CN107729895A - 一种智能车adas系统目标检测方法及装置 - Google Patents
一种智能车adas系统目标检测方法及装置 Download PDFInfo
- Publication number
- CN107729895A CN107729895A CN201710978208.4A CN201710978208A CN107729895A CN 107729895 A CN107729895 A CN 107729895A CN 201710978208 A CN201710978208 A CN 201710978208A CN 107729895 A CN107729895 A CN 107729895A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- parameter
- target
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能车ADAS系统目标检测方法及装置，方法包括：在第一级网络中，生成与待检测图像数据对应的第一目标图像数据，第一目标图像数据具有与第一目标图像对应的第一参数；利用改进的非极大值抑制算法对第一参数进行处理，得到目标第一参数；利用目标第一参数对待检测图像数据进行处理，得到目标待检测图像数据；在第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，第二目标图像数据具有与第二目标图像对应的第二参数；利用改进的非极大值抑制算法对进行处理，得到目标第二参数。可见，本发明中，通过级联两级的深度神经网络模型实现了对待检测图像数据中行人或骑行者的检测。
Description
技术领域
本发明涉及检测技术领域，特别是涉及一种智能车ADAS系统目标检测方法及装置。
背景技术
过去10年中，智能车高级驾驶辅助系统(ADAS)在改善驾驶安全性上取得了显著成就，比如前方碰撞预警系统FCW、自动紧急制动系统AEB等。近几年，大量研究兴趣聚焦于保护脆弱道路使用者(VRUs)，如行人和骑行者。根据WHO统计数据显示，交通事故死亡率中，VRUs死亡人数约占50％。由于行人与骑行者没有特殊的保护装置，因此保护行人与骑行者非常重要。
对于智能车ADAS系统，实时的行人、骑行者目标检测系统是预防与车辆发生碰撞的重要组成之一。因此，亟需一种能够检测行人与骑行者的方法。
发明内容
为解决上述技术问题，本发明实施例提供了一种智能车ADAS系统目标检测方法及装置，以解决现有技术中存在的技术问题，技术方案如下：
一种智能车ADAS系统目标检测方法，其特征在于，应用于级联两级的深度神经网络模型，所述级联两级的深度神经网络模型包括第一级网络和第二级网络，所述第一级网络为非感兴区域快速过滤网络，所述第二级网络为感兴区域目标检测网络，所述第一级网络包括N组由卷积层、池化层和批量归一化层组成的网络层、全连接层，所述第二级网络包括有M组由卷积层、池化层和批量归一化层组成的网络层，其中，M、N为正整数，且M大于N；
所述方法包括：
在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
利用改进的非极大值抑制值算法对所述进行处理，得到目标第二参数。
优选地，在所述第一级网络中，利用所述全连接层对待检测图像数据进行处理时，包括：
获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
优选地，通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积的公式，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵。
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
优选地，在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据之前，还包括：
分别对所述第一级网络与所述第二级网络进行训练。
优选地，还包括：
输出所述第二目标参数。
一种智能车ADAS系统目标检测装置，其特征在于，应用于级联两级的深度神经网络模型，所述级联两级的深度神经网络模型包括第一级网络和第二级网络，所述第一级网络为非感兴区域快速过滤网络，所述第二级网络为感兴区域目标检测网络，所述第一级网络包括N组由卷积层、池化层和批量归一化层组成的网络层、全连接层，所述第二级网络包括有M组由卷积层、池化层和批量归一化层组成的网络层，其中，M、N为正整数，且M大于N；
所述装置包括：
第一生成单元，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
第一处理单元，用于利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
第二处理单元，用于利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
第二生成单元，用于在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
第三处理单元，用于利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。
优选地，当所述第一处理单元利用所述全连接层对待检测图像数据进行处理时，包括：
连接单元，用于获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
第一划分单元，用于通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
第二划分单元，用于将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
优选地，第一划分单元，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵。
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
