本發(fā)明屬于車輛圖像檢測領(lǐng)域，具體涉及一種用于交通監(jiān)控的車輛檢測方法。

背景技術(shù)：

近年來隨著車輛的增多，交通道路的擁堵情況越來越嚴(yán)重，因此交通部門對能夠?qū)崟r檢測各條道路上的行駛車輛數(shù)量的技術(shù)需求顯得愈加強(qiáng)烈。傳統(tǒng)上采用的人工檢測的方式既消耗人力又缺乏準(zhǔn)確率。并且當(dāng)前的主流的基于機(jī)器視覺的車輛檢測方法僅在靜態(tài)圖片中有較好的性能表現(xiàn)，而在動態(tài)視頻中的性能表現(xiàn)不能夠滿足技術(shù)需求。

現(xiàn)有的車輛檢測方法主要有以下幾種：

1、hog特征檢測：hog檢測法特征是一種在計算機(jī)視覺和圖像處理中用來進(jìn)行車輛檢測的特征描述。它通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征，然后將hog特征與svm分類器相結(jié)合進(jìn)行車輛檢測。hog特征檢測具有較高的檢測速率，但hog特征檢測對環(huán)境噪聲較為敏感，魯棒性較差。

2、卷積神經(jīng)網(wǎng)絡(luò)：卷積神經(jīng)網(wǎng)絡(luò)主要由多個卷積層、池化層和全連接層組成，其中，卷積層用于提取圖片中車輛的特征；池化層用于降低維度，減小運(yùn)算量；全連接層用于特征分類。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本需要標(biāo)注類型信息才能用于訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)法具有較高的識別率以及較強(qiáng)的魯棒性。由于卷積神經(jīng)網(wǎng)絡(luò)主要用于物體識別任務(wù)，因此通常需要結(jié)合滑動窗口才能完成檢測任務(wù)。而為了保證檢測任務(wù)的召回率，滑動窗口步數(shù)通常較小，從而降低了卷積神經(jīng)網(wǎng)絡(luò)在檢測任務(wù)中的檢測速度。

3、yolo神經(jīng)網(wǎng)絡(luò)：yolo神經(jīng)網(wǎng)絡(luò)的主體部分也是卷積神經(jīng)網(wǎng)絡(luò)，但yolo神經(jīng)網(wǎng)絡(luò)可以直接完成車輛檢測任務(wù)。yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本不光需要標(biāo)注圖片中樣本的類別信息還要標(biāo)注位置信息。在檢測過程中，將圖片分割成若干網(wǎng)格，然后每個網(wǎng)格直接預(yù)測車輛所在位置的邊界框和物體為車輛的概率。yolo神經(jīng)網(wǎng)絡(luò)法具有很快的檢測速率，滿足視頻檢測的速率要求。但檢測結(jié)果的召回率通常不如卷積神經(jīng)網(wǎng)絡(luò)，主要表現(xiàn)為容易漏檢視頻中的小物體。

由此可見，車輛檢測技術(shù)在靜態(tài)圖片中具較好地表現(xiàn)。但受檢測速率、準(zhǔn)確率以及召回率的影響，現(xiàn)有方法在視頻方面仍存在著很多技術(shù)難題。因而基于視頻的車輛檢測技術(shù)仍是國內(nèi)外一些科研機(jī)構(gòu)重要的研究課題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是，針對現(xiàn)有車輛檢測方法存在的上述不足，提供一種用于交通監(jiān)控的車輛檢測方法，同時克服檢測卷積神經(jīng)網(wǎng)絡(luò)檢測速度較慢和yolo神經(jīng)網(wǎng)絡(luò)召回率低的缺點(diǎn)，快速準(zhǔn)確地檢測交通監(jiān)控中的車輛，具有較高速率、準(zhǔn)確率和召回率。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是：

