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

一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，针对基于卷积神经网络的车辆检测识别率高，但由于网络结构复杂带来的实时性不好的问题，设计一种高效鲁棒的车辆检测方法，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在卷积神经网络提取的特征空间中完成分类，最终完成车辆检测。本发明专利技术方法有效利用CNN强大的特征提取能力和弱分类器Adaboost的快速分类能力，同时又避免了深度的CNN训练与使用中运算量大的缺陷。通过自建数据数据集上与已有传统的CNN算法、Gabor+SVM算法、HOG+SVM算法进行了比对实验，本文提出的算法表现最好，实时性更好，准确率也高达98.1％，较好地解决了车辆检测问题。

A Weak Classifier Adaboost Vehicle Detection Method Based on Convolutional Neural Network Features

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。通常为了达到较高的识别率，网络模型结构非常复杂，针对车辆检测这个任务，至少需要三到四层的网络结构(只计算卷积层的个数)，这种复杂的模型结构会严重影响实时性，不利于车辆检测速度的提高。
技术实现思路
本专利技术要解决的问题是：针对基于卷积神经网络的车辆检测识别率高，但由于网络结构复杂带来的实时性不好的问题，设计一种高效鲁棒的车辆检测方法。本专利技术的技术方案为：利用卷积神经网络优异的特征提取能力完成对车辆特征的提取，构建一个较浅层的卷积神经网络对车辆的高维特征进行提取，降低网络的复杂度，使CNN的训练过程与使用过程的运算量大为降低，在保证特征有效性的前提下提高了实时性；在此基础上，利用弱分类器Adaboost方法分类器良好的分类能力与快速性，实现对车辆的检测。一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，用于智能车辆或无人驾驶车辆，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在卷积神经网络提取的特征空间中完成分类，最终完成车辆检测，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，具体为：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，两个下采样层、全连接层和输出层，如图2所示。利用样本训练该模型，使其具有较好的识别能力；②利用训练好的模型提取车辆的高维特征。将训练样本重新加入训练好的模型中，逐步进入图2所示的卷积层C1、下采样层S2、卷积层C3、和下采样层S4，之后将S4的输出作为CNN提取到的特征向量，完成车辆特征提取。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，具体为：①利用卷积神经网络提取训练样本的特征向量后，根据弱分类器Adaboost算法找出每个特征向量所对应的最佳阈值，得到一个弱分类器；②计算每个弱分类器对样本集的分类错误率，进而得到本轮训练的最优弱分类器；③更新样本权值，经过T轮迭代，得到T个弱分类器；④将弱分类器融合得到一个最终的决策分类器。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。本专利技术与现有技术相比有如下优点：本专利技术将CNN用作特征提取器、弱分类器Adaboost算法作为特征选择和分类器。通过这样的设计，既能提取有效的特征来表征车辆和背景，又由于弱分类器Adaboost算法具有的简洁性和高效性提高了车辆检测的速度和精度。这种方法有效利用CNN强大的特征提取能力和弱分类器Adaboost的快速分类能力，同时又避免了深度的CNN训练与使用中运算量大的缺陷。对比实验中本专利技术提出的算法表现最好，实时性更好，准确率也高达98.1％，较好地解决了车辆检测问题。附图说明图1为本专利技术的实施流程。图2为本专利技术建立的卷积神经网络模型。图3为本专利技术建立的卷积神经网络特征提取器提出的车辆特征。图4为本专利技术的弱分类器Adaboost决策分类器的训练过程。图5为本专利技术的车辆检测效果。图6为本专利技术在自建数据集上与其他方法识别性能上的比较结果。具体实施方式本专利技术提出了一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，如图1所示，包括以下步骤：1)考虑到样本的多样性(如不同场景、不同天气等)，使训练网络具有更强的适应能力，从汽车行车记录仪(ADR)上获取的视频中提取图片，作为样本的一部分；另一部分取自MITCarDatabase，将其样本水平镜像，扩大样本集，构成样本自建数据集。2)建立简洁的浅层CNN网络并利用该网络提取车辆的高维特征。对比了两种网络结构-CNN-1和CNN-2，以验证不同网络结构对特征提取性能的影响。在CNN-1中只设置一个卷积层和一个下采样层，而CNN-2中则设置了2个卷积层和下采样层。具体实施步骤为：①通过调整参数使两个网络结构最优，获得最好的收敛速度和识别率；②将测试样本分别输入到CNN-1模型和CNN-2模型中，分别取出CNN-1模型中的S1层的输出和CNN-2模型中的S2层的输出作为测试样本特征向量；③针对单个样本，采用可视化的方法，将其各层特征展示出来。由可视化后的特征图可见，CNN-2具有较好的特征表达能力，能有效提取车辆和背景的深层特征，如图3所示。3)利用弱分类器Adaboost算法训练对应的强分类器，具体实施步骤为：①利用步骤2中提取的车辆特征建立弱分类器Adaboost算法的训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；②初始化样本权重为1/n，即为训练样本的初始概率分布；③进行第一次迭代：首先求取每个特征向量所对应的最佳阈值，得到一个弱分类器，然后求取每个弱分类器对样本集的分类错误率，进而得到本轮训练的最优弱分类器；④经T次迭代后，得到T个弱分类器；⑤将弱分类器进行融合得到一个最终的决策分类器。4)将测试样本添加到步骤2)中训练的CNN-2模型中，得到测试样本所对应的特征向量，进入步骤3)训练好的决策分类器中，最终得到判决结果。本专利技术的实施在自建数据数据集上与已有传统的CNN算法、Gabor+SVM算法、HOG+SVM算法进行了比对，计算各自错误率，具体实验结果如图6所示。可见本文提出的算法，错误率最低，为1.92％，它比传统的两层CNN模型降低了0.83％。若用传统的CNN来实现，至少需要三层或四层网络才可以达到这个错误率。本文这种算法，对于96*96像素大小的样本，1秒中可检测483个，而在传统的两层CNN识别中，1秒中可检测158个样本。若采用更复杂的网本文档来自技高网...

【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