一种新型深度卷积神经网络运动车辆检测方法与流程

1.一种新型深度卷积神经网络运动车辆检测方法，其特征在于包括如下步骤：

步骤1.将前期图像进行预处理；

步骤2.采用一个LeNet-5卷积神经网络结构进行候选区域提取；该神经网络结构由卷积层特征提取和BP神经网络两部分组成，且卷积层共有5层；

2-1.卷积层的输入为一段视频中经过预处理的单帧图片(说明：单帧图片表示在学习部分卷积层中的输入图片，同时在后文中的检测部分也表示待检测图片)，将该图片传入卷积层的S1层，分别与x个5×5的不同类型车辆的卷积核进行卷积，得到x个可能包含不同类型车辆特征信息的特征图；

2-2.在卷积层的C2层对特征图进行下采样；

2-3.将压缩后的特征图在卷积层S3重新与5×5大小的卷积核进行运算；

该处卷积的目的在于对压缩后的特征图进行模糊处理，弱化运动车辆的位移区别；由于此时数据量仍然很大，因此需要进一步操作；

2-4.对卷积层的C4层继续进行(2,2)尺寸的池化操作，得到卷积层的S5层；

2-5.将得到的卷积层的S5层经过重构(此处重构即为将特征图层与卷积核进行卷积运算后进行按序排列，顺序为卷积特征的排列顺序)得到卷积层的F6层，该层即为输出的检测结果，由于输出的检测结果要包含这x种不同类型车辆的检测结果，因此在F6层中需要输出x个5×5特征图来表示所对应车辆类型的检测结果，并将每种车辆类型的检测判断结果按序输出；

步骤3.采用中值滤波对候选区域进行验证。

2.根据权利要求1所述的一种新型深度卷积神经网络运动车辆检测方法，其特征在于在整个卷积神经网络中，单帧图片输入值卷积层的不同特征图层，其相同位置的像素点在后一图层的运算结果通过计算得到：

y_ij＝f_ks({x_{si+δi,sj+δj}},0＜＝δi,δj＜＝k)

其中，由于LeNet-5的卷积层运算过程只取决于相对空间坐标，故把(i,j)位置上的数据向量记作x_ij；式中的k是核的大小，s是子采样因子，f_ks决定了图层的类型：卷积或者激活函数的非线性等；δi,δj指代在(si,sj)位置上的上下左右偏移增量；

在卷积层S1与S3层中进行的特征提公式为：

$x_j^1=f(\underset{i\∈M_j}{\Σ}{x}_i^{l-1}*k_{ij}^l+b_i^l)$

其中，代表第l层的第j个特征图，k^l表示第l层所采用的卷积核，而b^l表示经过第l层卷积以后所产生的偏置，M_j表示卷积核中的像素点第j个位置。

3.根据权利要求2所述的一种新型深度卷积神经网络运动车辆检测方法，其特征在于BP神经网络结构包含输入层、隐含层以及输出层三部分；其中中输入层为250个神经元，隐含层也为250个神经元，输出层神经元也为5个；在BP神经网络中的激活函数为：

$S\left(x\right)=\frac{1}{1+e^{-x}};$

对于上述将单帧图片进行卷积提取特征和，通过BP神经网络进行权值的训练进行整合归纳，称之为卷积神经网络编码体系；通过卷积神经网络的特征提取以后，对原测试图片进行了尺寸的变换，因此在提取候选区域时需要将图片的尺寸恢复到原图片大小；采用卷积神经网络解码体系，对编码后的输出图层进行解码，此处的输出图层为F6层处的结果特征图；同时还进行智能像素点标记；卷积解码过程与卷积编码过程操作相反，升采样操作与上述降采样操作也是相反的，其表达式为：

上式中，up(·)为升采样计算方法，表示第l+1层的第j个特征图层的权值参数，此运算法则是将图像通过与Kronecker算子作运算使得输入图像在水平和垂直方向复制n次，将输出图像的参数值恢复到降采样之前；由此再将分类完的特征图像迭代返回，得到分类后的输出特征图；综合卷积神经网络与编解码智能像素标记体系，构建出整个检测算法的框架图；通过该算法的检测可以实现对道路路况图片中车辆进行实时分类标记，同一类的车辆用相同的像素值表示。

4.根据权利要求3所述的一种新型深度卷积神经网络运动车辆检测方法，其特征在于步骤3所述的采用中值滤波对候选区域进行验证，具体如下：

在候选区域验证过程中采用中值滤波法滤除误判点，提炼检测效果；经过二维中值滤波后的输出由计算所得：

g(x,y)＝med{f(x-k,y-l),(k,l∈W)}

其中，f(x,y)，g(x,y)分别为提取候选区域模块的输出结果图像和候选区域验证后的图像；W为二维模板，通常为3×3或者5×5区域；

经过候选区域验证模块后，目标车辆的位置信息已经被提取，到此运动车辆检测的过程已经结束，检测的目的也已达到。

5.根据权利要求4所述的一种新型深度卷积神经网络运动车辆检测方法，其特征在于五种类型车辆的卷积核采用HCM算法训练得到，HCM算法一种无监督学习的聚类算法，设有车辆样本集X＝{X_i|X_i∈R^P,i＝1,2,...,N}，将车辆分成c类，与LeNet分类结果相统一，用5×N阶矩阵U来表示分类结果，U中的元素u_il为：

式中X_l表示车辆样本集中的样本。

6.根据权利要求5所述的一种新型深度卷积神经网络运动车辆检测方法，其特征在于HCM算法的具体步骤如下：

(1)确定车辆聚类类别数c,2≤c≤N,其中N为样本个数；

(2)设置允许误差ε，考虑到c种车辆类型的差异，因此取允许误差值为0.01；

(3)任意指定初始分类矩阵U^b，初始b＝0；

(4)根据U^b和下式计算c个中心矢量T_i：

U＝[u_1l,u_2l,···,u_Nl]

$T_i=\frac{1}{\underset{l=1}{\overset{N}{\Σ}}{u}_{il}}\underset{l=1}{\overset{N}{\Σ}}{u}_{il}{X}_l$

(5)按照预定方法进行更新U^b为U^b+1：

其中d_il＝||X_l-T_i||，即第l个样本X_l到第i个中心T_i之间的欧式距离；

(6)通过将前后更新的矩阵范数进行比较，若||U^b-U^b+1||＜ε则停止；否则置，b＝b+1，返回(4)；

(7)由此达到样本特征提取的效果，即能够有效区分车辆类型，采用迭代LMS(最小二乘法)调节隐层间的连接权重ω_ij，利用输入样本{X_i|X_i∈N^P,i＝1,2,...,N}及其对应的实际输出样本{D_i|D_i∈R^q,i＝1,2,...,N}使式(12)中的能量函数最小：

$E=\frac{1}{2N}\underset{j=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{q}{\Σ}}{e}_{jk}^2$

$e_{jk}=d_{jk}-f_k\left(X_j\right)=d_{jk}-\underset{i=1}{\overset{M}{\Σ}}{\mathrm{\ω}}_{ik}G(X_j,T_i)$

从而达到调节权重ω_ij的目的；ω_ij的调节公式为：

${\mathrm{\ω}}_{ij}^{b+1}={\mathrm{\ω}}_{ij}^b-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{\ω}}_{ij}}$

$\frac{\∂E}{\∂{\mathrm{\ω}}_{ij}}=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{q}{\Σ}}{e}_{jk}G(X_j,T_i).$