优选地，还包括：
训练单元，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据之前，分别对所述第一级网络与所述第二级网络进行训练。
优选地，还包括：
输出单元，用于输出所述第二目标参数。
本发明实施例提供的方案，应用于级联两级的深度神经网络模型，由第一级网络对待检测图像数据的非感兴区域进行快速过滤，具体地，在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；由第二级网络对第一级网络的输出结果进行进一步的优化，具体地在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。可见，本发明中，通过级联两级的深度神经网络模型实现了对待检测图像数据中行人或骑行者的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种智能车ADAS系统目标检测方法的一种流程示意图；
图2为本发明实施例所提供的一种智能车ADAS系统目标检测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的智能车ADAS系统目标检测方法，应用于级联两级的深度神经网络模型，所述级联两级的深度神经网络模型包括第一级网络和第二级网络；
所述第一级网络为非感兴区域快速过滤网络，所述第二级网络为感兴区域目标检测网络，所述第一级网络包括N组由卷积层、池化层和批量归一化层组成的网络层、全连接层，所述第二级网络包括有M组由卷积层、池化层和批量归一化层组成的网络层，其中，M、N为正整数，且M大于N。
本发明的方案，无论是第一级网络还是第二级网络，在网络中的每个池化层后面加上批量归一化层(Batch Normalization BN)，以改善网络权重参数更新的稳定性，提高训练速度，并提高检测精度。
请参阅图1，图1为本发明实施例提供的一种智能车ADAS系统目标检测方法的一种实现流程图，所述方法包括：
步骤S101、在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
实际应用中，第一目标图像可以为行人或骑行者，相应地，第一参数可以为行人或骑行者的位置坐标以及用于标示行人或骑行者的方框的高度和宽度，当然根据实际需要，第一参数并不限于位置坐标，方框的高度、宽度，还可以为其他的参数。
本实施例中，第一参数可以是多个数据，也就是说，第一目标图像可以具有多个方框，不同的方框的高度(或宽度)不同。
其中，第一级网络对待检测图像数据进行处理时，具体由卷积层、池化层、批量归一化层、全连接层分别对待检测图像数据进行处理。由卷积层、池化层、批量归一化层对待检测图像数据进行处理的过程为现有技术，此处不赘述。
优选地，本实施例利用所述全连接层对待检测图像数据进行处理时，包括：
获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
优选地，通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积的公式，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵。
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
步骤S102、利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
利用改进的非极大值抑制算法对第一参数进行处理时，可以从第一目标图像的多个方框中确定一个最佳的方框。
需要说明的是，现有技术中，所常用的是传统的非极大值抑制算法NMS，传统的非极大值抑制算法首先在被检测图片中产生一系列的检测框B以及对应的分数S。当选中最大分数的检测框M，它被从集合B中移出并放入最终检测结果集合D。与此同时，集合B中任何与检测框M的重叠部分大于重叠阈值Nt的检测框也将随之移除。非极大值抑制算法中的最大问题就是它将相邻检测框的分数均强制归零。在这种情况下，如果一个真实物体在重叠区域出现，则将导致对该物体的检测失败并降低了算法的平均检测率(average precision,AP)。
改进的NMS算法，基于重叠部分的大小为相邻检测框设置一个衰减函数而非彻底将其分数置为零。
步骤S103、利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
利用目标第一参数对待检测图像数据进行处理主要是将待检测图像数据中不属于第一目标图像的部分过滤消除，具体地，设待检测图像数据尺寸为P×Q，感兴区域图像数据尺寸M×N，其中N＝Ymax-Ymin，即感兴区域N尺寸为所有第一目标图像在图像高度方向Y最大值减去所有第一目标图像在图像高度方向Y最小值，M尺寸保持待检测图像宽度方向尺寸P。
步骤S104、在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
由于第一级网络的主要目的是快速过滤掉非感兴区域，所以，实际应用时，第一级网络的层数较少，从而使得所得到目标第一参数准确度较低，因此，为了提高目标第一参数的准确度，本实施例采用第二级网络对将目标待检测图像数据优化后的第二图像数据进行了进一步处理，得到了第二参数。
步骤S105、利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。
本发明实施例提供的方案，应用于级联两级的深度神经网络模型，由第一级网络对待检测图像数据的非感兴区域进行快速过滤，具体地，在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；由第二级网络对第一级网络的输出结果进行进一步的优化，具体地在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。可见，本发明中，通过级联两级的深度神经网络模型实现了对待检测图像数据中行人或骑行者的检测。
请参阅图2，图2为本发明实施例提供的智能车ADAS系统目标检测装置的一种结构示意图，该装置结构示意图中的各单元的工作过程参照图1对应的实施例中方法的执行过程，该装置包括：
