[發(fā)明專(zhuān)利]基于改進(jìn)YOLO_V3模型的車(chē)標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011099944.0
• 申請(qǐng)日: 2020-10-15
• 公開(kāi)（公告）號(hào): CN112200186A
• 公開(kāi)（公告）日: 2021-01-08
• 發(fā)明（設(shè)計(jì)）人: 郭峰峰;白治江
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海海事大學(xué)
• 主分類(lèi)號(hào): G06K9/32
• 分類(lèi)號(hào): G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專(zhuān)利代理事務(wù)所(普通合伙) 31332
• 代理人: 成秋麗

本發(fā)明涉及一種基于改進(jìn)YOLO_V3模型的車(chē)標(biāo)識(shí)別方法。實(shí)現(xiàn)步驟為：制作帶有標(biāo)注和標(biāo)簽的車(chē)標(biāo)圖像數(shù)據(jù)集，數(shù)據(jù)增強(qiáng)；使用改進(jìn)后的YOLO_V3模型的卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)集中車(chē)標(biāo)的多尺度特征，并訓(xùn)練車(chē)標(biāo)識(shí)別模型；輸入待檢測(cè)車(chē)標(biāo)圖像，使用車(chē)標(biāo)識(shí)別模型對(duì)待檢測(cè)車(chē)標(biāo)進(jìn)行識(shí)別，并獲得待檢測(cè)車(chē)標(biāo)的位置信息；根據(jù)訓(xùn)練模型，輸出預(yù)測(cè)圖像，完成檢測(cè)。本發(fā)明提供的方法具有較高的魯棒性，可以對(duì)車(chē)標(biāo)進(jìn)行識(shí)別，有助智慧交通系統(tǒng)的建立，從而改善城市交通安全。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)與人工智能技術(shù)領(lǐng)域，具體來(lái)說(shuō)是一種基于改進(jìn)YOLO_V3模型的車(chē)標(biāo)識(shí)別方法，用來(lái)檢測(cè)圖像中是否存在車(chē)標(biāo)并區(qū)分車(chē)標(biāo)的方法，本質(zhì)上是目標(biāo)識(shí)別與定位問(wèn)題。

背景技術(shù)

近年來(lái)，基于計(jì)算機(jī)視覺(jué)的車(chē)輛檢測(cè)和識(shí)別系統(tǒng)逐漸在智慧城市建設(shè)項(xiàng)目中發(fā)揮著重要的作用，為了促進(jìn)智慧城市健康發(fā)展，科學(xué)技術(shù)需要不停的發(fā)展來(lái)對(duì)智能交通系統(tǒng)(IntelligentTransportSystem,ITS)改進(jìn)完善。在智慧城市中車(chē)輛是其重要的一員，是感知的重要對(duì)象。因此，除了車(chē)牌特征，車(chē)標(biāo)特征也是車(chē)輛檢測(cè)中的重要特征。傳統(tǒng)的車(chē)輛識(shí)別方法是從大量的視頻中快速檢索目標(biāo)車(chē)輛，主要是通過(guò)車(chē)牌識(shí)別，通過(guò)已知車(chē)牌號(hào)碼從海量視頻中搜索具有相同車(chē)牌號(hào)碼的車(chē)輛圖像。然而還是存在各種問(wèn)題，例如車(chē)牌盜用，車(chē)牌受損，車(chē)牌遮擋等各種影響，不利于車(chē)輛車(chē)牌的識(shí)別。而車(chē)標(biāo)具有明顯的特征，代表性強(qiáng)，能夠唯一識(shí)別車(chē)輛品牌，這樣通過(guò)車(chē)標(biāo)識(shí)別確定車(chē)輛品牌，縮小識(shí)別車(chē)輛的范圍，實(shí)現(xiàn)預(yù)分類(lèi)。實(shí)質(zhì)上車(chē)標(biāo)識(shí)別技術(shù)就是圖像分類(lèi)技術(shù)中的一種，包含特征提取和特征分類(lèi)兩個(gè)關(guān)鍵環(huán)節(jié)。傳統(tǒng)的圖像描述特征方法包括局部二元模式(Localbinarypattern,LBP)特征，梯度方向直方圖特征(histogramoforiented gradient,HOG)特征和Haar特征。常用特征分類(lèi)方法包括隨機(jī)森林學(xué)習(xí)方法，支持向量機(jī)(SVM)學(xué)習(xí)方法和Adaboost學(xué)習(xí)方法。

