[发明专利]一种基于深度学习的车辆稠密目标检测方法

说明书

本发明公开了一种基于深度学习的车辆稠密目标检测方法，包括S1、构建并训练多尺度降维卷积特征提取网络；S2、通过多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；S3、基于历史图像，生成先验知识锚框；S4、生成待检测图像中的所有目标候选区域；S5、对目标候选区域进行ROIpooling处理，获得具有车辆稠密目标检测结果。本发明考虑了稠密目标尺度差异大的特点，在faster‑rcnn网络的基础上，提出了多级多分辨、多尺寸降维卷积特征提取和基于形状先验的锚点窗口生成的思路，提高了对多尺度稠密模型的检测能力，有效解决了现有相关检测方法中存在的信息丢失问题，实现了对稠密目标的自动识别和辨别。

技术领域

本发明属于智能交通技术领域，具体涉及一种基于深度学习的车辆稠密目标检测方法。

背景技术

随着我国现代化建设进程的加快，城市基础设施的建设速度根本无法满足经济高速增长的需求，人、车辆等目标拥挤的情况经常出现，由此所带来的交通安全、道路堵塞、环境污染等问题日益凸显。造成事故多发的主要原因之一就是道路通行流量大，车辆拥挤、违规混行，与车辆的密集程度有着直接关系。实际场景中密集分布的车辆不仅会直接导致交通事故的发生，还会影响到城市基础设施的服务能力。如果智能交通分析系统能够实时检测出稠密分布的车辆，进一步引导相关管理部门对车辆的异常行为、道路流量进行检查布控，并且及时给予提醒、预警，那么很大程度上能够避免道路拥堵和事故的发生，如何高效地分析稠密分布的车辆，保证出行安全、道路畅通已经成为智能交通分析系统急需解决的问题，这涉及到稠密目标检测技术。针对复杂的场景，提出更加切实高效的稠密车辆检测方案，已经成为智能交通的迫切需求，稠密目标检测技术还能够完成航拍遥感、卫星导弹对地面目标的检测任务，在军事、安防、救援等各个领域都发挥了及其重要的应用价值。

稠密分布的目标常常会受拍摄角度、遮挡、光线、背景、图像分辨率等因素的限制，即使是同一目标往往也表现出不同的外观细节。当前稠密目标的检测方法主要是将目标的检测视为通用目标检测的特例，与非稠密目标相比，稠密分布的目标呈现出较大的外表、尺度、视角差异，并且目标之间很容易相互遮挡，当有的目标检测方法大多未考虑目标自身的特性，仍然存在以下问题未被解决，首先，稠密目标往往尺度差异较大，将图像输入网络进行处理后，小目标往往边缘特征不明显甚至缺失，导致目标无法正常被识别检测；其次，稠密目标检测场景相对复杂，目标数量多，现有方法无法有效检测到所有目标。

发明内容

针对现有技术中的上述不足，本发明提供的基于深度学习的车辆稠密目标检测方法解决了现有相关目标检测方法中未考虑目标特性，以至目标无法正常被识别及针对复杂场景无法检测到所有目标的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的车辆稠密目标检测方法，包括以下步骤：

S1、构建并训练多尺度降维卷积特征提取网络；

S2、通过训练好的多尺度降维卷积特征提取网络提取待检测图像的多尺度降维特征图；

S3、基于具有车辆稠密目标识别结果的历史图像，生成先验知识锚框；

S4、基于多尺度降维特征图和先验知识锚框，利用RPN网络生成待检测图像中的所有目标候选区域；

S5、基于先验知识锚框，对目标候选区域进行ROI pooling处理，获得具有车辆稠密目标检测结果。

进一步地，所述步骤S1的多尺度降维卷积特征提取网络包括依次连接的特征提取子网络、多尺寸降维卷积子网络和跨层信息融合子网络；

所述特征提取子网络为以ResNet-50网络为基本结构构建的用于特征提取的残差网络，用于提取输入图像的特征，获得尺度不同的特征图C3和特征图C4，并通过对特征图C3进行2倍上采样处理获得特征图F3；

所述多尺寸降维卷积子网络用于特征图C4进行信息提纯处理，获得特征图 F4；