[發(fā)明專利]一種基于YOLO的車輛信息檢測和跟蹤方法、裝置及計算機(jī)存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810543801.0
• 申請日: 2018-05-31
• 公開（公告）號: CN108875600A
• 公開（公告）日: 2018-11-23
• 發(fā)明（設(shè)計）人: 王福建;李建元;溫曉岳;陳濤;沈堅
• 申請（專利權(quán)）人: 銀江股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06T7/246;G06T7/277
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于YOLO的車輛信息檢測和跟蹤方法，其特征在于，包括：

獲取待檢測的視頻數(shù)據(jù)，其中，所述待檢測的視頻數(shù)據(jù)包括多幀待測圖像；

通過預(yù)設(shè)的基于YOLO的車輛目標(biāo)檢測模型對所述待測圖像進(jìn)行檢測，以確定待測圖像中的目標(biāo)車輛；

通過預(yù)設(shè)的基于YOLO的車輛車標(biāo)檢測模型、預(yù)設(shè)的基于YOLO的車輛顏色檢測模型對所述待測圖像進(jìn)行檢測，以獲取目標(biāo)車輛車標(biāo)檢測結(jié)果、目標(biāo)車輛顏色檢測結(jié)果；

根據(jù)所述目標(biāo)車輛車標(biāo)檢測結(jié)果和/或所述目標(biāo)車輛顏色檢測結(jié)果鎖定所述目標(biāo)車輛，并通過數(shù)據(jù)關(guān)聯(lián)對待檢測的視頻數(shù)據(jù)中的目標(biāo)車輛進(jìn)行跟蹤。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于YOLO的車輛目標(biāo)檢測模型按照以下方式建立：

獲取第一樣本數(shù)據(jù)，其中，所述第一樣本數(shù)據(jù)為包含有車輛的圖像數(shù)據(jù)；

對所述第一樣本數(shù)據(jù)進(jìn)行車輛標(biāo)注，并將標(biāo)注后的第一樣本數(shù)據(jù)分為第一訓(xùn)練集和第一測試集；

利用所述第一訓(xùn)練集對YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用所述第一測試集對所述訓(xùn)練后的YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，以建立所述基于YOLO的車輛目標(biāo)檢測模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第一樣本數(shù)據(jù)具體可以為包含有真實(shí)車輛形狀和大小的圖像數(shù)據(jù)，或包含有虛擬車輛形狀和大小的圖像數(shù)據(jù)，或包含有真實(shí)車輛形狀和大小的圖像數(shù)據(jù)和包含有虛擬車輛形狀和大小的圖像數(shù)據(jù)的合集。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于YOLO的車輛車標(biāo)檢測模型按照以下方式建立：

獲取第二樣本數(shù)據(jù)，其中，所述第二樣本數(shù)據(jù)為包含有車輛車標(biāo)的車輛圖像數(shù)據(jù)；

對所述第二樣本數(shù)據(jù)進(jìn)行車標(biāo)標(biāo)注，并將標(biāo)注后的第二樣本數(shù)據(jù)分為第二訓(xùn)練集和第二測試集；

利用所述第二訓(xùn)練集對YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用所述第二測試集對所述訓(xùn)練后的YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，以建立所述基于YOLO的車輛車標(biāo)檢測模型；

對于第二樣本數(shù)據(jù)，其特征在于，所述包含有車輛車標(biāo)的車輛圖像數(shù)據(jù)為車輛的車頭或車尾照片。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于YOLO的車輛顏色檢測模型按照以下方式建立：

獲取第三樣本數(shù)據(jù)，其中，所述第三樣本數(shù)據(jù)為包含有車輛顏色的車輛圖像數(shù)據(jù)；

對所述第三樣本數(shù)據(jù)進(jìn)行顏色標(biāo)注，并將標(biāo)注后的第三樣本數(shù)據(jù)分為第三訓(xùn)練集和第三測試集；

利用所述第三訓(xùn)練集對YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用所述第三測試集對所述訓(xùn)練后的YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，以建立所述基于YOLO的車輛顏色檢測模型。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過數(shù)據(jù)關(guān)聯(lián)對待檢測的視頻數(shù)據(jù)中的目標(biāo)車輛進(jìn)行跟蹤，包括：

獲取所述待檢測的視頻數(shù)據(jù)中的當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)；

將所述當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)與軌跡列表中的軌跡數(shù)據(jù)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，得到關(guān)聯(lián)結(jié)果；根據(jù)所述關(guān)聯(lián)結(jié)果，對所述待檢測的視頻數(shù)據(jù)中的目標(biāo)車輛進(jìn)行跟蹤；

其中，所述軌跡列表指的是目標(biāo)車輛位置隨時間變化的一個列表。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，將所述當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)與軌跡列表中的軌跡數(shù)據(jù)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，得到關(guān)聯(lián)結(jié)果，包括：

通過聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)法，將所述當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)與所述軌跡列表中的軌跡數(shù)據(jù)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，得到所述關(guān)聯(lián)結(jié)果。

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，在獲取所述待檢測的視頻數(shù)據(jù)中的當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)后，所述方法還包括：

對所述當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)進(jìn)行濾波處理，得到濾波后的當(dāng)前幀的待測圖像中的目標(biāo)車輛的觀測數(shù)據(jù)。