[发明专利]基于深度卷积网络的非机动车检测和识别方法

权利要求书

1.一种基于深度卷积网络的非机动车检测和识别方法，其特征在于，包括以下步骤：

s1、建立起非机动车数据集，数据集中包含自行车数据和电动自行车数据，并划分成训练集，测试集和验证集；

s2、搭建起基于深度学习的目标检测网络；步骤s2中深度神经网络包括特征提取网络、特征融合网络和输出网络；特征提取网络包括5个残差模块，每个残差模块都包含多个卷积模块，并且使用步长为2的卷积层进行下采样；特征融合网络包括3个融合模块，分别是其8倍下采样层、16倍下采样层和32倍下采样层；输出网络包含两个输出模块；特征融合网络分别采用其8倍下采样特征层A，16倍下采样特征层B，32倍下采样特征层C进行融合；首先特征C通过一个1*1卷积降低其通道数，再通过上采样将其特征层大小变为原来的两倍,生成特征层D，其次将特征层A通过3*3卷积层将其通道数变为原来的两倍并将其特征层大小变为原来的一半，最后将特征层A、B、C进行相加，生成新的特征层D，将特征层D进行3次3*3卷积生成特征层E，将特征层E首先通过1*1卷积再通过上采样生成与特征层A相同大小的特征层F，然后将特征层E通过3*3卷积生成与特征层B相同的大小的特征层G，最后将特征层E通过上采样生成与特征层C相同大小的特征层H；

s3、将训练集样本送入神经网络中训练，获得训练后的神经网络模型；

s4、将训练好的神经网络模型分别送入测试网络获得测试结果；

s5、将测试结果中最好的模型保存并应用。

2.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：步骤s1中的训练集和测试集比例划分为4:1。

3.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：卷积模块采用3*3卷积层和1*1卷积层的组合；卷积模块都采用的激活函数是Relu激活函数，且每个卷积模块都是卷积层加上激活函数加上批归一化层组合。

4.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：所述特征提取网络中残差模块由三个卷积层组合形成，分别通过一个3*3卷积模块将通道数减少为原来的一半，再通过一个1*1卷积模块卷积，通过一个3*3卷积模块恢复通道数，最后将原始特征层与恢复通道数后的卷积层特征相加，获得新的特征层。

5.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：所述输出网络中对特征融合后的特征层首先采用一个1*1卷积降低特征层的维度，再通过2个3*3卷积融合特征，最后输出大小为H*W*class的卷积层A和大小为H*W*5的卷积层B，其中H代表特征层的高度，W代表特征层的宽度，class代表类别数量，5代表此中心点距离左边界距离，中心点距离上边界的距离，中心点距离右边界的距离，中心点距离下边界的距离和分类置信度。

6.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：在训练过程中使用损失函数进行边界框回归；其中，b、b^gt分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离：

7.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：步骤s4中，在训练网络的时候，把整个数据集分为K份，每次选取其中一个子集作为测试集，再从K-1个子集中选取百分之80作为训练集，百分之20作为验证集，进行K次交叉验证，从而训练好网络模型。

8.根据权利要求1所述的基于深度卷积网络的非机动车检测和识别方法，其特征在于：所述步骤s1在训练前，对非机动车数据集的图像进行基于色彩饱和度的图像增强、基于图像尺寸的数据增强，扩充数据集。