均衡，导致模型准确度稍低。

SSD(single shot multibox detector)由Wei Liu于2016年提出，算法基于一个前馈卷积神经网络，该算法首先产生一系列固定数量的默认框(Default Box)，然后利用对应的不同层级的特征图基于这些默认框来进行位置和类别的预测。最后再对每一类别的所有预测得到的包围盒(Bounding Box)通过非极大值抑制算法去除多余的以及概率较小的包围盒，最后生成检测结果。SSD是一种单阶段、端到端的目标检测算法，检测速度极大提升，达到了46FPS。而且由于其独特的设计，利用了多层具有不同尺度的卷积层来进行目标的检测和识别，在检测性能上也得到了一定的提高。但在对小目标检测上未能取得很好的检测效果，而且其检测速度也不足以应用于实际目标检测场景亟待解决。

发明内容

本发明的目的是提供一种GS-SSD的交通大场景车辆目标快速检测方法，该方法适用于交通大场景下的实时目标检测，其检测精度高、速度快。

本发明所采用的技术方案是，一种GS-SSD的交通大场景车辆目标快速检测方法，具体包括以下步骤：

步骤1：首先，训练筛选出最优Gabor卷积核组置于浅层VGG16网络，其次，使用SIP将特征图深层的高级语义信息映射到特征图浅层，最后，在Caffe环境下搭建新型GS-SSD网络模型；

步骤2：获取新型GS-SSD网络模型搭建所需的训练及测试图像数据集；

步骤3：Caffe环境下对搭建的新型GS-SSD网络模型进行训练及测试；

步骤4：对交通路口摄像头采集的视频进行帧采样，将得到的图像输入测试完成的新型GS-SSD网络中，使用测试完成的新型GS-SSD网络模型对其得到的图片进行目标检测，最后输出检测结果。

本发明的特征还在于，