基于自适应上下文信息的CNN交通检测方法

摘要

本发明公开了一种基于自适应上下文信息的CNN交通检测方法，包括训练阶段和检测阶段，在特定交通场景下，训练自适应的上下文特征选择模型；在获取自适应的上下文特征选择模型的基础上，训练基于自适应上下文信息的CNN交通检测系统；在前向阶段，通过后处理，准确框定交通目标(在检测时，进行上下文和目标的联合预测，通过后处理，准确框定交通目标)。本发明提出了基于自适应上下文信息的CNN交通检测系统，主要包含基于CNN的自适应的上下文选择模型和融合该模型的交通检测系统，进一步提高了车辆和行人检测的准确性。

主权项

一种基于自适应上下文信息的CNN交通检测方法，其特征在于，包括训练阶段和检测阶段，训练阶段包含两步：第一步，在特定交通场景下，训练获取自适应的上下文特征选择模型；首先，在特定的交通场景下，提取交通目标图像及其上下文图像的两组CNN特征图；然后，在同一尺度下，计算两组特征图间的差异，记录并统计所有样本差异度小于设定阈值的特征图位置索引；接着，选取K个有效的上下文CNN特征图的位置索引，得到自适应的上下文选择模型，K＞0，整数；第二步，在获取自适应的上下文特征选择模型的基础上，训练基于自适应上下文信息的CNN交通检测系统；在前向阶段，首先，提取交通目标图像及其上下文图像的两组CNN特征图，利用上下文特征选择模型保留的K个特征图位置索引，从获取的上下文CNN特征图中，保留相应的有效特征图；然后，对获得的两组特征图分别利用目标核与上下文核做卷积计算获得目标分值与上下文分值；接着，通过混合系数融合目标分值与上下文分值，获得检测分值；在后向阶段，计算检测分值与标签的误差，用BP算法，更新目标核、上下文核和混合系数参数；检测阶段：在特定交通场景下，首先，输入检测的交通图像，利用CNN提取256张特征图，一方面，利用训练好的目标核卷积256张特征图获得目标掩码图；另一方面，用上下文特征选择模型保留的K个特征图位置索引，从256张特征图中选择K个特征图，利用训练好的上下文核做卷积获得上下文掩码图；然后，利用训练好的混合系数，融合获得的目标掩码图与上下文掩码图，联合预测目标位置；最后，通过后处理，准确框定交通目标。