[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

本發明提供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，涉及智能交通技術領域。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選取出關鍵幀；云端利用VOC2007數據集和高速公路采集的車輛圖片訓練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；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，并將獲取的車輛局部圖像輸入該神經網絡模型實現車輛的多屬性特征的提取；并將提取的車輛的多屬性特征制成標簽，上傳至云端。

技術領域

本發明涉及智能交通技術領域，尤其涉及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。

背景技術

近些年，隨著高速交通條件的改善，機動車數量隨之急劇增加，對高速公路的監管造成了困難。各個城市的高速公路卡口部署了大量的攝像頭，每天都能產生大量的視頻數據，選取視頻的關鍵幀能夠有效地減少存儲的數據量。在車輛的重識別過程中，有效的車輛檢測和特征提取方法可以提高對目標車輛的匹配度。目前，傳統的特征提取方法比如HOG特征、Haaris特征比較簡單，易受外界環境的干擾，單一的特征在車輛識別上不具有魯棒性。另外，傳統的視頻處理方法集中于云中心，導致了視頻傳輸耗時長、網絡帶寬占用大和云中心計算負載大等問題。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供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，實現對高速公路車輛的檢測及多屬性特征提取。

為解決上述技術問題，本發明所采取的技術方案是：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，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_ix(x_i+w_i)(x+w)y_iy(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；

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；