一种基于高斯混合模型与深度学习的多类别车辆检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110543827A(43)申请公布日2019.12.06(21)申请号201910726408.XG06N3/04(2006.01)(22)申请日2019.08.07G06N3/08(2006.01)G06T7/136(2017.01)(71)申请人上海师范大学G06T7/155(2017.01)地址200234上海市徐汇区桂林路100号G06T7/194(2017.01)(72)发明人黄继风王志远(74)专利代理机构上海科盛知识产权代理有限公司31225代理人赵继明(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/34(2006.01)G06K9/40(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书4页附图2页(54)发明名称一种基于高斯混合模型与深度学习的多类别车辆检测方法(57)摘要本发明涉及一种基于高斯混合模型与深度学习的多类别车辆检测方法。本发明同时检测多种类别的车辆，将传统算法与深度学习模型进行了结合，具体包括A通过高清摄像头获得道路高清监控视频，并将其传递给后台服务器；B通过高斯混合模型背景差分法进行前景提取，同时进行轮廓检测，获得待检测的ROI区域。C将ROI区域传入到改进后的SqueezeNet网络进行类别检测，并显示结果。D.将每一类别的车辆进行汇总，同时计算视频检测的检测速度。E.将每一帧的视频检测结果汇成视频流显示，同时进行备份供用户备份检查。本发明使用少量预训练样本，并达到较高的检测准确率，同时本发明改进了SqueezeNet网络，在保证准确率的前提下，使网络模型和参数量尽可能少，使其更具实用性。CN110543827ACN110543827A权利要求书1/2页1.一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，该方法包括以下步骤：步骤A：获取道路高清监控视频并将其分解为单帧图像；步骤B：通过高斯混合模型背景差分法对单帧图像进行前景提取并同时进行轮廓检测，获得待检测的ROI区域；步骤C：将ROI区域传入至改进的SqueezeNet网络进行类别检测，获得检测结果；步骤D：将每一类别的车辆对应的检测结果进行汇总并同时获取视频检测的检测速度；步骤E：将每一帧的视频对应的由检测结果和检测速度组成的最终结果通过显示反馈给用户并同时将最终结果备份以用于检查补漏。2.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述的步骤A具体包括：将道路高清监控视频分解成与原视频分辨率相一致的单帧图像，并同时初始化与道路高清监控视频分辨率相一致的备份视频。3.根据权利要求2所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述分辨率的范围为(640*480，1920*1080)。4.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述的步骤B包括以下分步骤：步骤B1：通过高斯混合模型背景差分法对对单帧图像进行前景提取；步骤B2：对提取的前景分别进行二值化操作、腐蚀操作和膨胀操作以去除噪声和毛刺，获得经过形态学操作的前景；步骤B3：对经过形态学操作的前景提取初始ROI区域并进行阈值判定，将大于阈值的ROI区域作为待检测的ROI区域。5.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述的步骤C的SqueezeNet网络的改进包括只使用5个firemodule模块和将firemodule4和firemodule5的输出进行相加。6.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述的步骤C包括以下分步骤：步骤C1：收集不同时间段内的视频流，并按照设定的帧数间隔对视频帧进行存储；步骤C2：将视频帧中的不同类别的车辆提取并制作训练数据集；步骤C3：对改进的SqueezeNet网络保留初始权重，对其添加全连接层和softmax层后利用训练数据集训练改进的SqueezeNet网络；步骤C4：将ROI区域传入至经过训练的改进的SqueezeNet网络进行类别检测，获得检测结果。7.根据权利要求1所述的一种基于高斯混合模型与深度学习的多类别车辆检测方法，其特征在于，所述的步骤D包括以下分步骤：步骤D1：每一帧图像的各类别车辆检测结束获得检测结果后，在新一帧的图像开始检测之前，将各类别车辆计数器重置；步骤D2：在每一帧图像处理前和处理后记录计时周期数，同时记录CPU频率，根据计时周期数和CPU频率获取FPS，即视频检测的检测速度。8.根据权利要求1所述的一种基于高斯混合模型与深