第一生成单元210，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
第一处理单元220，用于利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
第二处理单元230，用于利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
第二生成单元240，用于在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
第三处理单元250，用于利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。
优选地，当所述第一处理单元利用所述全连接层对待检测图像数据进行处理时，包括：
连接单元，用于获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
第一划分单元，用于通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
第二划分单元，用于将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
优选地，第一划分单元，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵。
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
优选地，还包括：
训练单元，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据之前，分别对所述第一级网络与所述第二级网络进行训练。
优选地，还包括：
输出单元，用于输出所述第二目标参数。
本发明实施例提供的方案，应用于级联两级的深度神经网络模型，由第一级网络对待检测图像数据的非感兴区域进行快速过滤，具体地，在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；由第二级网络对第一级网络的输出结果进行进一步的优化，具体地在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。可见，本发明中，通过级联两级的深度神经网络模型实现了对待检测图像数据中行人或骑行者的检测。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
对于装置或系统实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置或系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，在没有超过本发明的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本发明的目的。例如，所述单元或子单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或多个子单元结合一起。另外，多个单元可以或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另外，所描述系统，装置和方法以及不同实施例的示意图，在不超出本发明的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种智能车ADAS系统目标检测方法，其特征在于，应用于级联两级的深度神经网络模型，所述级联两级的深度神经网络模型包括第一级网络和第二级网络，所述第一级网络为非感兴区域快速过滤网络，所述第二级网络为感兴区域目标检测网络，所述第一级网络包括N组由卷积层、池化层和批量归一化层组成的网络层、全连接层，所述第二级网络包括有M组由卷积层、池化层和批量归一化层组成的网络层，其中，M、N为正整数，且M大于N；
所述方法包括：
在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述第一目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。
2.根据权利要1所述的方法，其特征在于，在所述第一级网络中，利用所述全连接层对待检测图像数据进行处理时，包括：
获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
3.根据权利要求2所述的方法，其特征在于，通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积的公式，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵；
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
4.根据权利要求1-3任一项所述的方法，其特征在于，在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据之前，还包括：
分别对所述第一级网络与所述第二级网络进行训练。
5.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
输出所述第二目标参数。
6.一种智能车ADAS系统目标检测装置，其特征在于，应用于级联两级的深度神经网络模型，所述级联两级的深度神经网络模型包括第一级网络和第二级网络，所述第一级网络为非感兴区域快速过滤网络，所述第二级网络为感兴区域目标检测网络，所述第一级网络包括N组由卷积层、池化层和批量归一化层组成的网络层、全连接层，所述第二级网络包括有M组由卷积层、池化层和批量归一化层组成的网络层，其中，M、N为正整数，且M大于N；
所述装置包括：
第一生成单元，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据，所述第一目标图像数据具有与第一目标图像对应的第一参数，所述第一目标图像为所述待检测图像数据中、满足预设要求的图像；