一種用于交通監(jiān)控的車輛檢測方法，對交通監(jiān)控圖片中的車輛進(jìn)行檢測，包括如下步驟：

s1、首先將收集到的交通監(jiān)控圖片拆分成上下兩部分，上半部分圖片的車輛離監(jiān)控攝像頭較遠(yuǎn)，車輛呈現(xiàn)小而模糊的狀態(tài)，裁剪出其中的車輛并標(biāo)注車輛類別信息，組成第一訓(xùn)練樣本集；下半部分圖片的車輛離監(jiān)控攝像頭較近，車輛呈現(xiàn)大而清晰的狀態(tài)，直接在下半部分圖片中標(biāo)注出車輛類別信息和位置信息，并組成第二訓(xùn)練樣本集；

s2、構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：

i)構(gòu)建含有10層的卷積神經(jīng)網(wǎng)絡(luò)，10層依次是卷積層conv1，卷積層conv2，最大池化層maxpool3，卷積層conv4，卷積層conv5，卷積層conv6，最大池化層maxpool7，全連接層fc8，全連接層fc9，輸出層out10(softmax10)；

ii)輸入第一訓(xùn)練樣本集，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，直到卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)≤0.0001，得到經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)；

s3、構(gòu)建并訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)：

i)構(gòu)建含有11層的卷積神經(jīng)網(wǎng)絡(luò)，11層依次是卷積層conv1，卷積層conv2，最大池化層maxpool3，卷積層conv4，卷積層conv5，卷積層conv6，卷積層conv7，最大池化層maxpool8，全連接層fc9，全連接層fc10，輸出層out11；

ii)輸入已標(biāo)注出車輛類別信息和位置信息的第二訓(xùn)練樣本集，訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)，直到y(tǒng)olo神經(jīng)網(wǎng)絡(luò)的損失函數(shù)≤0.0001，得到經(jīng)過訓(xùn)練的yolo神經(jīng)網(wǎng)絡(luò)；

s4、檢測過程中，結(jié)合步驟s2中卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果和步驟s3中yolo神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，檢測出整張交通監(jiān)控圖片中的車輛。

按上述方案，步驟s2所述的卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)理論基礎(chǔ)上的權(quán)值共享多層神經(jīng)網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)由輸入圖像、隱藏層和輸出層組成：

卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像為標(biāo)注車輛類別信息的rgb圖像；

卷積神經(jīng)網(wǎng)絡(luò)的隱藏層由5個卷積層，2個最大池化層和2個全連接層組成；其中，卷積層主要進(jìn)行卷積操作和利用線性修正激活函數(shù)relu修正特征圖；最大池化層主要進(jìn)行下采樣操作；全連接層主要進(jìn)行加權(quán)輸入和激活操作，具體表現(xiàn)形式如下：

a.卷積層的表現(xiàn)形式為：

式(1)中，f(·)為線性修正激活函數(shù)relu；表示第l卷積層的第j個神經(jīng)元輸出值；表示第l-1卷積層的第i個輸入神經(jīng)元的輸出值；為卷積核；mj代表選擇的輸入特征圖的集合；是偏置量；

b.最大池化層的表現(xiàn)形式為：

式(2)中，代表第l最大池化層的第j個輸出值，x″^l-1表示第l-1層中的待池化輸入值；

c.全連接層的表現(xiàn)形式為：

式(3)中，f(·)為線性修正激活函數(shù)relu；表示第l全連接層的第j個神經(jīng)元的輸出值；表示前一層的第i個神經(jīng)元的輸出值；為權(quán)重；m等于前一層的神經(jīng)元個數(shù)；是偏置量；

卷積神經(jīng)網(wǎng)絡(luò)的輸出層是softmax函數(shù)，其中神經(jīng)元個數(shù)與第一訓(xùn)練樣本集中的類別數(shù)相等。

按上述方案，步驟s3所述的yolo神經(jīng)網(wǎng)絡(luò)是一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測網(wǎng)絡(luò)；yolo神經(jīng)網(wǎng)絡(luò)由輸入圖像、隱含層和輸出層組成：

yolo神經(jīng)網(wǎng)絡(luò)的輸入圖像為標(biāo)注車輛類別信息和位置信息的rgb圖像；

yolo神經(jīng)網(wǎng)絡(luò)的隱藏層由6個卷積層，2個最大池化層和2個全連接層組成；各層操作方式與卷積神經(jīng)網(wǎng)絡(luò)相同；

yolo神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個數(shù)為(5*num+classed)*size*size；輸出結(jié)果構(gòu)成一個三維矩陣，其中，classed為第二訓(xùn)練樣本集中的類別數(shù)，size代表yolo神經(jīng)網(wǎng)絡(luò)將輸入圖片拆分成size*size個網(wǎng)格，num代表每個網(wǎng)絡(luò)預(yù)測的包圍框數(shù)。

