CN109739234A - 一种基于gps轨迹数据的车辆实时图像追踪方法 - Google Patents

Abstract

本发明公开了一种基于GPS轨迹数据的车辆实时图像追踪方法，该方法利用历史的GPS轨迹数据，预估出车辆在未来时间点的位置，并根据预估的位置信息预先选取可能捕捉到车辆的监控点，以缩小排查范围，提前做好捕捉准备，以提升捕捉效果。并对监控点的图像采用实时性高的深度卷积神经网络模型进行检测，并过滤无车辆的监控点，存储有车辆的监控点所拍摄的图像，实现对图像的无延时追踪。

Description

一种基于GPS轨迹数据的车辆实时图像追踪方法

技术领域

本发明涉及车辆追踪技术领域，具体涉及一种基于GPS轨迹数据的车辆实时图像追踪方法。

背景技术

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

随着无人驾驶汽车的发展，无人驾驶车辆的测试也渐渐发展起来，但是现有的车辆测试系统大部分是人工操作测试，缺乏自动化的工具。

无人驾驶汽车的测试是影响无人驾驶汽车发展的重要环节，无人驾驶汽车测试过程具有一定的危险性，需要智能化的车辆目标追踪系统对车辆进行追踪，对测试车辆进行测试观察。如果需要对无人驾驶汽车进行实时的观察，就需要研究和开发高性能的图像追踪技术，实现无人驾驶车辆测试在管理和服务的信息化基础上实现智能化，这对提高测试主体的管理和服务水平具有重要意义。而且，随着与无人汽车相关领域理论和技术的飞速发展，作为智能汽车测试的重要部分，车辆目标追踪也更倾向于提供更加全面、更加自动化的信息服务。

发明内容

本发明的目的在于提供一种基于GPS轨迹数据的车辆实时图像追踪方法，该方法对图像的跟踪无延时，捕捉效果好，对实时图像的操控精准。

为实现上述目的，本发明的技术方案为：

一种基于GPS轨迹数据的车辆实时图像追踪方法，所述基于GPS轨迹数据的车辆实时图像追踪方法，包括：

步骤S1、获取车辆行驶过程中最近t秒内采集的GPS轨迹数据，将GPS轨迹数据按照时间先后顺序进行排列，并按照排列后的顺序取GPS轨迹数据中的经度和纬度存储在数组DATA中，同时记录各GPS轨迹数据对应的采集时间Time；

步骤S2、采用高斯滤波对数组DATA中的GPS轨迹数据进行滤波，滤波后得到新的数组DATA_NEW；

步骤S3、根据数组DATA_NEW中的GPS轨迹数据，由相邻的两个GPS轨迹数据，确定车辆在位置[Lat_i，Lon_i]时对应的车速V_i和行车方向θ_i，从而预估相对于当前时间间隔Δt之后的车辆位置[Lat_i+1，Lon_i+1]；

步骤S4、根据预估的车辆位置，计算各监控点与该车辆位置的间距，并选取处于预设间距之内的监控点；

步骤S5、根据预估的车辆位置对应的时间点，获取步骤S4中所选取的监控点所采集的图像，将图像输入至深度卷积神经网络模型中检测图像中是否存在车辆，若不存在则过滤该监控点的图像；若存在则存储该图像，实现车辆的实时图像追踪。

作为优选，所述步骤S2中采用高斯滤波对数组DATA中的GPS轨迹数据进行滤波，包括：

S21、确定滤波窗口大小k和高斯分布的标准差σ；

S22、根据滤波窗口大小k和标准差σ，初始化一维数组滤波模板T[i]：

其中，μ和Sum为定义的中间参数，For为循环语句；

S23、根据初始化后的一维数组滤波模板T[i]进行经度和纬度的滤波：

其中，μ为定义的中间参数，N为数组DATA中的行数，For为循环语句，DATA_NEW为滤波后存储GPS轨迹数据的数组。

作为优选，所述步骤S3中预估相对于当前时间，间隔Δt之后车辆的位置[Lat_i+1，Lon_i+1]；的方法，包括：

Lat_i+1＝Lat_i+V_i×Δt×sinθ_i；

Lon_i+1＝Lon_i+V_i×Δt×sinθ_i；

其中，Lat_i+1为Δt时间后的车辆所在位置的纬度，Lon_i+1为Δt时间后的车辆所在位置的经度，Lat_i为当前车辆所在位置的纬度，Lon_i为当前车辆所在位置的经度，V_i为车辆当前的车速，θ_i为车辆当前的行驶方向。