第一处理单元，用于利用改进的非极大值抑制算法对所述第一参数进行处理，得到目标第一参数；
第二处理单元，用于利用所述目标第一参数对所述待检测图像数据进行处理，得到目标待检测图像数据；
第二生成单元，用于在所述第二级网络中，生成与目标待检测图像数据对应的第二目标图像数据，所述第二目标图像数据具有与第二目标图像对应的第二参数；
第三处理单元，用于利用改进的非极大值抑制算法对所述进行处理，得到目标第二参数。
7.根据权利要1所述的装置，其特征在于，当所述第一处理单元利用所述全连接层对待检测图像数据进行处理时，包括：
连接单元，用于获取最后一组网络层中的批量归一化层连接到所述全连接层的权重参数矩阵；
第一划分单元，用于通过奇异值分解算法，将所述权重参数矩阵划分为两个矩阵的乘积；
第二划分单元，用于将所述全连接层划分为两个全连接子层，所述两个全连接子层中的权重参数矩阵与所述两个矩阵一一对应。
8.根据权利要求2所述的装置，其特征在于，第一划分单元，包括：
W≈UΣtVT
其中：
W是u×v维矩阵，为所述权重参数矩阵，
U是u×t维矩阵，是W的对应前t个奇异值的左奇异值向量；
Σt是t×t维对角矩阵，取W的前t个由大到小排列的奇异值；
V是v×t维矩阵，是W的对应前t个奇异值的右奇异值向量；
VT是t×v维矩阵，是V的转置矩阵；
两个矩阵分别为ΣtVT与U，第一个全连接层权重参数矩阵为ΣtVT，第二个全连接层权重参数矩阵为U。
9.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
训练单元，用于在所述第一级网络中，生成与待检测图像数据对应的第一目标图像数据之前，分别对所述第一级网络与所述第二级网络进行训练。
10.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
输出单元，用于输出所述第二目标参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710978208.4A CN107729895A (zh) | 2017-10-18 | 2017-10-18 | 一种智能车adas系统目标检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710978208.4A CN107729895A (zh) | 2017-10-18 | 2017-10-18 | 一种智能车adas系统目标检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107729895A true CN107729895A (zh) | 2018-02-23 |
Family
ID=61211771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710978208.4A Pending CN107729895A (zh) | 2017-10-18 | 2017-10-18 | 一种智能车adas系统目标检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729895A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978002A (zh) * | 2019-02-25 | 2019-07-05 | 华中科技大学 | 基于深度学习的内窥镜图像胃肠道出血检测方法和系统 |
| CN113469994A (zh) * | 2021-07-16 | 2021-10-01 | 科大讯飞(苏州)科技有限公司 | 受电弓检测方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344941A (zh) * | 2013-06-13 | 2013-10-09 | 北京空间飞行器总体设计部 | 基于无线传感器网络的实时目标检测方法 |
| CN104166861A (zh) * | 2014-08-11 | 2014-11-26 | 叶茂 | 一种行人检测方法 |
| US20160148079A1 (en) * | 2014-11-21 | 2016-05-26 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
| CN105868689A (zh) * | 2016-02-16 | 2016-08-17 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
| CN106845406A (zh) * | 2017-01-20 | 2017-06-13 | 深圳英飞拓科技股份有限公司 | 基于多任务级联卷积神经网络的头肩检测方法及装置 |
| CN106886755A (zh) * | 2017-01-19 | 2017-06-23 | 北京航空航天大学 | 一种基于交通标志识别的交叉口车辆违章检测系统 |
| CN107220706A (zh) * | 2016-12-29 | 2017-09-29 | 恩泊泰（天津）科技有限公司 | 基于参数压缩和结构压缩的车载深度神经网络优化方法 |
| CN107239829A (zh) * | 2016-08-12 | 2017-10-10 | 北京深鉴科技有限公司 | 一种优化人工神经网络的方法 |
-
2017
- 2017-10-18 CN CN201710978208.4A patent/CN107729895A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344941A (zh) * | 2013-06-13 | 2013-10-09 | 北京空间飞行器总体设计部 | 基于无线传感器网络的实时目标检测方法 |
| CN104166861A (zh) * | 2014-08-11 | 2014-11-26 | 叶茂 | 一种行人检测方法 |
| US20160148079A1 (en) * | 2014-11-21 | 2016-05-26 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
