一种基于深度网络的车辆检测方法与流程

技术特征：

1.一种基于深度网络的车辆检测方法，其特征在于：所述方法包括以下步骤：

1)选取图像中可能是车辆的子图片；

2)准备深度网络训练样本的；

3)对为深度网络分类器C_DNN结构进行确定；

4)对待分类样本进行判断，最后得到检测结果。

2.根据权利要求1所述的基于深度网络的车辆检测方法，其特征在于：所述步骤1)中设任一待判断子图片为I(x)，则该子图片的对称度用如下的公式进行计算：

$S\left(x_s\right)=\frac{{\∫}_{-w/2}^{+w/2}E{(u,x_s)}^{2}du-{\∫}_{-w/2}^{+w/2}O{(u,x_s)}^{2}du}{{\∫}_{-w/2}^{+w/2}E{(u,x_s)}^{2}du+{\∫}_{-w/2}^{+w/2}O{(u,x_s)}^{2}du},-w/2\≤u\≤w/2---\left(1\right)$

公式中，设图像中心对称轴横坐标为x_s，u＝x-x_s；

此外：

公式(1)所计算的值S(x_s)即为某图像块的对称性度量。

3.根据权利要求1或2所述的基于深度网络的车辆检测方法，其特征在于：所述步骤2中深度网络训练样本是通过人工选取大量车辆及非车辆的图片，并分别标记为正负样本，将所有正负样本都归一化到长宽均为32像素的尺寸，并设第i个样本的灰度特征向量为G_i；并设正负样本数共为n。

4.根据权利要求3所述的基于深度网络的车辆检测方法，其特征在于：所述步骤3中分类器结构由训练样本个数及待分类类数确定；其中深度神经网络是一个前馈的神经网络结构，并由输入层、模式层、求和层与输出层构成。

5.根据权利要求4所述的基于深度网络的车辆检测方法，其特征在于：所述步骤4中待判断样本先以灰度特征向量G_i表征；然后将该向量输入到步骤2得到的C_DNN中，待判断样本属于输出神经元为1的类。

6.根据权利要求5所述的基于深度网络的车辆检测方法，其特征在于：所述步骤4还包括以下步骤：

4.1、通过C_DNN输入层接收来自待判断样本的灰度特征向量G_i；

4.2、计算C_DNN模式层计算输入特征向量与训练样本集中各个模式的匹配关系，该层每个模式神经元j的输出为：

$f(G_i,W_j)=\exp \[-\frac{{(W_j-G_i)}^T(W_j-G_i)}{2{\mathrm{\σ}}^2}\]---\left(3\right)$

其中:W_j为输入层到模式层神经元j连接的权值，其值为神经元j对应训练样本的特征向量；σ为平滑参数，σ取0.25；

4.3、求和层按式(3)计算，对步骤4.2中j个模式单元的输出按照类别分别求和，求和层神经元对应值即为样本属于该类的估计概率密度；

4.4、输出层在各个分类模式求和层中选择一个具有最大输出的神经元作为整个系统的输出；具有最大输出的求和层想对应的输出层神经元输出为1，即所对应的那一类即为待判断的样本类别，输出层其他神经元的输出全为0。

7.根据权利要求5所述的基于深度网络的车辆检测方法，其特征在于：所述步骤3中输入层神经元个数为样本的维数；模式层神经元个数所有训练样本个数之和；求和层神经元个数为待分类类数；输出层神经元个数与模式层相同。