[发明专利]一种基于深度学习的交通图像多类型车辆检测方法

摘要

本发明公开了一种基于深度学习的交通图像多类型车辆检测方法，首先将神经网络的特征与区域生成算法结合起来，使用神经网络的卷积层同时实现了区域生成与区域判定两个过程，然后使用背景模型进行针对特定场景的离散序列图像的运动区域判定为区域生成提供了额外的参考依据，并结合车辆检测结果对背景模型进行了分情况的更新修正，此外，还提出了网络模型压缩方案进行模型参数与计算时间的缩减，并提出了新的基于分组误差计算的检测结果优化手段替换常规的非极大值抑制方案，提高总体的检测精度。

主权项

1.一种基于深度学习的交通图像多类型车辆检测方法，其特征在于：包括有训练过程和测试过程：所述的训练过程包括有以下步骤：(1)、车辆信息标注：收集不同图像采集终端得到的所有原始图像进行处理，标注出图像中车辆的位置坐标信息，并添加车辆类型的判断结果与车头的方向信息，并将所有图像和上述所有标注信息存储于数据库中；(2)、背景模型建立：针对不同的图像采集终端，分别收集训练数据形成相邻帧之间非连续变化的图像序列，然后根据图像整体明暗程度的差异，将其划分为白天与黑夜两种情况，分别使用高斯混合模型建立背景模型；(3)、训练区域生成初始模型：使用深度学习算法对所有训练图像进行图像的分割，得到图像中出现的所有物体的分割数据，利用得到的分割数据对传统的区域生成的LPO算法进行在步骤1中数据库上的调整，得到区域生成初始模型；(4)、训练车辆判定网络：利用卷积神经网络与区域生成初始模型的结果，以车辆位置坐标、车辆类型信息与车头角度信息作为网络的输出，进行车辆判定网络的多任务联合学习，得到多类型的车辆判定网络；(5)、训练区域生成网络：利用车辆判定网络的卷积层作为特征，进行基于滑动窗口的有车无车二分类判定与坐标优化网络的训练，得到适用于区域生成的卷积神经网络，即区域生成网络，将其与车辆判定网络结合得到多类型的车辆检测网络；(6)、网络结构压缩：利用矩阵分解手段对多类型的车辆检测网络的区域生成部分与区域判定部分的结构进行优化压缩，具体是对卷积层进行卷积核的低维分解、对全联接层则使用SVD算法减少参数数量，最终降低模型的复杂程度，减少测试过程中的计算量；(7)、训练检测结果优化模型：通过将所有的检测结果分组，形成各自对应于真实检测结果的组合，然后计算得到各组的基于权重的相对偏差均值与真实的偏差值，利用输入节点数量为4、隐含层节点数量为6、输出节点数量为4的神经网络建立两者之间的联系作为检测结果优化模型；所述的测试过程包括有以下步骤：(8)、背景模型应用：通过图像采集信息和图像明暗度的判断确定图像采集的时间段，然后根据场景信息选择相应的背景模型，对当前测试图像进行前景分析，确定出现运动物体的区域，通过形态学处理得到闭合的连通域作为当前图像中车辆出现位置的运动检测结果，为区域生成部分提供外部约束信息；(9)、车辆检测网络区域生成部分测试：利用背景模型应用得到的运动检测结果，在运动区域使用特定的滑动窗口模式生成大量的方框区域，然后使用步骤(5)得到的区域生成网络得到这些方框区域的车辆存在与否判断的二分类得分与位置优化结果，选择其中得分较高的区域作为包含有车辆的候选区域，接着使用非极大值抑制方法降低生成的候选区域的数量；(10)、车辆检测网络区域判定部分测试：利用步骤(5)得到的区域生成网络输出的卷积层的特征，通过车辆检测网络的区域判定部分对所有包含有车辆的候选区域进行处理，确定区域是否为车辆并得到具体的车辆位置坐标、车辆类型结果与车头角度信息；(11)、检测结果优化：针对多个检测结果之间出现相互交叉的情况，使用基于神经网络的位置偏差估计模型进行处理，得到最优的判断结果，提高检测方法的准确性；(12)、背景模型在线更新：利用判断结果对步骤(2)得到的背景模型的正确性进行判断，然后对其进行选择性的更新，提高模型对背景描述的准确性。