[发明专利]一种基于单目视觉与深度学习的道路目标检测识别方法

摘要

本发明属于道路车辆检测技术领域，公开了一种基于单目视觉与深度学习的道路目标检测识别方法；将深度卷积神经网络应用于车辆检测，全面丰富地学习静态图像中车辆特征，实现了基于图像特征的准确快速的道路车辆检测，对遮挡、截断、光线变化、阴影等常见的干扰情况均有较强的健壮性，摒弃了二段式卷积神经网络检测器中繁琐的区域推荐步骤，通过卷积实验确定可能的包围框的位置和大小，且各分类在训练阶段共享置信度，大大削减了参数数量。本发明在预测阶段结合不同层级的多个特征图进行预测，增加网络模型的语义表达能力，最终检测结果的准确度和速度均优于同样实验条件下二段式基准检测器Faster R‑CNN的检测效果。

主权项

1.一种基于单目视觉与深度学习的道路目标检测识别方法，其特征在于，所述基于单目视觉与深度学习的道路目标检测识别方法包括以下步骤：第一步，建立小样本道路车辆数据集，收集真实场景下的道路车辆图像；第二步，将深度卷积神经网络框架SSD应用于道路车辆检测，结合VGG形成新的网络结构，实现端到端的实时检测，训练阶段使用带动量的梯度下降法学习网络的权值参数，将交叉熵损失函数和平滑的L1损失函数作为分类器及位置回归的损失函数；第三步，通过二次迁移学习在VOC数据集和小样本道路车辆数据集上微调网络较高层的权值参数；第四步，引入带横向连接的特征图金字塔，以跳跃传递的方式附着于原始网络，不改变原来的网络结构，增加少量的权值参数和计算操作；第五步，采用平衡的焦点损失函数来衡量目标的分类准确度，减少训练过程中大量小车样本对网络权值学习的贡献率，促使训练更专注于难例样本。