A weak classifier Adaboost vehicle detection method based on convolution neural network features is proposed. Aiming at the high recognition rate of vehicle detection based on convolution neural network, but the real-time performance is not good due to the complex network structure, an efficient and robust vehicle detection method is designed. First, a shallow convolution neural network is established to extract vehicle features, and then the weak classifier Ad aboost is used. Abost completes classification in the feature space extracted by convolution neural network, and finally completes vehicle detection. The method of the invention effectively utilizes the strong feature extraction ability of CNN and the fast classification ability of the weak classifier Adaboost, while avoiding the defect of large amount of computation in deep CNN training and use. Comparing with the traditional CNN algorithm, Gabor+SVM algorithm and HOG+SVM algorithm on the self-built data set, the algorithm presented in this paper has the best performance, better real-time performance and accuracy of 98.1%.
【技术实现步骤摘要】
一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法
本专利技术属于计算机视觉领域,涉及视频交通环境下车辆检测领域,特别涉及一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法。
技术介绍
目前,主动辅助驾驶及无人驾驶系统已成为研究热点,车辆检测是这些技术的共同基础。经过几十年的发展,车辆检测技术取得巨大进步,检测精度得到了提升。车辆检测一般有两种方式:非视觉传感器检测和基于视觉的检测。基于计算机视觉的车辆检测方法价格低廉、安装使用方便,因而更具应用前景,同时也受到更多研究者的关注。但是由于复杂环境、成像角度、光照变化、车型多样性等影响,基于计算机视觉的车辆检测仍然是一个极具挑战性的问题。基于计算机视觉的车辆检测方法主要有基于特征、基于光流法、基于模版和基于机器学习四种方法。随着机器学习领域理论和技术的不断发展,基于机器学习的车辆检测方法已成为主流方法,其中深度学习方法更是掀起一阵研究热潮。作为深度学习方法之一的卷积神经网络将图像作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。同时,这种网络结构对平移、比例缩放、倾斜或者共它形式的变形具有高度不变性,而行驶过程中车辆在尺度、位置、方向上有诸多变化,因此将CNN应用于车辆检测,可以提高检测的精度。但是要获得较好的识别效果,必须建立深层模型。例如在2014ImageNetLSVRC大赛中,基于卷积神经网络模型的GoogLeNet获得最好的成绩,该网络共有22层,如果包括下采样层,则多达27层。在该类识别系统中,CNN不仅用来做特征提取,而且用来进行识别分类。通常为了达到较高 ...
【技术保护点】
1.一种基于卷积神经网络特征的弱分类器Adaboost方法的车辆检测方法,其特征是用于主动辅助驾驶或无人驾驶车辆对环境中的车辆检测,首先建立一个较浅层的卷积神经网络来提取车辆特征,然后利用弱分类器Adaboost方法在卷积神经网络提取的特征空间中完成车辆检测,包括以下步骤:1)利用训练样本建立一个卷积神经网络特征提取器,完成对车辆高维特征的提取;2)利用卷积神经网络提取训练样本的特征向量建立一个弱分类器Adaboost决策分类器;3)将测试样本添加到步骤1中训练的CNN模型中,得到测试样本所对应的特征向量,进入步骤2训练好的决策分类器中,最终得到检测结果。
【技术特征摘要】
1.一种基于卷积神经网络特征的弱分类器Adaboost方法的车辆检测方法,其特征是用于主动辅助驾驶或无人驾驶车辆对环境中的车辆检测,首先建立一个较浅层的卷积神经网络来提取车辆特征,然后利用弱分类器Adaboost方法在卷积神经网络提取的特征空间中完成车辆检测,包括以下步骤:1)利用训练样本建立一个卷积神经网络特征提取器,完成对车辆高维特征的提取;2)利用卷积神经网络提取训练样本的特征向量建立一个弱分类器Adaboost决策分类器;3)将测试样本添加到步骤1中训练的CNN模型中,得到测试样本所对应的特征向量,进入步骤2训练好的决策分类器中,最终得到检测结果。2.根据权利要求1所述的一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法,其特征是步骤1)所建立的卷积神经网络特征提取器,具体为:1.1)建立一个卷积神经网络模型,整个网络主要包括输入层、两个卷积层,两个...
【专利技术属性】
技术研发人员:芮挺,宋小娜,李华兵,杨成松,刘好全,殷勤,陆鸣,赵杰,王燕娜,解文彬,邵发明,周飞,
申请(专利权)人:中国人民解放军陆军工程大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。