作为优选，所述步骤S3中根据数组DATA_NEW中的GPS轨迹数据，由相邻的两个GPS轨迹数据，确定车辆在位置[Lat_i，Lon_i]时对应的车速V_i和行车方向θ_i，包括：

S31、取数组DATA_NEW中相邻的两个GPS轨迹数据[Lat_j，Lon_j]和[Lat_j+1，Lon_j+1]，且记录数据[Lat_j，Lon_j]时对应的时间Time[j]早于记录数据[Lat_j+1，Lon_j+1]时对应的时间Time[j+1]；

S32、得到车辆位于[Lat_j，Lon_j]位置时的车速V_j为：

其中，Lat_j+1为车辆在过去时间点Time[j+1]时的纬度，Lon_j+1为车辆在过去时间点Time[j+1]时的经度，Lat_j为车辆在过去时间点Time[j]时的纬度，Lon_i为车辆在过去时间点Time[j]刻的经度；

S33、得到车辆位于[Lat_j，Lon_j]位置时的行车方向θ_j为：

则，

S34、根据计算所得的过去一定时间内车辆的车速V_j和行车方向θ_j，拟合车速或行车方向的函数，包括：

对于给定的一组数据{(x_t,y_t),(t＝1,2,…,m)}，拟合的函数为：其中，k>1，a_l为参数，采用最小二乘法求得参数a_l；

求得参数a_l的方法包括：

建立最小二乘法的误差函数

当误差函数取得最小值时即可求得参数a_l，而误差函数存在最小值的必要条件是对应的偏导等于0，即其中j＝0,1,…,k；

故可得到法方程：通过法方程即可求得参数a_l，从而确定拟合函数f_k(x_t)；

S35、当进行车速拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的车速V_j，假设拟合结果为f_v，那么f_v(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的车速V_i；

当进行行车方向拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的行车方向θ_j，假设拟合结果为f_θ，那么f_θ(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的行车方向θ_i。

作为优选，所述步骤S5中将图像输入至深度卷积神经网络模型中检测图像中是否存在车辆，包括：

所述深度卷积神经网络模型从输入层I开始，依次经过卷积层C1，深度卷积层D1，卷积层C2，深度卷积层D2，卷积层C3，深度卷积层D3，卷积层C4，深度卷积层D4，卷积层C5，深度卷积层D5，全局平均池化层GAP，全连接层F1，最后到Softmax层；

所述Softmax层的Softmax函数为：

其中，θ为定义的Softmax中的参数，且x为Softmax的输入特征，i为类别，k为类别总数，P₁为当前图像存在车辆的概率，P₂为当前图像不存在车辆的概率；

当P₁>P₂时，则判断当前图像中存在车辆，反之则判断当前图像中不存在车辆。

本发明提供的基于GPS轨迹数据的车辆实时图像追踪方法，利用历史的GPS轨迹数据，预估出车辆在未来时间点的位置，并根据预估的位置信息预先选取可能捕捉到车辆的监控点，以缩小排查范围，提前做好捕捉准备，以提升捕捉效果。并对监控点的图像采用实时性高的深度卷积神经网络模型进行检测，并过滤无车辆的监控点，存储有车辆的监控点所拍摄的图像，实现对图像的无延时追踪。

附图说明

图1为本发明的基于GPS轨迹数据的车辆实时图像追踪方法的一种实施例流程图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本实施例提供一种基于GPS轨迹数据的车辆实时图像追踪方法，用于通过监控点的图像对指定车辆实现实时的图像追踪，该方法无需采购、安装繁琐的追踪设备，可以很好地把控成本。

