[發明專利]一種基于多尺度特征融合與DCNN的實時車標檢測方法

有效

• 申請號: 201910086546.6
• 申請日: 2019-01-29
• 公開（公告）號: CN109816024B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 李耶;殷光強;候少麒;石方炎;李馨宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都其高專利代理事務所(特殊普通合伙) 51244
• 代理人: 廖曾;賀立中

本發明公開了一種基于多尺度特征融合與DCNN的實時車標檢測方法，該方法包括：圖片收集與篩選；數據集制作，根據深度學習標準VOC數據集格式制作車標數據集；網絡設計，以YOLO框架為基礎，以改進的Darknet?20網絡作為基礎網絡，并將不同深度的特征圖進行通道融合，搭建網絡模型；模型訓練，利用網絡模型訓練車標數據集，且在模型訓練時，進行參數設置、數據增強以及多尺度訓練；模型測試與評估五個步驟。本發明用一種端到端的一階段非級聯結構，將車標檢測作為回歸問題來處理，使得改進的網絡結構可以更好地適應各場景下大小車標、相似車標的檢測，尤其對車標小目標的檢測具有很好的魯棒性，極大提升了車標檢測的速度、查全率以及精確率。

技術領域

本發明涉及計算機視覺方向的目標檢測技術領域，具體是指一種基于多尺度特征融合與DCNN的實時車標檢測方法。

背景技術

隨著世界各國經濟的不斷發展，私家車的種類和數量也越來越多。汽車作為一種常見的客載和運輸工具，在給人們提供便利的同時，其在公路、小區、停車場等場景的有效監管亦成為一個亟待解決的問題。伴隨著世界全球化、信息化發展的趨勢，人工監管逐漸被智能交通系統所替代。通過先進的圖像采集、處理與智能分析技術，車輛的檢測(即車輛定位與識別)及其屬性識別變得越來越高效、準確，使得人、車身份信息的識別和匹配呈現出新的方式。傳統的車輛屬性識別主要以車牌檢測為主，但是車牌磨損、遮擋、易變動和受光照環境等影響成為其有效檢測的絆腳石，故僅僅依靠車牌單一屬性的檢測已不足以精確識別車輛的真實身份，在此情況下，車標檢技術的應用顯得異常重要，它可以彌補車牌識別的不足，從而進一步提高智能交通系統的可靠性。目前，國內已有一些車標識別的方法，其中：

申請號CN201310251595.3，車標定位與識別方法，利用Sobel算子進行粗定位，并采用HOG算法針對車標圖像提取特征值并將特征向量輸入BP神經網絡進行識別，然而該方法對車標定位算法要求較高，而且HOG作為人工設計的算子起表達能力有限，導致其在多分類問題中識別率不高。

申請號CN201410320906.1，基于進氣格柵定位的汽車車標樣本訓練及識別方法，使用識別車輛進氣柵的方法識別車標，使用方向梯度直方圖(HOG)算法對車頭進氣柵部分進行特征提取并用SVM訓練與分類，由于不同品牌的車可能具有相似的進氣柵紋理，而同一品牌車的進氣柵也有可能不同，故該方法的識別率較低。

申請號CN201510902942.3，基于主成分分析卷積神經網絡的車標自動識別方法。通過主成分分析(PCA)提取特征，通過膨脹腐蝕等形態學運算對車標進行定位并通過卷積神經網絡對車標進行訓練與識別，但此方法只能適應少部分車標的定位，大多數車標無法準確定位。

申請號CN201710752742.3，一種基于卷積神經網絡的車標定位與識別方法，利用車牌檢測對車標進行粗定位，并將進氣柵的車標送入卷積神經網絡進行訓練識別，由于此方法依賴車牌檢測且不同品牌的車可能具有相似的進氣柵紋理，故該方法的識別率較低。

申請號CN201710752741.9，一種融合滑動窗口與Faster R-CNN卷積神經網絡的車標識別方法，通過識別車燈對車標進行粗定位，并通過Faster R-CNN對車標圖像進行訓練識別，此方法過程復雜且粗定位忽略了后面Faster R-CNN網絡具有的自主學習能力，會導致算法的泛化能力較差，且Faster R-CNN為兩階段算法，RPN的使用導致計算量增大，難以達到實時的檢測目的。

綜上所述，現有車標檢測存在如下缺陷：

(1)車標多為小目標，在特征提取方面具有較大難度。

(2)車標檢測易受車標圖片分辨率、旋轉角度、飽和度、曝光度、色調等因素的影響。

(3)不同照片中車標占圖片面積的大小比例不同，而卷積神經網絡對比例差異較大目標檢測的泛化能力較差。

(4)以往車標檢測算法都對車標圖片進行了預處理，忽略了神經網絡對原始車標圖片的自主學習能力。