按上述方案，其特征在于，交通監(jiān)控圖片大小為448×448像素，拆分成上下兩部分圖片后，大小均為448×224像素。

按上述方案，其特征在于，從大小為448×224像素的上半部分圖片中裁剪出車輛圖片，標(biāo)注類別信息并將圖片大小統(tǒng)一調(diào)整為120×120像素，經(jīng)過標(biāo)注和大小調(diào)整的車輛圖片組成所述第一訓(xùn)練樣本集，對應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像大小為120×120像素。

按上述方案，直接在大小為448×224像素的下半部分圖片中標(biāo)注車輛類別信息和位置信息，經(jīng)過標(biāo)注的下半部分圖片組成所述第二訓(xùn)練樣本集，對應(yīng)yolo神經(jīng)網(wǎng)絡(luò)的輸入圖像大小為448×224像素。

按上述方案，所述的卷積神經(jīng)網(wǎng)絡(luò)輸出層的損失函數(shù)表示為：

式(4)中，j1(θ)表示卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；m為每批量的圖片數(shù)；hθ(α⁽ⁱ⁾)表示softmax分類的期望函數(shù)；α表示卷積神經(jīng)網(wǎng)絡(luò)中全連接層fc9輸出的特征向量；β表示與卷積神經(jīng)網(wǎng)絡(luò)中全連接層fc9輸出的特征向量α對應(yīng)的標(biāo)簽；θ表示為模型參數(shù)。

按上述方案，所述的yolo神經(jīng)網(wǎng)絡(luò)輸出層的損失函數(shù)表示為：

式(5)中，j2(θ)表示yolo神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；λcoord＝5；λnoobj＝0.5；s²為網(wǎng)格數(shù)；wi、hi分別為網(wǎng)格i的預(yù)測邊界框的寬和高；分別為網(wǎng)格i的標(biāo)簽邊界框的寬和高；xi、yi表示為網(wǎng)格i的預(yù)測邊界框中心相對于網(wǎng)格i的位置；為網(wǎng)格i的標(biāo)簽邊界框中心相對于網(wǎng)格i的位置；pi(c)為網(wǎng)格i的預(yù)測邊界框關(guān)于類別c的置信度；為網(wǎng)格i的標(biāo)簽邊界框關(guān)于類別c的置信度；classes為第二訓(xùn)練樣本集中的樣本類別數(shù)；ci為網(wǎng)格i的預(yù)測邊界框的預(yù)測類別；為網(wǎng)格i的標(biāo)簽邊界框的標(biāo)簽類別。

按上述方案，所述卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)均采用小批量隨機(jī)梯度下降法訓(xùn)練。

按上述方案，步驟s4具體為，將交通監(jiān)控圖片拆分成上下兩部分，上部分利用滑動窗口采樣圖片，將其輸入卷積神經(jīng)網(wǎng)絡(luò)，檢測出上半部分中的車輛；將下半部分直接輸入yolo神經(jīng)網(wǎng)絡(luò)，檢測出下半部分中的車輛；結(jié)合卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果和yolo神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，檢測出交通監(jiān)控圖片中的車輛。

本發(fā)明具有以下有益效果：

1、本發(fā)明同時克服檢測卷積神經(jīng)網(wǎng)絡(luò)檢測速度較慢和yolo神經(jīng)網(wǎng)絡(luò)召回率低的缺點(diǎn)，能夠快速準(zhǔn)確地檢測交通監(jiān)控中的車輛，滿足交通監(jiān)控的技術(shù)需求且實(shí)現(xiàn)難度較低；

2、檢測速率、準(zhǔn)確率和召回率均高于卷積神經(jīng)網(wǎng)絡(luò)或yolo神經(jīng)網(wǎng)絡(luò)的單獨(dú)使用，既適用于圖片，也適用于視頻，具有廣闊的應(yīng)用前景。

附圖說明

圖1為本發(fā)明用于交通監(jiān)控的車輛檢測方法的訓(xùn)練流程示意圖；

圖2為本發(fā)明實(shí)施例卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3為本發(fā)明實(shí)施例yolo神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例對本發(fā)明的原理和特征進(jìn)一步的描述。

如圖1所示，本發(fā)明實(shí)施例所述的用于交通監(jiān)控的車輛檢測方法，對交通監(jiān)控視頻中的車輛進(jìn)行檢測，由于視頻是由一幀幀的圖片構(gòu)成，因此本質(zhì)是快速地對交通監(jiān)控圖片中的車輛進(jìn)行檢測，車輛檢測方法通過將經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)聯(lián)合使用，向其輸入交通監(jiān)控圖片、并由所述的卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)輸出檢測結(jié)果而實(shí)現(xiàn)。即該方法的實(shí)現(xiàn)首先要訓(xùn)練好卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)，在檢測過程中，結(jié)合經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)進(jìn)行判別。