| CN105868689A (zh) * | 2016-02-16 | 2016-08-17 | 杭州景联文科技有限公司 | 一种基于级联卷积神经网络的人脸遮挡检测方法 |
| CN107239829A (zh) * | 2016-08-12 | 2017-10-10 | 北京深鉴科技有限公司 | 一种优化人工神经网络的方法 |
| CN107220706A (zh) * | 2016-12-29 | 2017-09-29 | 恩泊泰（天津）科技有限公司 | 基于参数压缩和结构压缩的车载深度神经网络优化方法 |
| CN106886755A (zh) * | 2017-01-19 | 2017-06-23 | 北京航空航天大学 | 一种基于交通标志识别的交叉口车辆违章检测系统 |
| CN106845406A (zh) * | 2017-01-20 | 2017-06-13 | 深圳英飞拓科技股份有限公司 | 基于多任务级联卷积神经网络的头肩检测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| DI ZANG: "Traffic sign detection based on cascaded convolutional neural networks", 《2016 17TH IEEE/ACIS INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING, ARTIFICIAL INTELLIGENCE, NETWORKING AND PARALLEL/DISTRIBUTED COMPUTING》 * |
| NAVANEETH BODLA 等: "Improving Object DetectionWith One Line of Code", 《ARXIV》 * |
| YAN REN 等: "Fast human detection via a cascade of neural network classifiers", 《IET 3RD INTERNATIONAL CONFERENCE ON WIRELESS, MOBILE AND MULTIMEDIA NETWORKS》 * |
| 万维: "基于深度学习的目标检测算法研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王梦来 等: "基于CNN的监控视频时间检测", 《自动化学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978002A (zh) * | 2019-02-25 | 2019-07-05 | 华中科技大学 | 基于深度学习的内窥镜图像胃肠道出血检测方法和系统 |
| CN113469994A (zh) * | 2021-07-16 | 2021-10-01 | 科大讯飞(苏州)科技有限公司 | 受电弓检测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102063701B (zh) | 影像加强装置与方法 | |
| CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
| CN106910169B (zh) | 一种防止边缘模糊的图像椒盐噪声去除方法 | |
| CN108322349A (zh) | 基于对抗式生成网络的深度学习对抗性攻击防御方法 | |
| CN107105207A (zh) | 目标监控方法、目标监控装置及摄像机 | |
| CN108197580A (zh) | 一种基于3d卷积神经网络的手势识别方法 | |
| CN107729895A (zh) | 一种智能车adas系统目标检测方法及装置 | |
| CN106910170B (zh) | 一种图像椒盐噪声的去除方法 | |
| CN107038422A (zh) | 基于空间几何约束深度学习的疲劳状态识别方法 | |
| CN107067018A (zh) | 一种基于随机Hough变换和SVM的带电作业机器人螺栓识别方法 | |
| CN106778705A (zh) | 一种行人个体分割方法及装置 | |
| CN106895553A (zh) | 空调及其控制方法和装置、报警方法和装置 | |
| CN105678813A (zh) | 一种肤色检测方法及装置 | |
| CN103778611B (zh) | 利用边缘检测的开关加权矢量中值滤波方法 | |
| CN107680382A (zh) | 车牌识别方法、模块、云端服务器以及停车场管理系统 | |
| CN107392139A (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
| CN108846842A (zh) | 一种图像噪声检测方法、装置及电子设备 | |
| CN107909593B (zh) | 基于感受野子区域的非方向选择性轮廓检测方法 | |
| CN109034268A (zh) | 一种面向信息素诱捕器的红脂大小蠹检测器优化方法 | |
| CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
| CN108921111A (zh) | 对象检测后处理方法及对应装置 | |
| CN107680097A (zh) | 一种输电线路杆塔识别鸟巢的方法 | |
| CN107369144A (zh) | 基于改进同态滤波的多尺度Retinex图像去雾方法 | |
| CN107025463A (zh) | 基于合并分组算法的寝室分组装置及方法 | |
| CN104915654B (zh) | 一种基于受限玻尔兹曼机的路径点数据行为识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
| RJ01 | Rejection of invention patent application after publication |