一种车辆检测模型训练方法和车辆检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965831A(43)申请公布日2023.04.14(21)申请号202211619141.2(22)申请日2022.12.14(71)申请人北京信路威科技股份有限公司地址100089北京市海淀区王庄路1号院2号楼19层1903室(72)发明人胡中华陈炫憧覃浩蓝(74)专利代理机构北京维正专利代理有限公司11508专利代理师赵万凯(51)Int.Cl.G06V10/774(2022.01)G06V10/50(2022.01)G06V10/82(2022.01)G06N3/08(2023.01)G06N3/0464(2023.01)权利要求书2页说明书9页附图5页(54)发明名称一种车辆检测模型训练方法和车辆检测方法(57)摘要本发明公开了一种车辆检测模型训练方法和车辆检测方法，该车辆检测模型训练方法包括：获取训练数据集，训练数据集包括预定数量相同尺寸的车辆灰度图，车辆灰度图中包含车辆位置标注信息；将车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图；将车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练，对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型。本方案能够同时提高车辆检测的实时性和精度，适用于轻量化的车辆监控系统中。CN115965831ACN115965831A权利要求书1/2页1.一种车辆检测模型训练方法，适于在计算设备中执行，其特征在于，包括：获取训练数据集，所述训练数据集包括预定数量相同尺寸的车辆灰度图，所述车辆灰度图中包含车辆位置标注信息；将所述车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图；将所述车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练；以及对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型。2.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述获取训练数据集，所述训练数据集包括预定数量相同尺寸的车辆灰度图，所述车辆灰度图中包含车辆位置标注信息的步骤包括：获取不同场景下不同类型的车辆图像，对车辆图像中的车辆位置和类型进行标注；将获取的车辆图像转换为灰度图，并将灰度图调整为相同尺寸；对相同尺寸的灰度图进行高斯滤波，得到预设数量相同尺寸的车辆灰度图。3.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述将所述车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的HOG特征图的步骤包括：将相同尺寸的灰度图调整为不同尺寸的灰度图；对不同尺寸的灰度图分别提取HOG特征，得到HOG特征数据；将所述HOG特征数据进行特征图可视化，得到不同尺寸的HOG特征图。4.根据权利要求1所述的车辆检测模型训练方法，其特征在于，所述预先构建的车辆检测模型包括级联的特征提取网络和预测网络，所述特征提取网络包括多个由3*3卷积层、1*1卷积层并行组成的分支结构和3*3池化层，所述分支结构用于对通道合并后的车辆灰度图进行特征提取，所述池化层用于对特征提取后的特征图进行下采样；所述预测网络包括由反卷积模块和分别用于输出热力图、中心点偏置和预测框尺寸的三个分支卷积网络，所述反卷积模块包括3*3卷积层、2*2上采样层和add层。5.根据权利要求4所述的车辆检测模型训练方法，其特征在于，所述将所述车辆灰度图和不同尺寸的HOG特征图输入预先构建的车辆检测模型中进行迭代训练的步骤包括：将车辆灰度图和下采样后得到的不同尺寸的灰度图分别与对应尺寸的HOG特征图进行通道合并；基于预测网络输出的目标预测类别、中心点偏置和预测框尺寸与真实值之间的误差计算损失函数；当所述损失函数的损失值小于预设阈值或者迭代次数达到预设迭代周期时训练结束，得到训练后的车辆检测模型。6.根据权利要求5所述的车辆检测模型训练方法，其特征在于，所述对训练后的车辆检测模型进行重参数化得到用于预测的车辆检测模型的步骤包括：将每个分支结构中的3*3卷积核和1*1卷积核填充后进行合并，得到用于预测的车辆检测模型。7.一种车辆检测方法，适于在计算设备中执行，其特征在于，包括：2CN115965831A权利要求书2/2页获取待检测车辆图片；对所述待检测车辆图片进行预处理，得到预设尺寸的待检测车辆灰度图；将所述预设尺寸的待检测车辆灰度图调整为不同尺寸后提取对应的HOG特征，得到不同尺寸的待检测HOG特征图；将预设尺寸的待检测车辆灰度图和不同尺寸的待检测HOG特征图输入如权利要求1‑6任意一项中所述的车辆检测模型训练方法得到的用于预测的车辆检测模型中进行预测和特征解码，得到车辆位置信息和类型。8.根据权利要求7所述的车辆检测方法，其特征在于，所述将所述预设尺寸的待检测车辆灰度图调整为