[發明專利]基于局部圖像的高速公路車輛檢測及多屬性特征提取方法

在審

• 申請號: 202010939051.6
• 申請日: 2020-09-09
• 公開（公告）號: CN112101175A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 郭軍;張婭杰;劉韜;閆永明;劉艷偉;李晨光
• 申請（專利權）人: 沈陽帝信人工智能產業研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G06T7/136;G06T7/194
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種基于局部圖像的高速公路車輛檢測及多屬性特征提取方法，涉及視頻采集終端、邊緣端和云端，其特征在于：具體包括以下步驟：

步驟1：視頻采集終端實時讀取高速公路監控視頻并傳輸到邊緣端，邊緣端采用背景差分法對實時視頻數據進行分析，從視頻數據中選取出關鍵幀；

步驟2：云端利用VOC2007數據集和高速公路采集的帶有標注的車輛圖片訓練YOLO_v3_tiny檢測模型，邊緣端加載訓練好的YOLO_v3_tiny檢測模型對步驟1選取的關鍵幀中的車輛邊界框位置進行預測，進而獲得車輛的局部圖像，并傳輸到云端；

步驟3：云端利用帶有多標簽類型的訓練集數據訓練ResNet-50殘差神經網絡模型，邊緣端加載訓練好的ResNet-50殘差神經網絡模型，并將步驟2獲取的車輛局部圖像輸入該ResNet-50殘差神經網絡模型實現車輛的多屬性特征的提取；

步驟4、將步驟3提取的車輛的多屬性特征制成標簽，上傳至云端的云中心服務器。

2.根據權利要求1所述的基于局部圖像的高速公路車輛檢測及多屬性特征提取方法，其特征在于：所述步驟1的具體方法為：

步驟1.1：邊緣端基于混合高斯背景建模法建立背景圖像，并去除圖像中因光照突變以及其他外界環境的影響造成的噪聲；

讀取高速公路監控視頻，運用混合高斯模型對視頻中每一幀進行處理進而建立背景圖像，然后利用背景分割函數對每一幀處理去除噪音；

步驟1.2：利用計算目標輪廓的函數實時計算每一幀圖像中車輛輪廓的面積大小，并設定一個閾值λ，當車輛輪廓的面積大于閾值λ時，選取該車輛所在幀為候選關鍵幀；

步驟1.3：根據實際場景中攝像頭的視域大小，在攝像頭的視域中心位置劃定檢測區域，當候選關鍵幀中車輛輪廓在劃定的檢測區域內，則判定此幀為關鍵幀；

設定(x,y,w,h)為預設定的攝像頭視域內的檢測區域左上角頂點坐標和矩形區域的寬、高，(x_i,y_i)表示第i個候選關鍵幀中車輛輪廓框左上角頂點坐標，i＝1,2,…,n，n為候選關鍵幀總數，(w_i,h_i)表示第i個候選關鍵幀中車輛輪廓的寬、高；當x_i＞x(x_i+w_i)＜(x+w)y_i＞y(y_i+h_i)＜(y+h)時，即候選的關鍵幀中車輛輪廓的框在設定的區域內，保存當前幀為關鍵幀。

3.根據權利要求2所述的基于局部圖像的高速公路車輛檢測及多屬性特征提取方法，其特征在于：所述步驟2的具體方法為：

步驟2.1：對YOLO_v3_tiny網絡結構進行調整，使YOLO_v3_tiny網絡對輸入圖像分別在32倍降采樣和16倍降采樣時進行檢測；

步驟2.2：對VOC2007數據集進行適應性修改，僅保留數據集中與車輛相關的正負樣本，在云中心服務器上使用修改后的VOC2007數據集對YOLO_v3_tiny檢測模型進行訓練；

使用修改后的VOC2007數據集，加載YOLO_v3_tiny.weights文件對預訓練權重初始化，訓練過程中不斷調節YOLO_v3_tiny檢測模型參數；

步驟2.3：將邊緣端采集到的車輛樣本數據建立高速公路車輛樣本數據集，使用labelImg工具對數據集做標注，對YOLO_v3_tiny車輛檢測模型進行訓練；

步驟2.4：將訓練好的YOLO_v3_tiny檢測模型遷移至邊緣端，并將步驟1中獲取的關鍵幀輸入到訓練好的YOLO_v3_tiny檢測模型中，進而檢測出關鍵幀中車輛所在位置的邊界框，同時計算YOLO_v3_tiny檢測模型預測得到的視頻關鍵幀中的車輛邊界框中有物體的置信分數；

步驟2.5：在邊緣端將YOLO_v3_tiny檢測模型檢測出的車輛邊界框進行裁剪，分割視頻幀中的車輛與背景，獲取車輛的局部圖像。