如图1所示，基于GPS轨迹数据的车辆实时图像追踪方法，包括：

步骤S1、获取车辆行驶过程中最近t秒(例如10秒)内采集的GPS轨迹数据，将GPS轨迹数据按照时间先后顺序进行排列，并按照排列后的顺序取GPS轨迹数据中的经度和纬度存储在数组DATA中，同时记录各GPS轨迹数据对应的采集时间Time。

需要说明的是，GPS轨迹数据中的经度和纬度，以及对应的采集时间可存储在同一数组中，例如：初始化数组DATA为N行3列的数组，且其中一列用于存储经度，一列用于存储纬度，一列用于存储采集时间；当然，为了降低数组存储的数据量，GPS轨迹数据中的经度和纬度，以及对应的采集时间可存储在不同的数组中，例如：初始化数组DATA为N行2列的数组，且其中一列用于存储经度，一列用于存储纬度，并初始化另一数据用于存储采集时间。

当经度、纬度以及采集时间分开存储时，需要按照设定的存储规律进行存储，以确保所取用的数据对应于同一GPS轨迹数据，其中最为简单的存储规律为，采集时间同样按照先后顺序进行排列，并按照排列后的顺序存储在数组Time中。

步骤S2、采用高斯滤波对数组DATA中的GPS轨迹数据进行滤波，滤波后得到新的数组DATA_NEW。

由于GPS信号采集过程中可能存在误差，这将会导致GPS轨迹数据偏离车辆的真实轨迹，因此需要对GPS轨迹数据进行滤波以消除部分误差。本实施例采用高斯滤波进行GPS轨迹数据的滤波处理。

其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

高斯滤波的操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

具体地，滤波的方法包括：

S21、确定滤波窗口大小k(本实施例中以k为5为例进行计算)和高斯分布的标准差σ(本实施例中以σ为0.1为例进行计算)；

S22、根据滤波窗口大小k和标准差σ，初始化一维数组滤波模板T[i]，初始化过程如下：

其中，μ和Sum为定义的中间参数，For为循环语句。

S23、根据初始化后的一维数组滤波模板T[i]进行经度和纬度的滤波：

其中，μ为定义的中间参数，N为数组DATA中的行数，For为循环语句，DATA_NEW为滤波后存储GPS轨迹数据的数组。

至此，即得到经过滤波后的GPS轨迹数据，并且存储在数组DATA_NEW备用。

步骤S3、根据数组DATA_NEW中的GPS轨迹数据，由相邻的两个GPS轨迹数据，确定车辆在位置[Lat_i，Lon_i]时对应的车速V_i和行车方向θ_i，从而预估相对于当前时间间隔Δt之后的车辆位置[Lat_i+1，Lon_i+1]。

根据车辆的历史行驶轨迹预测车辆在未来时间点的位置，以实现提前预判车辆的未来轨迹，这将对及时捕捉车辆具有重要的意义。

所以，如果已知车辆在某一位置[Lat_i，Lon_i]时对应的车速为V_i和行车方向为θ_i，那么在一个较短的时间间隔Δt之后，车辆的位置为：

Lat_i+1＝Lat_i+V_i×Δt×sinθ_i；

Lon_i+1＝Lon_i+V_i×Δt×sinθ_i；

其中，Lat_i+1为Δt时间后的车辆所在位置的纬度，Lon_i+1为Δt时间后的车辆所在位置的经度，Lat_i为当前车辆所在位置的纬度，Lon_i为当前车辆所在位置的经度，V_i为车辆当前的车速，θ_i为车辆当前的行驶方向。

由上述公式即可实现已知车辆的历史行驶轨迹，推算出车辆在未来某一时间段的行驶轨迹。

在车辆位置信息预估过程中，需要知道车辆在未来某个时间点的车速和行车方向，而车辆在未来的车速和行车方向与车辆在过去时间段内的行驶轨迹具有很大的关联性，因此可以采用车辆在过去时间段内的位置、车速以及行车方向来预估车辆在未来一段时间内的车速和行车方向。

