[发明专利]基于深度学习方法的前挡风玻璃及驾驶员区域定位方法

说明书

本发明公开基于深度学习方法的前挡风玻璃及驾驶员区域定位方法，具体为：步骤1、构造数据集；步骤2、构建卷积神经网络；步骤3、设置步骤2所构建卷积神经网络训练时需要的损失函数、网络优化算法及所有超参数；步骤4、根据步骤3设置的卷积神经网络的损失函数、网络优化算法对步骤2构建的卷积神经网络进行训练；并保存模型权重；步骤5、对步骤1中的测试集通过步骤4中得到的网络模型权重进行测试实验；步骤6、对步骤5中预测出的前挡风玻璃区域框的结果进行目标几何的重定位，得出主驾驶位区域框。该方法能够增加前挡风玻璃和主驾驶位目标检测的精度及定位框定位的准确度。

技术领域

本发明属于图像处理方法技术领域，具体涉及一种基于深度学习方法的前挡风玻璃及驾驶员区域定位方法。

背景技术

图像是人类获取信息、表达信息和传递信息的重要手段之一。近年来,随着机动车数量的不断增加,交通安全事故越来越多。很多的交通安全事故发生的原因是因为车辆故障。车辆审核没达标；事故发生时,是否佩戴安全带能够最大限度地保护驾驶员的生命安全；当事故发生后车辆是否买保险，可以缓解应为交通事故所带来的经济损失。目前,车辆是否年检、是否买强制险基本上是通过道路交通警察进行检查；安全带主要通过人工方式判断道路交通视频中驾驶员是否佩戴安全带,检测效率较低。随着机器视觉研究的发展,基于图像识别的交通检测方式已成为必然趋势。通过对前挡风玻璃的检测可以得出车辆是否安检、是否购买强制险、驾驶员是否佩戴安全带。

在交通视频监控中，有很多因素影响车辆目标检测的准确率，包括复杂的道路环境，光照和天气变化等。天气或光照不同时，前挡风玻璃以及主驾驶位的特征信息复杂，传统的目标定位算法精度低，无法满足实际所需。

发明内容

本发明的目的是提供一种基于深度学习方法的前挡风玻璃及驾驶员区域定位方法，能够增加前挡风玻璃和主驾驶位目标检测的精度及定位框定位的准确度。

本发明所采用的技术方案是，基于深度学习方法的前挡风玻璃及驾驶员区域定位方法，具体按照以下步骤实施：

步骤1、构造数据集，随机分为训练集和测试集，并对训练集和测试集进行格式转换；通过聚类算法得出数据集中目标框的长宽的集中值，作为先验框；

步骤2、构建卷积神经网络；卷积神经网络包括有特征提取网络和特征融合网络，设置特征提取网络结构和特征融合网络结构的每层参数；

步骤3、设置步骤2所构建卷积神经网络训练时需要的损失函数、网络优化算法及所有超参数；损失函数为自定义联合损失函数；

步骤4、根据步骤3设置的卷积神经网络的损失函数、网络优化算法对步骤2构建的卷积神经网络进行训练；并保存模型权重；

步骤5、对步骤1中的测试集通过步骤4中得到的网络模型权重进行测试实验；

步骤6、对步骤5中预测出的前挡风玻璃区域框的结果进行目标几何的重定位，得出主驾驶位区域框。

本发明的特征还在于，

步骤1具体包括以下步骤：

步骤1.1、对获得的图片进行人工标注，即把前挡风玻璃区域用矩形框框起来，通过用LabelImg软件标注出前挡风玻璃的位置，构造数据集；

步骤1.2、对步骤1.1得到的数据集随机分为测试集和训练集，并对测试集和训练集进行格式转换，转换为“图片地址-目标框大小-目标框的置信度”的文本格式；通过对转换后的数据集中目标框大小进行聚类算法得出所需要的预测目标框大小的先验框的大小。

步骤2具体包括以下步骤：