一種基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域和交通監(jiān)控系統(tǒng)技術(shù)領(lǐng)域，特別涉及一種高清圖像 中基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)的方法。
【背景技術(shù)】
[0002] 目前我國(guó)城市化水平已經(jīng)超過(guò)50%，汽車保有量達(dá)1. 4億輛，隨之而來(lái)的交通擁 堵，環(huán)境污染，交通安全等問(wèn)題日益突出。為解決現(xiàn)存交通系統(tǒng)中人，車，路之間的矛盾，智 能交通系統(tǒng)成為首選的理想方案。其中，智能視頻監(jiān)控系統(tǒng)是智能交通系統(tǒng)中必不可少的 部分?；谥悄芤曨l監(jiān)控系統(tǒng)的車輛檢測(cè)，是利用模式識(shí)別技術(shù)對(duì)經(jīng)過(guò)特定路段和路口的 車輛進(jìn)行自動(dòng)檢測(cè)，獲取車輛基本信息，如車牌，速度，車型等，為之后的車輛行為分析，違 章車輛圖像抓拍，和違章取證等奠定基礎(chǔ)。傳統(tǒng)的智能監(jiān)控系統(tǒng)通常將車輛檢測(cè)視為一個(gè) 二分類問(wèn)題來(lái)處理，無(wú)法自動(dòng)判定車輛的類型信息，而常見(jiàn)的車型識(shí)別方法也只是根據(jù)尺 寸將車分為大型車、中型車，和小型車，無(wú)法滿足現(xiàn)代監(jiān)控的需求。另外，當(dāng)前的智能視頻監(jiān) 控系統(tǒng)主要通過(guò)人工提取車輛特征，如顏色特征、紋理特征，輪廓特征、幾何特征等，來(lái)識(shí)別 車輛。手工標(biāo)記車輛特征的方法耗時(shí)費(fèi)力，且不能的充分利用車輛信息，無(wú)法覆蓋較多的行 車環(huán)境，在遇到車輛遮擋，或車輛陰影時(shí)，無(wú)法達(dá)到較高檢測(cè)的準(zhǔn)確性。
[0003] 深度學(xué)習(xí)通過(guò)學(xué)習(xí)一種深層的非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近和輸入數(shù)據(jù)表 征，展現(xiàn)出強(qiáng)大的數(shù)據(jù)集本質(zhì)特征的學(xué)習(xí)能力。卷積神經(jīng)網(wǎng)絡(luò)，作為一種典型的深度學(xué)習(xí)方 法，是為二維圖像處理而特別設(shè)計(jì)的一個(gè)多層感知器。卷積神經(jīng)網(wǎng)絡(luò)不需要人為參與特征 的選取過(guò)程，可以自動(dòng)地學(xué)習(xí)大量數(shù)據(jù)集中的目標(biāo)特征。其權(quán)值共享和局部連接機(jī)制使得 它具備優(yōu)于傳統(tǒng)技術(shù)的優(yōu)點(diǎn)：對(duì)幾何變換、形變、光照具有一定程度的不變性，同時(shí)具有良 好的容錯(cuò)能力、并行處理能力和自學(xué)習(xí)能力。這些優(yōu)點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)在處理環(huán)境信息 復(fù)制，推理規(guī)則不明確情況下的問(wèn)題時(shí)具有較大優(yōu)勢(shì)，并能容忍車輛的尺度變化，旋轉(zhuǎn)變形 等問(wèn)題。因此，卷積神經(jīng)網(wǎng)絡(luò)可以用于解決智能視頻監(jiān)控系統(tǒng)中車輛的自動(dòng)檢測(cè)和車型識(shí) 另Ij，保證智能監(jiān)控系統(tǒng)準(zhǔn)確地、穩(wěn)定地獲取車輛信息。

【發(fā)明內(nèi)容】

[0004] (一）要解決的技術(shù)問(wèn)題