车辆的历史车速和行车方向这两个值可通过车辆上的信息交互设备传输至后台实现获取，但该获取方法依赖于信息传输，具有一定的区域性和时间性限制，故本实施例提出一种利用历史GPS轨迹数据计算车速和行车方向的方法，该方法具体如下：

S31、取数组DATA_NEW中相邻的两个GPS轨迹数据[Lat_j，Lon_j]和[Lat_j+1，Lon_j+1]，且记录数据[Lat_j，Lon_j]时对应的时间Time[j]早于记录数据[Lat_j+1，Lon_j+1]时对应的时间Time[j+1]；

S32、得到车辆位于[Lat_j，Lon_j]位置时的车速V_j为：

其中，Lat_j+1为车辆在过去时间点Time[j+1]时的纬度，Lon_j+1为车辆在过去时间点Time[j+1]时的经度，Lat_j为车辆在过去时间点Time[j]时的纬度，Lon_i为车辆在过去时间点Time[j]时的经度；

S33、得到车辆位于[Lat_j，Lon_j]位置时的行车方向θ_j为：

则，

步骤S33之后可以得到车辆在过去一段时间内各时间点的车速和行车方向，而车辆在未来时间段的车速和行车方向是一个预测问题，本实施例采用多项式拟合方法进行预测，具体如下：

S34、根据计算所得的过去一定时间内车辆的车速V_j和行车方向θ_j，拟合车速或行车方向的函数，包括：

对于给定的一组数据{(x_t,y_t),(t＝1,2,…,m)}，拟合的函数为：其中，k>1，a_l为参数，采用最小二乘法求得参数a_l；

求得参数a_l的方法包括：

建立最小二乘法的误差函数

当误差函数取得最小值时即可求得参数a_l，而误差函数存在最小值的必要条件是对应的偏导等于0，即其中j＝0,1,…,k；

故可得到法方程：通过法方程即可求得参数a_l，从而确定拟合函数f_k(x_t)；

在确定了拟合函数f_k(x_t)之后，即可根据拟合函数估计出未来某一时间点的车速和行车方向，并根据已知车辆的位置估计出车辆在未来某一时间点的位置。

S35、当进行车速拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的车速V_j，假设拟合结果为f_v，那么f_v(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的车速V_i；

当进行行车方向拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的行车方向θ_j，假设拟合结果为f_θ，那么f_θ(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的行车方向θ_i。

至此，在未来一段时间内的车速V_i和行车方向θ_i均已得到，即可根据车辆的当前位置预估车辆在未来某一时间点的位置信息。

步骤S4、根据预估的车辆位置，计算各监控点与该车辆位置的间距，选取处于预设间距之内的监控点。

在筛选监控点时，可以先将所有间距从小到大排列得到D₁～D_a，并根据预设间距截取处于预设间距之内的监控点。当然，还可以进一步根据监控点的朝向，过滤朝向相同且更加远离预估的车辆位置的监控点，从而筛选出最可能拍摄到追踪车辆的监控点，减少后续判断的工作量，对车辆实现图像的无延时跟踪。

步骤S5、根据预估的车辆位置对应的时间点，获取步骤S4中所选取的监控点所采集的图像，将图像输入至深度卷积神经网络模型中检测图像中是否存在所追踪的车辆，若不存在则过滤该监控点的图像；若存在则存储该图像，实现车辆的实时图像追踪。

