[发明专利]一种基于深度神经网络的细粒度车辆检测方法

摘要

本发明公开了一种基于深度神经网络的细粒度车辆检测方法，通过定义输出、检测和训练网络，可以准确检测出车辆的具体姿态类别和轮廓。当给定地平面和摄像机校准信息等先验知识时，检测结果可用于估计可行驶区域，碰撞时间等，进一步辅助和保障驾驶员安全驾驶。相较于一般的目标检测网络，本发明能输出更多的信息，可满足不同的应用需求。本发明输出了车辆的姿态类别和轮廓位置信息，这些信息有利于更准确地判断车辆在道路中的位置和行驶方向。本发明对采集数据的传感器要求低，有利于生产使用。本发明的计算全部是在普通的RGB图像中完成的，不需要深度传感器或者雷达等设备，只需要一个普通的摄像头即可达到要求，成本低廉。

主权项

1.一种基于深度神经网络的细粒度车辆检测方法，其特征在于，包括以下步骤：步骤1：定义输出给定一个矩形(v,x,y,w,h)，其中v指示的是正负样本，v∈{0,1}，0表示背景，1表示是车辆；x,y,w,h则表示矩形框的位置和宽高，在此基础上，从姿态子类编码和控制点两部分扩展输出；步骤2：检测网络令(w_f,h_f,c_f)为尺度为f的特征层的宽、高和通道数；如果V,A,P分别为类别v,a,p的个数，则尺度为f的特征层经过卷积，会产生(w_f,h_f,B_f×(V+A+P+4+3))维的检测结果矩阵，检测结果包括了(v,a,p,x,y,w,h,α,β,γ)信息，其中，B_f为每个位置产生的default box的个数；在检测过程中，检测器在层次结构的每一个节点处预测的是条件概率，将根节点到该节点的条件概率相乘得到联合概率；如果在某一个节点联合概率低于选定的阈值则停止继续往下判断，然后预测车辆最终的类别和几何形状；步骤3：训练网络令为第i个default box是否与类别为d的第j个真值框匹配的指示函数；与标注的真实值匹配后得到N个匹配的default box；总的损失函数是分类和定位损失之和：