发明名称 |
一种基于深度学的车辆特征物检测方法 |
摘要 |
本发明涉及一种基于深度学的车辆特征物检测方法。本发明首先把车窗内所有需要检测的物体都标注出来,设计CNN网络结构。其次通过统计机器学的方法粗略定位车脸的位置,并对车窗四个点进行定位,得到车窗的位置。结合selective search与edgebox建议框提取方法,得到可能是目标物体的建议框。然后在建议框的基础上进行多尺度缩放得到不同尺度下的待分类区域,利用多分类模型进行分类。最后利用每一物体自有的先验信息进行最后的去误检处理。得到每辆车车窗上的各种特征物类别与坐标。本发明相对传统的图像处理方法来说具有较高的鲁棒性,而且能够一次性检测出车窗内所有感兴趣的物体,且速度比传统学方法快。 |
申请公布号 |
CN105718912A |
申请公布日期 |
2016.06.29 |
申请号 |
CN201610052980.9 |
申请日期 |
2016.01.26 |
申请人 |
浙江捷尚视觉科技股份有限公司 |
发明人 |
尚凌辉;高勇;刘小扬;丁连涛;李军伟 |
分类号 |
G06K9/00(2006.01)I;G06K9/62(2006.01)I |
主分类号 |
G06K9/00(2006.01)I |
代理机构 |
浙江杭州金通专利事务所有限公司 33100 |
代理人 |
王佳健 |
主权项 |
一种基于深度学习的车辆特征物检测方法,其特征在于该方法包括以下步骤:步骤1.把车窗内所有需要检测的物体标注出来,设计CNN网络结构,该网络结构主要包括三个卷积层,三个池化层,三个RELU层、两个全连接层及Softmaxwithloss层,并用该结构在Caffe框架上进行训练,得到一个多分类模型;步骤2.通过统计机器学习的方法粗略定位车脸的位置,并对车窗四个点进行定位,得到车窗的位置;步骤3.结合selective search与edgebox建议框提取方法,得到可能是目标物体的建议框;步骤4.在建议框的基础上进行多尺度缩放得到不同尺度下的待分类区域,然后利用步骤1得到的多分类模型进行分类;步骤5.利用每一物体自有的先验信息进行最后的去误检处理;步骤6.得到每辆车车窗上的各种特征物类别与坐标。 |
地址 |
311121 浙江省杭州市余杭区五常街道文一西路998号7幢东楼 |