一种基于卷积神经网络自适应的车辆检测方法
【技术领域】
[0001] 本发明属于计算机视觉领域和智能交通技术领域，特别涉及一种基于卷积神经网 络自适应的车辆检测方法。
【背景技术】
[0002] 随着视频监控技术的发展，视频摄像机已经被广泛应用于各种监控场所。但是，视 频摄像机数量的急剧增加导致传统的人工监控方式已经远远不能满足大范围监控的需要。 因此，智能监控技术成为近年来计算机视觉领域和智能交通技术领域的研究重点。在智能 监控技术中，车辆检测是一个关键技术，许多后续的分析都要依赖于精确的车辆检测结果。
[0003]目前大多数车辆检测方法都采用传统的检测方案，即首先滑动窗口截取子图像， 然后对子图像进行车辆特征提取，最后识别所提取特征的类别（车辆或是背景）。当前主要 的车辆特征有HOG特征、Gabor特征和STRIP特征等单一特征，或者这些单一特征组合而成 的混合特征（H0G特征+Gabor特征，HOG特征+Haar-Iike特征等）；用于特征识别的车辆分 类器主要有Adaboost、支持向量机或者神经网络。
[0004][0005][0006] 根据上述两种现有车辆检测方法的分析可知，基于简单特征和缺乏场景自适应性 的车辆检测方法都达不到当前智能监控中精确车辆检测的要求。因此，我们需要一种针对 不同复杂场景具有自适应性的、准确的车辆检测方法。
[0007] 如今基于大数据的深度学习方法已经远远超越了传统的识别和检测方法，卷积神 经网络（ConvolutionalNeuralNetwork，简称CNN)是深度学习当前较为热门的方法之一。 卷积神经网络通过对图像交替进行卷积和池化操作，逐渐提取图像的高层特征，再使用神 经网络对特征分类，完成识别的功能。相比于传统的车辆检测方法，基于卷积神经网络的车 辆检测方法提取到的高层特征能应对一定程度的偏移、尺度变化和形变，并且卷积神经网 络通过从大样本中学习到车辆的本质特征，保证特征具有较强可分性；另外，由于特征的可 分性强，卷积神经网络使用简单的分类器就能得到令人满意的检测结果，降低了模型的复 杂度。虽然基于卷积神经网络的车辆检测方法具有较好的检测效果，但是由于此方法缺乏 对监控场景的自适应性，当监控场景的视角变化时，无法使用此方法训练得到的卷积神经 网络车辆检测器。
【发明内容】
[0008] 本发明的目的在于克服现有技术的不足，提供一种针对不同的监控场景自适应地 调整在大样本上训练完成的基于卷积神经网络的即源CNN车辆检测器，使其成为能完成当 前监控场景车辆检测任务的即目标CNN车辆检测器，能够对车辆进行精确检测的基于卷积 神经网络自适应的车辆检测方法。
[0009] 本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络自适应的车 辆检测方法，包括以下步骤：
[0010] S1、离线训练：收集车辆样本和非车辆样本，组成源样本，对源样本进行预处理并 训练源CNN车辆检测器；
[0011] S2、离线自适应调整：自适应地调整步骤Sl得到的源CNN车辆检测器，提高其在当 前监控场景的准确率，得到目标CNN车辆检测器；
[0012]S3、在线检测：获取检测图像，利用S2得到的目标CNN车辆检测器进行车辆检测并 输出检测结果。
[0013] 进一步地，所述的步骤Sl包括以下子步骤：
[0014]S11、收集源样本：从各种监控视频中截取大量的车辆样本，并且从不包含车辆的 图像中随机截取大量的非车辆样本，组成源样本，并根据车辆样本的长宽比将所有车辆样 本分成正面和背面车辆样本、侧面车辆样本、斜侧面车辆样本三类；
[0015]S12、对源样本进行预处理，包括以下子步骤：
[0016]S121、将全部车辆样本和非车辆样本进行尺度变换；
[0017]S122、将全部车辆样本进行水平翻转；
[0018]S123、将全部车辆样本随机地进行平移变换、尺度变换和旋转变换；
[0019]S124、将所有源样本进行归一化处理；
[0020]S13、训练源CNN车辆检测器：采用BP算法训练源CNN车辆检测器，每次迭代采用 最小批的方式（mini-batches)计算网络误差，并以此误差更新源CNN车辆检测器中的参 数；当达到预设的最大迭代次数（最大迭代次数根据实验效果决定）时或者在验证集上错 误率不再下降时终止训练，获得源CNN车辆检测器。
[0021] 进一步地，所述的步骤S2包括以下子步骤：
[0022] S21、收集目标样本：从当前监控视频中截取少量车辆样本和非车辆样本，组成目 标样本；
[0023]S22、对目标样本进行预处理：将所有的目标样本进行尺度变换，然后进行归一 化；
[0024]S23、对源CNN车辆检测器进行特征迀移，根据目标车辆样本特征与对应类别源车 辆样本的平均特征之间的误差更新源CNN检测器中的参数，获得特征迀移之后的CNN车辆 检测器；具体包括以下子步骤：
[0025]S231、利用源CNN车辆检测器分别提取源车辆样本的特征和目标车辆样本的特 征；
[0026]S232、利用K-means算法对所有源车辆样本的特征进行聚类；
[0027]S233、计算每类源车辆样本的平均特征；
[0028]S234、计算每个目标车辆样本特征与每类源车辆样本平均特征之间相似度；
[0029]S235、寻找每个目标车辆样本特征与源车辆样本平均特征具有最大相似度的类 别；
[0030] S236、计算每个目标车辆样本特征与对应类别源车辆样本平均特征的误差，并以 此误差更新源CNN检测器中的参数，获得特征迀移之后的CNN车辆检测器；
[0031] S24、对特征迀移之后的CNN车辆检测器进行微调整，获得目标CNN车辆检测器，包 括以下子步骤：
[0032]S241、从源车辆样本中寻找与目标车辆样本相似的车辆样本，加入到目标车辆样 本中；
[0033]S242、设置远小于训练源CNN车辆检测器学习速率的学习速率，并采用训练源CNN 检测器一样的方式训练特征迀移之后的CNN检测器，获得目标CNN车辆检测器。
[0034] 进一步地，所述的步骤S3包括以下子步骤：
[0035]S31、获取检测图像：从监控摄像头中获取检测图像；
[0036]S32、对检测图像进行预处理：对检测图像进行均值滤波和归一化处理；
[0037]S33、构建图像金字塔：将检测图像构建图像金字塔；
[0038]S34、滑动窗口 ：以设定的窗口大小，在每一层图像金字塔上滑动窗口，截取子图 像；
[0039]S35、进行特征提取：利用目标CNN车辆检测器提取子图像的特征；
[0040] S36、特征分类：利