[0005] 本發(fā)明的目的在于，提供一種基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)方法，可以自動(dòng)學(xué)習(xí) 車輛特征，實(shí)現(xiàn)更高精度的車輛自動(dòng)檢測(cè)，和車輛類型識(shí)別。
[0006] (二）技術(shù)方案
[0007] 本發(fā)明提供一種基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)的方法，包括：
[0008] S1，米集真實(shí)交通視頻，獲得原始米樣圖像；
[0009] S2,對(duì)原始采樣圖像進(jìn)行候選區(qū)域提取，并將候選區(qū)域轉(zhuǎn)化為固定尺寸的圖像；
[0010] S3,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)固定尺寸的圖像進(jìn)行特征學(xué)習(xí)，并對(duì)學(xué)習(xí)到的特征進(jìn)行 分類，得到深度學(xué)習(xí)模型；
[0011] S4,利用深度學(xué)習(xí)模型對(duì)真實(shí)場(chǎng)景中的車輛進(jìn)行自動(dòng)檢測(cè)，并自動(dòng)識(shí)別車輛類型 (小汽車/出租車/公交車）。
[0012] (三）有益效果
[0013] 本發(fā)明具以下優(yōu)點(diǎn)：
[0014] (1)可以自動(dòng)逐層抽象出輸入卷積神經(jīng)網(wǎng)絡(luò)的圖像特征，減少人為標(biāo)記特征的工 作量，節(jié)約人工成本和時(shí)間成本；
[0015] (2)快速實(shí)現(xiàn)車輛目標(biāo)定位，并能識(shí)別出車輛類型（小汽車/出租車/公交車）；
[0016] (3)對(duì)不同環(huán)境，光照強(qiáng)度，和天氣情況，均具有良好的適應(yīng)性；
[0017] (4)對(duì)大流量車輛的擁擠環(huán)境，可以在一定程度上處理遮擋問(wèn)題，保證較高的檢測(cè) 準(zhǔn)確率。
【附圖說(shuō)明】
[0018] 圖1是本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)方法的流程圖。
[0019] 圖2是本發(fā)明實(shí)施例中訓(xùn)練樣本的典型圖像。
[0020] 圖3是本實(shí)施例中最終檢測(cè)結(jié)果的示意圖。
【具體實(shí)施方式】
[0021] 本發(fā)明提供一種高清圖像中基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)方法，利用卷積神經(jīng)網(wǎng) 絡(luò)自動(dòng)提取交通環(huán)境中的車輛特征，最終實(shí)現(xiàn)車輛目標(biāo)的自動(dòng)檢測(cè)。本發(fā)明可用于不同環(huán) 境、光照強(qiáng)度及天氣情況，對(duì)于復(fù)雜交通環(huán)境中的車輛，可以保證較高的檢測(cè)準(zhǔn)確性，可為 后續(xù)視頻監(jiān)控中車輛目標(biāo)的識(shí)別與跟蹤提供一種新的實(shí)時(shí)可靠的預(yù)處理步驟。
[0022] 根據(jù)本發(fā)明的一種實(shí)施方式，車輛自動(dòng)檢測(cè)方法包括：
[0023] S1，采集真實(shí)交通視頻，獲得原始采樣圖像；
[0024] S2,對(duì)原始采樣圖像進(jìn)行候選區(qū)域提取，并將候選區(qū)域轉(zhuǎn)化為固定尺寸的圖像；
[0025] S3,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)固定尺寸的圖像進(jìn)行特征學(xué)習(xí)，并對(duì)學(xué)習(xí)到的特征進(jìn)行 分類，得到深度學(xué)習(xí)模型；
