[发明专利]一种基于卷积神经网络的自动驾驶汽车前方物体检测方法

摘要

本发明属于计算机视觉中利用神经网络对图像中物体进行检测的领域，具体的说是一种基于卷积神经网络的自动驾驶汽车前方物体检测方法。本发明利用深度学习中的卷积神经网络(Faster RCNN)对摄像头拍摄出的图像进行目标物体提取、分类等工作，较好地提高了对自动驾驶车辆前方目标物的识别准确率。同时，本发明中改进了Faster RCNN模型的结构，将传统的卷积层、池化层堆叠的结构改成了CBLP块结构，并加入dropout层有效地避免了过拟合现象。卷积神经网络是仿造生物的视知觉机制构建的，图像处理属于半监督学习范围，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对像素进行学习且有稳定的效果。

主权项

1.一种基于卷积神经网络的自动驾驶汽车前方物体检测方法，其特征在于，该检测方法包括以下步骤：/n步骤一、获取训练集样本和测试集样本并且对数据进行标记；/n从公开数据集KITTI上收集某城市道路上拍摄到的图片，取其中的60％作为训练集样本和40％作为测试集样本，利用MATLAB图像处理与计算机视觉工具箱中的Image Labeler标注工具对图片中的汽车这一目标物进行标记，标记好的图片数据保存在.mat文件中；/n步骤二、在MATLAB平台搭建改进的Faster RCNN卷积神经网络；/n在MATLAB平台搭建Faster RCNN卷积神经网络模型，将传统的Faster RCNN卷积层、池化层堆叠的结构改为如下的块结构，改进后的特征提取部分的网络结构为：一个图片输入层和5个CBLP块结构，其中每个块结构包含一个卷积层、一个批量标准化层、一个激活函数层和一个池化层；上述块结构提取出输入特征图的R、G、B各个色彩分量的像素特征后，特征图继续输入到全连接层中将上述各层提取出来的特征整合到一起；改进后的网络结构在全连接层之后加入一个dropout层；最终输出的特征图继续输入到softmax分类器实现对特征图中的目标物进行分类，并最终输出带有检测框和准确率的检测图；/n步骤三：设置每层网络中的具体参数；/n该网络结构的具体参数包括：卷积层、池化层数量，激活函数，卷积核大小，卷积核滑动步长，每一层中卷积核数量，学习率数值，权重更新方法以及权重初始值；/n步骤四、训练上述搭建好的卷积神经网络模型；/n首先，将标记好的训练集图片输入到上述搭建好的卷积神经网络模型中，设置训练过程中的批次minibatch和训练轮数；其次，在MATLAB平台上编写代码，通过不断调整训练的轮数以及上述学习率、卷积核大小、卷积核数量参数的值，不断重复训练该网络，直到得到了一个鲁棒性较好的且训练好卷积核中的权重和各个超参数的带有CBLP块结构的FasterRCNN卷积神经网络模型；最后，保存该模型，以便于后续将测试集图片输入到该神经网络模型中进行目标物检测；/n步骤五、利用训练好的网络对测试集图片进行检测；/n将测试集中待检测的图片输入到上述训练完成的卷积神经网络模型中，输出带有检测框和检测置信度的检测图；/n步骤六、计算测试集平均检测准确率并且绘制测试集Precision-Recall曲线；/n将测试集图片生成的检测框与提前标记好的框进行比较，计算测试集所有检测图片的检测准确率，绘制Precision-Recall即查准率-查全率曲线，统计得到测试集平均检测准确率。/n