本发明公开一种车辆检测方法，涉及数据处理应用技术领域，具体地说是一种基于双网络结构的车辆检测方法。
背景技术：
车辆检测是无人驾驶的重要组成部分。近年来，深度学习由于其强大的拟合能力，在目标检测、语义分割、图像分类等领域已经取得了突破性进展。现有的基于深度学习的经典目标检测技术主要有fasterrcnn、ssd、yolo等。这些技术在近距离的车辆检测中已经能够取得较高的精度。然而，远距离的车辆检测对于自动驾驶的安全性也具有重要的意义。在远距离的车辆检测中，车辆在图像中的尺寸较小，使得现有的深度学习框架不能取得令人满意的性能，提高了自动驾驶的风险。
本发明针对远距离的车辆检测精度低问题，提出了一种基于双网络结构的车辆检测方法，利用第一分支网络结构和第二分支网络结构进行车辆检测，第一分支网络结构获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果，利用本发明方法不仅能近距离进行车辆检测，更能够提高远距离车辆的检测精度，从而推动无人驾驶行业的发展。
技术实现要素：
本发明针对现有技术的问题，提供一种基于双网络结构的车辆检测方法。
本发明提出的具体方案是：
一种基于双网络结构的车辆检测方法，利用第一分支网络结构和第二分支网络结构进行车辆检测，
第一分支网络结构检测车辆目标图像，获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
所述的方法中第一分支网络结构包括fasterrcnn和小目标候选区域学习层，利用fasterrcnn获得初步的检测结果，将检测结果送入小目标候选区域学习层，判断判断检测出的车辆目标是否符合小目标车辆，是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
所述的方法中第一分支网络结构利用fasterrcnn先进行车辆目标图像特征提取，生成featuremap，再利用fasterrcnn中的regionproposalnetwork生成候选的目标框，对候选目标框的坐标和类别进行进一步修正，获得初步的检测结果。
所述的方法中小目标候选区域学习层根据fasterrcnn的初步检测结果生成一个二值mask，根据二值mask获得车辆目标的置信度，利用预设的阈值和置信度进行比较，置信度小于阈值则车辆目标符合小目标车辆，置信度大于阈值则车辆目标符合大目标车辆。
所述的方法中第二分支网络结构包括小目标区域pooling层和全卷积神经网络层，小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层，对输入的检测出的车辆目标进行图像预处理，将小目标车辆区域的像素点选择出来，再将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络对小目标车辆区域进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
一种基于双网络结构的车辆检测系统，包括第一分支网络结构和第二分支网络结构，
第一分支网络结构检测车辆目标图像，获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
所述的系统中第一分支网络结构包括fasterrcnn和小目标候选区域学习层，利用fasterrcnn获得初步的检测结果，将检测结果送入小目标候选区域学习层，判断判断检测出的车辆目标是否符合小目标车辆，是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
所述的系统中第一分支网络结构利用fasterrcnn先进行车辆目标图像特征提取，生成featuremap，再利用fasterrcnn中的regionproposalnetwork生成候选的目标框，对候选目标框的坐标和类别进行进一步修正，获得初步的检测结果。
所述的系统中小目标候选区域学习层根据fasterrcnn的初步检测结果生成一个二值mask，根据二值mask获得车辆目标的置信度，利用预设的阈值和置信度进行比较，置信度小于阈值则车辆目标符合小目标车辆，置信度大于阈值则车辆目标符合大目标车辆。
所述的系统中第二分支网络结构包括小目标区域pooling层和全卷积神经网络层，小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层，对输入的检测出的车辆目标进行图像预处理，将小目标车辆区域的像素点选择出来，再将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络对小目标车辆区域进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
本发明的有益之处是：
本发明针对远距离的车辆检测精度低问题，提出了一种基于双网络结构的车辆检测方法，利用第一分支网络结构和第二分支网络结构进行车辆检测，第一分支网络结构获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果，利用本发明方法不仅能近距离进行车辆检测，更能够提高远距离车辆的检测精度，从而推动无人驾驶行业的发展。
附图说明
图1是本发明方法流程示意图。
具体实施方式
本发明提供一种基于双网络结构的车辆检测方法，利用第一分支网络结构和第二分支网络结构进行车辆检测，
第一分支网络结构检测车辆目标图像，获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
同时提供上述方法相对应的一种基于双网络结构的车辆检测系统，包括第一分支网络结构和第二分支网络结构，
第一分支网络结构检测车辆目标图像，获得初步的检测结果，判断检测出的车辆目标是否符合小目标车辆，是则发送给第二分支网络结构，否则作为第一分支网络结构的检测结果，
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理，将处理后的图像输入到全卷积神经网络层，利用全卷积神经网络进行像素点分类，根据分类结果，调整检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。
结合附图及具体实施对本发明做进一步说明。
利用本发明方法及系统，其中第一分支网络结构前端以fasterrcnn为主要架构，小目标候选区域学习层在fasterrcnn后，
第一分支网络结构里fasterrcnn先进行车辆目标图像特征提取，生成featuremap，再利用fasterrcnn中的regionproposalnetwork生成候选的目标框，再进行利用fasterrcnn中的目标框修正对候选目标框的坐标和类别进行进一步修正，获得初步的检测结果；
小目标候选区域学习层根据fasterrcnn的初步检测结果生成一个二值mask，在生成的二值mask中，车辆目标框区域内的mask全为1，剩余的为0，对每个车辆目标框区域内的二值mask求和，得到该车辆目标的置信度，利用预设的阈值t和置信度进行比较，置信度小于阈值t则车辆目标符合小目标车辆，置信度大于阈值t则车辆目标符合大目标车辆，预设的阈值t可根据实际情况进行确定；
第二分支网络结构包括小目标区域pooling层和全卷积神经网络层，
小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层，对输入的检测出的车辆目标进行图像预处理，其中小目标候选区域学习层可小目标车辆区域预处理部件和非0选择部件，小目标车辆区域预处理部件根据检测出的车辆目标输入信息，将非小目标车辆区域的值置为0，非0选择部件将非0元素的像素点选出来，即去掉无用的背景信息，将小目标车辆区域的像素点选择出来，提高分类精度和速度；
再将处理后的图像输入到全卷积神经网络层，利用1*1的卷积对小目标车辆区域进行像素点分类，通过全连接网络后，可获得小目标车辆的像素分类结果，根据分类结果，进一步找到小目标车辆的目标框，作为检测结果，与第一分支网络结构的检测结果进行合并，获得最后的检测结果。