在車(chē)輛品牌和型號(hào)識(shí)別中車(chē)標(biāo)識(shí)別是一個(gè)重要的研究方向，如何實(shí)時(shí)快速精確的識(shí)別車(chē)標(biāo)是本文研究的動(dòng)機(jī)。在車(chē)標(biāo)識(shí)別問(wèn)題中，傳統(tǒng)的識(shí)別方法包括兩個(gè)步驟：車(chē)標(biāo)定位和車(chē)標(biāo)識(shí)別。關(guān)于車(chē)標(biāo)定位，有一種方法是首先通過(guò)車(chē)牌位置和車(chē)牌與車(chē)標(biāo)的相對(duì)位置定位到車(chē)標(biāo)，再計(jì)算車(chē)標(biāo)候選區(qū)域不同方向上的紋理特征來(lái)得到車(chē)標(biāo)的邊緣信息，最后對(duì)車(chē)標(biāo)進(jìn)行詳細(xì)的定位，此方法需要車(chē)標(biāo)具有明顯的邊緣特征，適應(yīng)環(huán)境比較苛刻，一般只有在理想的情況下，才能夠達(dá)到所需的效果；另一種方法是通過(guò)將adaboost學(xué)習(xí)方法和切比雪夫時(shí)刻結(jié)合到一塊來(lái)對(duì)車(chē)標(biāo)定位，但是計(jì)算方法復(fù)雜，耗時(shí)久。關(guān)于車(chē)標(biāo)識(shí)別，有一種方法是使用一種模板匹配和邊緣方向直方圖方法進(jìn)行車(chē)標(biāo)分類(lèi)，這個(gè)方法需要大量的模板樣本的收集，耗時(shí)久，因?yàn)閳D像質(zhì)量的殘差不齊，識(shí)別精度低，匹配的時(shí)間比較久，實(shí)時(shí)性差；另一種方法是首先是將SIFT特征提取出來(lái)，然后開(kāi)始訓(xùn)練分類(lèi)器來(lái)進(jìn)行對(duì)車(chē)標(biāo)分類(lèi)，但是SIFT算法缺點(diǎn)也很明顯，較大的計(jì)算量，檢測(cè)到的冗余極值點(diǎn)多，不利于特征點(diǎn)的提取。

近年來(lái)，以卷積神經(jīng)網(wǎng)絡(luò)(convolutedneuralnetwork,CNN)模型為代表的深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大成果。將卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類(lèi)器結(jié)合到一起使用，先通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)標(biāo)初次篩選，在送入支持向量機(jī)進(jìn)行分類(lèi)，來(lái)到達(dá)較高的準(zhǔn)確率，然而支持向量機(jī)需要人工選擇，特征選擇對(duì)數(shù)據(jù)集的環(huán)境要求比較高，卷積神經(jīng)網(wǎng)絡(luò)不需要通過(guò)人工進(jìn)行選擇，準(zhǔn)確率也比傳統(tǒng)的高，但是因?yàn)閰?shù)較多，計(jì)算量比較大，不滿足實(shí)時(shí)性。

上述的車(chē)標(biāo)識(shí)別方法中，很多分類(lèi)方法都會(huì)受到定位方法的影響，如果定位有偏差，識(shí)別精確度也會(huì)有所下降，甚至有些定位沒(méi)有錯(cuò)誤的，識(shí)別效率也不行，對(duì)圖片質(zhì)量要求高，對(duì)環(huán)境要求高。

發(fā)明內(nèi)容

為了提高車(chē)標(biāo)識(shí)別方法的識(shí)別率，魯棒性和實(shí)時(shí)性，本文提出一種基于改進(jìn)YOLO_V3模型的車(chē)標(biāo)識(shí)別方法，提高車(chē)標(biāo)識(shí)別的精確度，實(shí)驗(yàn)表明該模型更加精準(zhǔn)、快速的進(jìn)行車(chē)標(biāo)識(shí)別。

為了達(dá)到上述目的，本發(fā)明提供了一種基于改進(jìn)YOLO_V3模型的車(chē)標(biāo)識(shí)別方法,包括步驟如下: