技術(shù)特征：

1.一種基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述方法包括以下步驟：

1)選取圖像中可能是車輛的子圖片；

2)準(zhǔn)備深度網(wǎng)絡(luò)訓(xùn)練樣本的；

3)對為深度網(wǎng)絡(luò)分類器C_DNN結(jié)構(gòu)進(jìn)行確定；

4)對待分類樣本進(jìn)行判斷，最后得到檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟1)中設(shè)任一待判斷子圖片為I(x)，則該子圖片的對稱度用如下的公式進(jìn)行計算：

$S\left(x_s\right)=\frac{{\∫}_{-w/2}^{+w/2}E{(u,x_s)}^{2}du-{\∫}_{-w/2}^{+w/2}O{(u,x_s)}^{2}du}{{\∫}_{-w/2}^{+w/2}E{(u,x_s)}^{2}du+{\∫}_{-w/2}^{+w/2}O{(u,x_s)}^{2}du},-w/2\≤u\≤w/2---\left(1\right)$

公式中，設(shè)圖像中心對稱軸橫坐標(biāo)為x_s，u＝x-x_s；

此外：

公式(1)所計算的值S(x_s)即為某圖像塊的對稱性度量。

3.根據(jù)權(quán)利要求1或2所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟2中深度網(wǎng)絡(luò)訓(xùn)練樣本是通過人工選取大量車輛及非車輛的圖片，并分別標(biāo)記為正負(fù)樣本，將所有正負(fù)樣本都?xì)w一化到長寬均為32像素的尺寸，并設(shè)第i個樣本的灰度特征向量為G_i；并設(shè)正負(fù)樣本數(shù)共為n。

4.根據(jù)權(quán)利要求3所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟3中分類器結(jié)構(gòu)由訓(xùn)練樣本個數(shù)及待分類類數(shù)確定；其中深度神經(jīng)網(wǎng)絡(luò)是一個前饋的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并由輸入層、模式層、求和層與輸出層構(gòu)成。

5.根據(jù)權(quán)利要求4所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟4中待判斷樣本先以灰度特征向量G_i表征；然后將該向量輸入到步驟2得到的C_DNN中，待判斷樣本屬于輸出神經(jīng)元為1的類。

6.根據(jù)權(quán)利要求5所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟4還包括以下步驟：

4.1、通過C_DNN輸入層接收來自待判斷樣本的灰度特征向量G_i；

4.2、計算C_DNN模式層計算輸入特征向量與訓(xùn)練樣本集中各個模式的匹配關(guān)系，該層每個模式神經(jīng)元j的輸出為：

$f(G_i,W_j)=\exp \[-\frac{{(W_j-G_i)}^T(W_j-G_i)}{2{\mathrm{\σ}}^2}\]---\left(3\right)$

其中:W_j為輸入層到模式層神經(jīng)元j連接的權(quán)值，其值為神經(jīng)元j對應(yīng)訓(xùn)練樣本的特征向量；σ為平滑參數(shù)，σ取0.25；

4.3、求和層按式(3)計算，對步驟4.2中j個模式單元的輸出按照類別分別求和，求和層神經(jīng)元對應(yīng)值即為樣本屬于該類的估計概率密度；

4.4、輸出層在各個分類模式求和層中選擇一個具有最大輸出的神經(jīng)元作為整個系統(tǒng)的輸出；具有最大輸出的求和層想對應(yīng)的輸出層神經(jīng)元輸出為1，即所對應(yīng)的那一類即為待判斷的樣本類別，輸出層其他神經(jīng)元的輸出全為0。

7.根據(jù)權(quán)利要求5所述的基于深度網(wǎng)絡(luò)的車輛檢測方法，其特征在于：所述步驟3中輸入層神經(jīng)元個數(shù)為樣本的維數(shù)；模式層神經(jīng)元個數(shù)所有訓(xùn)練樣本個數(shù)之和；求和層神經(jīng)元個數(shù)為待分類類數(shù)；輸出層神經(jīng)元個數(shù)與模式層相同。