[0026] S4,利用深度學(xué)習(xí)模型對(duì)真實(shí)場(chǎng)景中的車輛進(jìn)行自動(dòng)檢測(cè)。
[0027] 根據(jù)本發(fā)明的一種實(shí)施方式，步驟S2包括：
[0028] 對(duì)原始采樣圖像，利用訓(xùn)練后的二值正則梯度（BING:Binarized Normed Gradients)通用目標(biāo)檢測(cè)器，快速生成多尺度的、可能包含車輛目標(biāo)的候選區(qū)域，并從候選 區(qū)域中提取出多個(gè)目標(biāo)子區(qū)域，根據(jù)目標(biāo)子區(qū)域與車輛目標(biāo)的重復(fù)部分的比重，決定其為 車輛樣本或背景樣本，通過(guò)圖像歸一化將目標(biāo)子區(qū)域轉(zhuǎn)化為固定大小的圖像，優(yōu)選地，圖像 大小可選為32X32像素。
[0029] 根據(jù)本發(fā)明的一種實(shí)施方式，卷積神經(jīng)網(wǎng)絡(luò)包括1個(gè)輸入層、4個(gè)卷積層、4個(gè)池化 層、2個(gè)全連接層和1個(gè)輸出層，其整體結(jié)構(gòu)為：輸入層一卷積層一池化層一卷積層一池化 層一卷積層一卷積層一全連接層一全連接層一輸出層，其中：
[0030] 輸入層用于將所述固定尺寸的圖像輸入至所述卷積神經(jīng)網(wǎng)絡(luò)；
[0031] 卷積層用于采用多個(gè)卷積核得到圖像特征；
[0032] 池化層用于對(duì)所述圖像特征進(jìn)行均值池化操作，將所述圖像特征的數(shù)據(jù)量降維原 來(lái)的四分之一；
[0033] 全連接層用于連接當(dāng)層神經(jīng)元與前一層神經(jīng)元；
[0034] 輸出層用于計(jì)算分類結(jié)果。
[0035] 根據(jù)本發(fā)明的一種實(shí)施方式，卷積層對(duì)輸入圖像進(jìn)行二維卷積和偏置的操作后， 再使用非線性激活函數(shù)，獲得一個(gè)卷積結(jié)果，即圖像特征OJ1，其表達(dá)式為：
[0037] 其中，η代表網(wǎng)絡(luò)層數(shù)，U代表第η層的神經(jīng)元個(gè)數(shù)，Wl]表示第i個(gè)輸入圖像和第 j個(gè)輸出圖像的卷積權(quán)重，b,代表第j個(gè)輸出圖像的偏置，f( ·)為神經(jīng)元激活函數(shù)，f(x) -ITlclX (Oj χ) ο
[0038] 根據(jù)本發(fā)明的一種實(shí)施方式，輸出層通過(guò)softmax函數(shù)計(jì)算分類結(jié)果：
[0040] 其中，k代表輸出層的類別數(shù)，M為最后一個(gè)全連接層的神經(jīng)元數(shù)目，N代表網(wǎng)絡(luò)的 總層數(shù)，f (·)為softmax函數(shù)，
[0041] 根據(jù)本發(fā)明的一種實(shí)施方式，在進(jìn)行特征學(xué)習(xí)時(shí)，采用梯度下降法調(diào)整所述卷積 核的權(quán)重和偏置，并對(duì)池化層的誤差進(jìn)行上采樣操作。
[0042] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照 附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
[0043] 圖1是本發(fā)明實(shí)施例提供的基于深度學(xué)習(xí)的車輛自動(dòng)檢測(cè)方法的流程圖，如圖1 所示，方法包括：
[0044] S1，利用尚清相機(jī)米集真實(shí)交通視頻，獲得原始米樣圖像；
[0045] 本發(fā)明實(shí)例中，相機(jī)以一定高度和角度對(duì)車輛流進(jìn)行拍攝，盡量模擬真實(shí)的交通 監(jiān)控系統(tǒng)的視角，獲取盡可能多的交通圖像樣本。
[0046] S2,對(duì)原始采樣圖像進(jìn)行候選區(qū)域提取，并將候選區(qū)域轉(zhuǎn)化為固