首先分別建立卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。

訓(xùn)練樣本集建立如下：首先將收集到的交通監(jiān)控圖片都拆分成上下兩部分，上半部分圖片中的車輛由于離交通監(jiān)控攝像頭較遠(yuǎn)，因此在圖片中呈現(xiàn)小而模糊的狀態(tài)，將其中的車輛裁剪出來并標(biāo)注車輛類別信息，組成第一訓(xùn)練樣本集；下半部分圖片中的車輛由于離交通監(jiān)控攝像頭較近，因此在圖片中呈現(xiàn)大而清晰的狀態(tài)，直接在下半部分圖片中標(biāo)注出車輛類別信息和位置信息，組成第二訓(xùn)練樣本集。

接著將第一訓(xùn)練樣本集用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，同時將第二訓(xùn)練樣本集用于訓(xùn)練yolo神經(jīng)網(wǎng)絡(luò)。訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)和yolo神經(jīng)網(wǎng)絡(luò)的方法按如下步驟實(shí)現(xiàn)：

a.卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練

參照圖2所示，本發(fā)明實(shí)施例中卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像為標(biāo)注車輛類別信息的rgb圖像，大小為120×120像素。

本發(fā)明實(shí)施例中的卷積神經(jīng)網(wǎng)絡(luò)的隱藏層由5個卷積層，2個最大池化層和2個全連接層組成；其中，卷積層主要進(jìn)行卷積操作和利用線性修正激活函數(shù)relu修正特征圖；最大池化層主要進(jìn)行下采樣操作；全連接層主要進(jìn)行加權(quán)輸入和激活操作。卷積層的形式如公式(1)所示，最大池化層的形式如公式(2)所示，全連接層的形式如公式(3)所示

本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)的輸出層是softmax函數(shù)；其中神經(jīng)元個數(shù)與第一訓(xùn)練樣本集中的類別數(shù)相等。

通過卷積神經(jīng)網(wǎng)絡(luò)輸出值和樣本標(biāo)簽值計算卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，如公式(4)所示。

通過反向傳播法和小批量隨機(jī)梯度下降法更新卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，根據(jù)上述方法進(jìn)行迭代。當(dāng)卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)j1(θ)≤0.0001時，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練完成。

b.yolo神經(jīng)網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練

參照圖3所示，本發(fā)明實(shí)施例中yolo神經(jīng)網(wǎng)絡(luò)的輸入圖像為標(biāo)注車輛類別信息和位置信息的的rgb圖像，大小為448×224像素。

本發(fā)明實(shí)施例中的yolo神經(jīng)網(wǎng)絡(luò)的隱藏層由6個卷積層，2個最大池化層和2個全連接層組成；各層操作方式與卷積神經(jīng)網(wǎng)絡(luò)相同。

yolo神經(jīng)網(wǎng)絡(luò)的輸出層的神經(jīng)元個數(shù)為(5*num+classed)*size*size；輸出結(jié)果構(gòu)成一個三維矩陣，其中，classed為第二訓(xùn)練樣本集中的類別數(shù)，size代表yolo神經(jīng)網(wǎng)絡(luò)將輸入圖片拆分成size*size個網(wǎng)格，num代表每個網(wǎng)絡(luò)預(yù)測的包圍框數(shù)。

通過yolo神經(jīng)網(wǎng)絡(luò)輸出值和樣本標(biāo)簽值計算yolo神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，如公式(5)所示。

通過反向傳播法和小批量隨機(jī)梯度下降法更新yolo神經(jīng)網(wǎng)絡(luò)中的參數(shù)，根據(jù)上述方法進(jìn)行迭代。當(dāng)yolo神經(jīng)網(wǎng)絡(luò)的損失函數(shù)j2(θ)≤0.0001時，yolo神經(jīng)網(wǎng)絡(luò)的訓(xùn)練完成。

檢測過程中，將交通監(jiān)控圖片拆分成上下兩部分，上部分利用滑動窗口采樣圖片，將其輸入卷積神經(jīng)網(wǎng)絡(luò)，檢測出上半部分中的車輛；將下半部分直接輸入yolo神經(jīng)網(wǎng)絡(luò)，檢測出下半部分中的車輛；結(jié)合卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果和yolo神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，檢測出交通監(jiān)控圖片中的車輛。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之類，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。