一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)的車輛檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域和智能交通技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng) 絡(luò)自適應(yīng)的車輛檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著視頻監(jiān)控技術(shù)的發(fā)展，視頻攝像機(jī)已經(jīng)被廣泛應(yīng)用于各種監(jiān)控場(chǎng)所。但是，視 頻攝像機(jī)數(shù)量的急劇增加導(dǎo)致傳統(tǒng)的人工監(jiān)控方式已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足大范圍監(jiān)控的需要。 因此，智能監(jiān)控技術(shù)成為近年來(lái)計(jì)算機(jī)視覺領(lǐng)域和智能交通技術(shù)領(lǐng)域的研究重點(diǎn)。在智能 監(jiān)控技術(shù)中，車輛檢測(cè)是一個(gè)關(guān)鍵技術(shù)，許多后續(xù)的分析都要依賴于精確的車輛檢測(cè)結(jié)果。
[0003]目前大多數(shù)車輛檢測(cè)方法都采用傳統(tǒng)的檢測(cè)方案，即首先滑動(dòng)窗口截取子圖像， 然后對(duì)子圖像進(jìn)行車輛特征提取，最后識(shí)別所提取特征的類別（車輛或是背景）。當(dāng)前主要 的車輛特征有HOG特征、Gabor特征和STRIP特征等單一特征，或者這些單一特征組合而成 的混合特征（H0G特征+Gabor特征，HOG特征+Haar-Iike特征等）；用于特征識(shí)別的車輛分 類器主要有Adaboost、支持向量機(jī)或者神經(jīng)網(wǎng)絡(luò)。
[0004][0005][0006] 根據(jù)上述兩種現(xiàn)有車輛檢測(cè)方法的分析可知，基于簡(jiǎn)單特征和缺乏場(chǎng)景自適應(yīng)性 的車輛檢測(cè)方法都達(dá)不到當(dāng)前智能監(jiān)控中精確車輛檢測(cè)的要求。因此，我們需要一種針對(duì) 不同復(fù)雜場(chǎng)景具有自適應(yīng)性的、準(zhǔn)確的車輛檢測(cè)方法。
[0007] 如今基于大數(shù)據(jù)的深度學(xué)習(xí)方法已經(jīng)遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的識(shí)別和檢測(cè)方法，卷積神 經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，簡(jiǎn)稱CNN)是深度學(xué)習(xí)當(dāng)前較為熱門的方法之一。 卷積神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)圖像交替進(jìn)行卷積和池化操作，逐漸提取圖像的高層特征，再使用神 經(jīng)網(wǎng)絡(luò)對(duì)特征分類，完成識(shí)別的功能。相比于傳統(tǒng)的車輛檢測(cè)方法，基于卷積神經(jīng)網(wǎng)絡(luò)的車 輛檢測(cè)方法提取到的高層特征能應(yīng)對(duì)一定程度的偏移、尺度變化和形變，并且卷積神經(jīng)網(wǎng) 絡(luò)通過(guò)從大樣本中學(xué)習(xí)到車輛的本質(zhì)特征，保證特征具有較強(qiáng)可分性；另外，由于特征的可 分性強(qiáng)，卷積神經(jīng)網(wǎng)絡(luò)使用簡(jiǎn)單的分類器就能得到令人滿意的檢測(cè)結(jié)果，降低了模型的復(fù) 雜度。雖然基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測(cè)方法具有較好的檢測(cè)效果，但是由于此方法缺乏 對(duì)監(jiān)控場(chǎng)景的自適應(yīng)性，當(dāng)監(jiān)控場(chǎng)景的視角變化時(shí)，無(wú)法使用此方法訓(xùn)練得到的卷積神經(jīng) 網(wǎng)絡(luò)車輛檢測(cè)器。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種針對(duì)不同的監(jiān)控場(chǎng)景自適應(yīng)地 調(diào)整在大樣本上訓(xùn)練完成的基于卷積神經(jīng)網(wǎng)絡(luò)的即源CNN車輛檢測(cè)器，使其成為能完成當(dāng) 前監(jiān)控場(chǎng)景車輛檢測(cè)任務(wù)的即目標(biāo)CNN車輛檢測(cè)器，能夠?qū)囕v進(jìn)行精確檢測(cè)的基于卷積 神經(jīng)網(wǎng)絡(luò)自適應(yīng)的車輛檢測(cè)方法。
[0009] 本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)的車 輛檢測(cè)方法，包括以下步驟：