由于本实施的追踪方法的实时性要求高，故本实施例采用计算速度快的深度卷积神经网络模型进行图像判断。

其中，卷积可以表示为：g＝f×h；

卷积定义为：

g(i,j)＝∑_k,lf(i-k,j-l)h(k,l)＝∑_k,lf(k,l)h(i-k,j-l)；

在图像卷积运算中，假设f输入为图像，h为卷积核，那么卷积可以描述为：

1)将卷积核围绕中心旋转180度；

2)滑动卷积核，使其中心位于输入图像的(i，j)像素上；

3)利用上式求和，得到输出图像的(i，j)像素值；

4)重复上述操纵，直到求出输出图像的所有像素值。

上述卷积核滑动过程中，以每次滑动均可以选择步长。

当输入图像的尺寸是(W,H,C)时，卷积的计算过程如下：

深度卷积的计算过程如下：

全局池化层可以大大减少神经网络的参数，本发明使用全局平均池化，假设池化层的输入是feature(W，H，C)，全局平均池化的输出gap(1，C)的计算过程如下：

使用深度卷积可以减少参数数量，大大加速神经网络运行，在确定卷积核深度卷积的计算过程后，构建深度卷积神经网络模型为：从输入层I开始，依次经过卷积层C1，深度卷积层D1，卷积层C2，深度卷积层D2，卷积层C3，深度卷积层D3，卷积层C4，深度卷积层D4，卷积层C5，深度卷积层D5，全局平均池化层GAP，全连接层F1，最后到Softmax层。深度卷积神经网络模型的具体结构如表1所示。

表1深度卷积神经网络模型的结构

深度卷积神经网络模型根据Softmax层的输出结果判断图像中是否存在所追踪的车辆。

具体地，定义θ为Softmax中的参数，已知Softmax函数为：

上式中x为Softmax的输入特征，i为类别，k为类别总数(本实施例中以k为2为例进行计算)。在Softmax函数的解中，P₁表示当前图像存在车辆的概率，P₂表示当前图像不存在车辆的概率。

本实施例根据P₁，P₂的大小来确定当前图像是否存在车辆。其中最为直观有效的判定方法为：当P₁>P₂时，则判断当前图像中存在车辆，反之则判断当前图像中不存在车辆。

本实施例的基于GPS轨迹数据的车辆实时图像追踪方法，对图像的跟踪无延时，捕捉效果好，对实时图像的操控精准。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于GPS轨迹数据的车辆实时图像追踪方法，其特征在于，所述基于GPS轨迹数据的车辆实时图像追踪方法，包括：

步骤S1、获取车辆行驶过程中最近t秒内采集的GPS轨迹数据，将GPS轨迹数据按照时间先后顺序进行排列，并按照排列后的顺序取GPS轨迹数据中的经度和纬度存储在数组DATA中，同时记录各GPS轨迹数据对应的采集时间Time；

步骤S2、采用高斯滤波对数组DATA中的GPS轨迹数据进行滤波，滤波后得到新的数组DATA_NEW；

步骤S3、根据数组DATA_NEW中的GPS轨迹数据，由相邻的两个GPS轨迹数据，确定车辆在位置[Lat_i，Lin_i]时对应的车速V_i和行车方向θ_i，从而预估相对于当前时间间隔Δt之后的车辆位置[Lat_i+1，Lon_i+1]；

步骤S4、根据预估的车辆位置，计算各监控点与该车辆位置的间距，并选取处于预设间距之内的监控点；

步骤S5、根据预估的车辆位置对应的时间点，获取步骤S4中所选取的监控点所采集的图像，将图像输入至深度卷积神经网络模型中检测图像中是否存在车辆，若不存在则过滤该监控点的图像；若存在则存储该图像，实现车辆的实时图像追踪。

2.如权利要求1所述的基于GPS轨迹数据的车辆实时图像追踪方法，其特征在于，所述步骤S2中采用高斯滤波对数组DATA中的GPS轨迹数据进行滤波，包括：

S21、确定滤波窗口大小k和高斯分布的标准差σ；

S22、根据滤波窗口大小k和标准差σ，初始化一维数组滤波模板T[i]：

其中，μ和Sum为定义的中间参数，For为循环语句；

S23、根据初始化后的一维数组滤波模板T[i]进行经度和纬度的滤波：

其中，μ为定义的中间参数，N为数组DATA中的行数，For为循环语句，DATA_NEW为滤波后存储GPS轨迹数据的数组。

3.如权利要求1所述的基于GPS轨迹数据的车辆实时图像追踪方法，其特征在于，所述步骤S3中预估相对于当前时间，间隔Δt之后车辆的位置[Lat_i+1，Lon_i+1]；的方法，包括：

