[發明專利]基于改進YOLO_V3模型的車標識別方法

在審

• 申請號: 202011099944.0
• 申請日: 2020-10-15
• 公開（公告）號: CN112200186A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 郭峰峰;白治江
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

1.一種基于改進YOLO_V3模型的車標識別方法，其特征在于，包括以下步驟：

S1、制作帶有標注和標簽的車標類型圖像的數據集；

S2、使用改進后的YOLO_V3模型的卷積神經網絡提取數據集中車標的多尺度特征，并訓練車標識別模型；

S3、輸入待檢測車標圖像，使用車標識別模型對待檢測車標進行識別，并獲得待檢測車標的位置信息；

S4、根據訓練模型，輸出預測圖像，完成檢測。

2.根據權利要求1所述的一種基于YOLO_V3模型的車標識別方法，其特征在于，所述的步驟S1包括以下步驟：

搜集初始圖像數據中的車標，使用Random Erase，CutOut，MixUp，旋轉，對比度增強等數據增強的方式擴大現有部分車標類型的初始圖像數據，并進行標注；

將初始圖像數據集的車標圖像分辨率裁剪成固定大小，并匹配初始圖像數據的標簽，得到標注后的車標類型圖像和車標標簽作為現有車標類型的數據集。

3.根據權利要求2所述的一種基于改進YOLO_V3模型的車標識別方法，其特征在于，所屬的現有車標類型的數據集分為訓練集和測試集，測試集用來測試YOLO_V3模型的魯棒性。

4.根據權利要求1所述的一種基于改進YOLO_V3模型的車標識別方法，其特征在于，所述的步驟S2包括以下步驟：

S2.1、改進后的YOLO_V3模型的卷積神經網絡對輸入的訓練集的車標圖像進行不同大小的卷積運算，形成車標圖像的不同尺度的特征圖；

S2.2、卷積神經網絡學習車標圖像不同尺度的特征，實現對車標多個尺度的檢測。

5.根據權利要求1所述的一種基于改進YOLO_V3模型的車標識別方法，其特征在于，所述的步驟S3包括以下步驟：

S3.1、待檢測車標圖像輸入到車標識別模型中，使用K-means算法來統計錨框的參數，同時確定邊界框的初始位置，在每個尺度上的每個單元的三個錨點框預測邊界框；

S3.2、將待檢測車標圖像分成S×S的網格，每個所述網格預測B個矩形框以及所述矩形框對應的置信度；

其中，S表示劃分網格數；B表示每個網格負責的邊框個數；

S3.3、選擇置信度分數值最大的車標先驗邊界框，通過邏輯回歸函數對待檢測車標圖像的位置進行預測；

通過以下坐標偏移公式來計算出邊界框的置信度和位置大小:

pr(object)×IOU(b,object)＝σ(t0)，

bx＝σ(tx)+cx，

by＝σ(ty)+cy，

bw＝pw×e^tw，

bh＝ph×e^th，

模型的預測輸出就是(tx、ty、tw、th)，cx和cy表示的網格單元坐標，pw和ph表示預測前邊界框的大小；bx、by、bw和bh是預測得到的邊界框的中心的坐標和大小；YOLO_v3算法預測每個邊界框的分數使用邏輯回歸的方法；如果真實框和預測得到的其中一個邊界框的重疊度比其他邊界框都要好，則該值便可能為1；如果不是最好的，但超過了某個閾值，則忽略這次預測；YOLO_v3算法會為每一個真實的對象分配一個邊界框，如果真實的對象與邊界框不匹配，就不會產生類別預測損失或坐標，只會產生物體預測損失。

6.根據權利要求9所述的一種基于改進YOLO_V3模型的車標識別方法，其特征在于，所述的K-means方法包括以下步驟：

S3.1.1、從數據對象中隨機地選取K個樣本，來作為初始的K個質心；

S3.1.2、計算剩余所有樣本與各個質心之間的歐式距離,將各個樣本劃分至距離其最近的質心所在的類簇；

S3.1.3、重新計算每一個類簇的質心；

S3.1.4、如果所有的K個質心都沒有發生變化，就輸出類簇劃分結果,如果發生變化就返回到第S3.1.2步。

7.根據權利要求1所述的一種基于改進YOLO_V3模型的車標識別方法，其特征在于，所述車標識別模型，是基于darknet-53為底層網絡結構的YOLO-V3模型。