[0010] S1、離線訓(xùn)練：收集車輛樣本和非車輛樣本，組成源樣本，對(duì)源樣本進(jìn)行預(yù)處理并 訓(xùn)練源CNN車輛檢測(cè)器；
[0011] S2、離線自適應(yīng)調(diào)整：自適應(yīng)地調(diào)整步驟Sl得到的源CNN車輛檢測(cè)器，提高其在當(dāng) 前監(jiān)控場(chǎng)景的準(zhǔn)確率，得到目標(biāo)CNN車輛檢測(cè)器；
[0012]S3、在線檢測(cè)：獲取檢測(cè)圖像，利用S2得到的目標(biāo)CNN車輛檢測(cè)器進(jìn)行車輛檢測(cè)并 輸出檢測(cè)結(jié)果。
[0013] 進(jìn)一步地，所述的步驟Sl包括以下子步驟：
[0014]S11、收集源樣本：從各種監(jiān)控視頻中截取大量的車輛樣本，并且從不包含車輛的 圖像中隨機(jī)截取大量的非車輛樣本，組成源樣本，并根據(jù)車輛樣本的長(zhǎng)寬比將所有車輛樣 本分成正面和背面車輛樣本、側(cè)面車輛樣本、斜側(cè)面車輛樣本三類；
[0015]S12、對(duì)源樣本進(jìn)行預(yù)處理，包括以下子步驟：
[0016]S121、將全部車輛樣本和非車輛樣本進(jìn)行尺度變換；
[0017]S122、將全部車輛樣本進(jìn)行水平翻轉(zhuǎn)；
[0018]S123、將全部車輛樣本隨機(jī)地進(jìn)行平移變換、尺度變換和旋轉(zhuǎn)變換；
[0019]S124、將所有源樣本進(jìn)行歸一化處理；
[0020]S13、訓(xùn)練源CNN車輛檢測(cè)器：采用BP算法訓(xùn)練源CNN車輛檢測(cè)器，每次迭代采用 最小批的方式（mini-batches)計(jì)算網(wǎng)絡(luò)誤差，并以此誤差更新源CNN車輛檢測(cè)器中的參 數(shù)；當(dāng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)（最大迭代次數(shù)根據(jù)實(shí)驗(yàn)效果決定）時(shí)或者在驗(yàn)證集上錯(cuò) 誤率不再下降時(shí)終止訓(xùn)練，獲得源CNN車輛檢測(cè)器。
[0021] 進(jìn)一步地，所述的步驟S2包括以下子步驟：
[0022] S21、收集目標(biāo)樣本：從當(dāng)前監(jiān)控視頻中截取少量車輛樣本和非車輛樣本，組成目 標(biāo)樣本；
[0023]S22、對(duì)目標(biāo)樣本進(jìn)行預(yù)處理：將所有的目標(biāo)樣本進(jìn)行尺度變換，然后進(jìn)行歸一 化；
[0024]S23、對(duì)源CNN車輛檢測(cè)器進(jìn)行特征迀移，根據(jù)目標(biāo)車輛樣本特征與對(duì)應(yīng)類別源車 輛樣本的平均特征之間的誤差更新源CNN檢測(cè)器中的參數(shù)，獲得特征迀移之后的CNN車輛 檢測(cè)器；具體包括以下子步驟：
[0025]S231、利用源CNN車輛檢測(cè)器分別提取源車輛樣本的特征和目標(biāo)車輛樣本的特 征；
[0026]S232、利用K-means算法對(duì)所有源車輛樣本的特征進(jìn)行聚類；
[0027]S233、計(jì)算每類源車輛樣本的平均特征；
[0028]S234、計(jì)算每個(gè)目標(biāo)車輛樣本特征與每類源車輛樣本平均特征之間相似度；
[0029]S235、尋找每個(gè)目標(biāo)車輛樣本特征與源車輛樣本平均特征具有最大相似度的類 別；
[0030] S236、計(jì)算每個(gè)目標(biāo)車輛樣本特征與對(duì)應(yīng)類別源車輛樣本平均特征的誤差，并以 此誤差更新源CNN檢測(cè)器中的參數(shù)，獲得特征迀移之后的CNN車輛檢測(cè)器；
[0031] S24、對(duì)特征迀移之后的CNN車輛檢測(cè)器進(jìn)行微調(diào)整，獲得目標(biāo)CNN車輛檢測(cè)器，包 括以下子步驟：
[0032]S241、從源車輛樣本中尋找與目標(biāo)車輛樣本相似的車輛樣本，加入到目標(biāo)車輛樣 本中；
[0033]S242、設(shè)置遠(yuǎn)小于訓(xùn)練源CNN車輛檢測(cè)器學(xué)習(xí)速率的學(xué)習(xí)速率，并采用訓(xùn)練源CNN 檢測(cè)器一樣的方式訓(xùn)練特征迀移之后的CNN檢測(cè)器，獲得目標(biāo)CNN車輛檢測(cè)器。
[0034] 進(jìn)一步地，所述的步驟S3包括以下子步驟：
[0035]S31、獲取檢測(cè)圖像：從監(jiān)控?cái)z像頭中獲取檢測(cè)圖像；
[0036]S32、對(duì)檢測(cè)圖像進(jìn)行預(yù)處理：對(duì)檢測(cè)圖像進(jìn)行均值濾波和歸一化處理；
[0037]S33、構(gòu)建圖像金字塔：將檢測(cè)圖像構(gòu)建圖像金字塔；
[0038]S34、滑動(dòng)窗口 ：以設(shè)定的窗口大小，在每一層圖像金字塔上滑動(dòng)窗口，截取子圖 像；
[0039]S35、進(jìn)行特征提?。豪媚繕?biāo)CNN車輛檢測(cè)器提取子圖像的特征；
[0040] S36、特征分類：利