Lat_i+1＝Lat_i+V_i×Δt×sinθ_i；

Lon_i+1＝Lon_i+V_i×Δt×sinθ_i；

其中，Lat_i+1为Δt时间后的车辆所在位置的纬度，Lon_i+1为Δt时间后的车辆所在位置的经度，Lat_i为当前车辆所在位置的纬度，Lon_i为当前车辆所在位置的经度，V_i为车辆当前的车速，θ_i为车辆当前的行驶方向。

4.如权利要求1所述的基于GPS轨迹数据的车辆实时图像追踪方法，其特征在于，所述步骤S3中根据数组DATA_NEW中的GPS轨迹数据，由相邻的两个GPS轨迹数据，确定车辆在位置[Lat_i，Lon_i]时对应的车速V_i和行车方向θ_i，包括：

S31、取数组DATA_NEW中相邻的两个GPS轨迹数据[Lat_j，Lon_j]和[Lat_j+1，Lon_j+1]，且记录数据[Lat_j，Lon_j]时对应的时间Time[j]早于记录数据[Lat_j+1，Lon_j+1]时对应的时间Time[j+1]；

S32、得到车辆位于[Lat_j，Lon_j]位置时的车速V_j为：

其中，Lat_j+1为车辆在过去时间点Time[j+1]时的纬度，Lon_j+1为车辆在过去时间点Time[j+1]时的经度，Lat_j为车辆在过去时间点Time[j]时的纬度，Lon_i为车辆在过去时间点Time[j]刻的经度；

S33、得到车辆位于[Lat_j，Lon_j]位置时的行车方向θ_j为：

则，

S34、根据计算所得的过去一定时间内车辆的车速V_j和行车方向θ_j，拟合车速或行车方向的函数，包括：

对于给定的一组数据{(x_t,y_t),(t＝1,2,…,m)}，拟合的函数为：其中，k>1，a_l为参数，采用最小二乘法求得参数a_l；

求得参数a_l的方法包括：

建立最小二乘法的误差函数

当误差函数取得最小值时即可求得参数a_l，而误差函数存在最小值的必要条件是对应的偏导等于0，即其中j＝0,1,…,k；

故可得到法方程：通过法方程即可求得参数a_l，从而确定拟合函数f_k(x_t)；

S35、当进行车速拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的车速V_j，假设拟合结果为f_v，那么f_v(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的车速V_i；

当进行行车方向拟合时，上述给定的数据{(x_t,y_t),(t＝1,2,…,m)}中，x_t为当前数据的编号，即为当前数据为第t个数据，y_t为计算所得的历史的行车方向θ_j，假设拟合结果为f_θ，那么f_θ(i)表示预测的车辆在时间间隔Δt之后的第i个时间点的行车方向θ_i。

5.如权利要求1所述的基于GPS轨迹数据的车辆实时图像追踪方法，其特征在于，所述步骤S5中将图像输入至深度卷积神经网络模型中检测图像中是否存在车辆，包括：

所述深度卷积神经网络模型从输入层I开始，依次经过卷积层C1，深度卷积层D1，卷积层C2，深度卷积层D2，卷积层C3，深度卷积层D3，卷积层C4，深度卷积层D4，卷积层C5，深度卷积层D5，全局平均池化层GAP，全连接层F1，最后到Softmax层；

所述Softmax层的Softmax函数为：

其中，θ为定义的Softmax中的参数，且x为Softmax的输入特征，i为类别，k为类别总数，P₁为当前图像存在车辆的概率，P₂为当前图像不存在车辆的概率；

当P₁>P₂时，则判断当前图像中存在车辆，反之则判断当前图像中不存在车辆。