[發(fā)明專利]一種車輛類別統計方法

在審

• 申請?zhí)枺?/td>: 202011145580.5
• 申請日: 2020-10-23
• 公開（公告）號: CN112380919A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設計）人: 陳晨;趙巧芝
• 申請（專利權）人: 西安科銳盛創(chuàng)新科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 閆家偉

本發(fā)明公開了一種車輛類別統計方法，包括：依據預定時間間隔獲取目標車輛圖像；將目標車輛圖像輸入預先訓練得到的改進型YOLOv3網絡中，獲得目標車輛圖像的屬性信息；屬性信息至少包括類別；基于預定時間段內獲得的多個類別，得到預定時間段內各類別車輛的數量；其中，改進型YOLOv3網絡是基于YOLOv3網絡的主干網絡中，殘差模塊更換為密集連接模塊得到的；改進型YOLOv3網絡是根據樣本車輛圖像，以及樣本車輛圖像對應的屬性信息訓練得到的。本發(fā)明特征提取時，能夠直接將早期的特征圖作為后面每一層的輸入，獲得的特征圖的信息量更多，在進行車輛屬性信息的檢測時能提高檢測精度，準確實現車輛類別統計。

技術領域

本發(fā)明屬于圖像處理領域，具體涉及一種車輛類別統計方法、裝置、電子設備及存儲介質。

背景技術

目前，隨著車輛多樣化、行駛密集化，在一些場景下，針對路面行駛的車輛類別進行有效統計是非常必要的，比如，針對高速卡口等位置，往往需要統計單位時間段內各種類別車輛的出入狀況。

近年來，隨著神經網絡的廣泛運用，針對各種目標的圖像檢測算法得到了較為快速的發(fā)展，目標檢測算法主要是通過對圖像進行處理，檢測出圖像中目標的位置和類別。其中，YOLO(You Only Look Once)系列網絡以其明顯的速度優(yōu)勢，受到眾多使用者的青睞。

那么，如何基于YOLO網絡實現車輛圖像的高精度檢測，從而實現車輛類別統計，是一個具有實際意義的研究方向。

發(fā)明內容

為了基于YOLO網絡實現車輛圖像的高精度檢測，從而實現車輛類別統計，本發(fā)明實施例提供了一種車輛類別統計方法、裝置、電子設備及存儲介質。

具體技術方案如下：

第一方面，本發(fā)明實施例提供了一種車輛類別統計方法，包括：

依據預定時間間隔獲取目標車輛圖像；

將所述目標車輛圖像輸入預先訓練得到的改進型YOLOv3網絡中，獲得所述目標車輛圖像的屬性信息；所述屬性信息至少包括類別；

基于預定時間段內獲得的多個類別，得到所述預定時間段內各類別車輛的數量；

其中，所述改進型YOLOv3網絡是基于YOLOv3網絡的主干網絡中，殘差模塊更換為密集連接模塊得到的；所述改進型YOLOv3網絡是根據樣本車輛圖像，以及所述樣本車輛圖像對應的屬性信息訓練得到的。

可選的，所述改進型YOLOv3網絡的主干網絡包括多個間隔串接的密集連接模塊和過渡模塊；所述密集連接模塊的數量至少為三個；所述密集連接模塊包括串行連接的卷積網絡模塊和密集連接單元組；所述卷積網絡模塊包括串行連接的卷積層、BN層、Leaky relu層；所述密集連接單元組包括m個密集連接單元；每個密集連接單元包括多個采用密集連接形式連接的所述卷積網絡模塊，并采用級聯方式融合多個卷積網絡模塊輸出的特征圖；其中，m為大于等于4的自然數。

可選的，所述過渡模塊為所述卷積網絡模塊。

可選的，所述過渡模塊包括所述卷積網絡模塊和最大池化層；所述卷積網絡模塊的輸入和所述最大池化層的輸入共用，所述卷積網絡模塊輸出的特征圖和所述最大池化層輸出的特征圖采用級聯方式融合。

可選的，所述過渡模塊包括的所述卷積網絡模塊的數量為兩個或三個，且各個卷積網絡模塊之間采用串接方式。

可選的，所述改進型YOLOv3網絡在主干網絡之后還包括：

依次串接的FPN網絡、分類網絡和非極大值抑制模塊；其中，所述FPN網絡對主干網絡輸出的多個尺度的特征圖采用自頂向下、密集連接的方式進行融合。

可選的，所述分類網絡包括SoftMax分類器。