[發(fā)明專利]車燈狀態(tài)識別方法、裝置、設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202110338964.7
• 申請日: 2021-03-30
• 公開（公告）號: CN112949578B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 葛鶴銀;牛群遙;郭旭;章勇;曹李軍
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/56;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 蘇州謹和知識產權代理事務所(特殊普通合伙) 32295
• 代理人: 許冬瑩

1.一種車燈狀態(tài)識別方法，其特征在于，所述方法包括：

獲取車輛視頻圖像；

將所述車輛視頻圖像輸入預先訓練好的車輛檢測模型，進行車輛目標檢測，得到對應車輛的車燈狀態(tài)識別區(qū)域；

將所述車燈狀態(tài)識別區(qū)域輸入預先訓練好的車燈識別模型，識別出對應車輛的車燈狀態(tài)；所述車燈識別模型為經過網絡通道和層精簡的DenseNet分類網絡，所述DenseNet分類網絡包括三個稠密塊和兩個過渡層，其中，每兩個所述稠密塊之間設置一個所述過渡層；在所述DenseNet分類網絡的第一個稠密塊之后的過渡層添加通道注意力機制模塊，構建為SE-DenseNet分類網絡；所述通道注意力機制模塊加在過渡層的卷積層和最大池化層之間；

所述通道注意力機制模塊包括依次級聯的分割層、平均池化層、兩層卷積層和尺寸重塑層，以及縮放平移層和按元素操作層；

所述平均池化層用于進行全局平均池化將所述分割層輸出特征圖的全局信息壓縮到一個通道描述器，使其具有全局感受野；

所述兩層卷積層用于建模通道間的相關性，第一層卷積層實現降維，第二層卷積層實現升維；

所述尺寸重塑層用于對第二層卷積層的輸出維度進行調整，得到和輸入特征相同數目的歸一化的權重；

所述尺寸重塑層的輸出和所述分割層的輸出作為所述縮放平移層的輸入，所述縮放平移層用于對所述尺寸重塑層和所述分割層的輸出數據進行scale操作，將得到的歸一化后的權重分別加權到對應的通道特征上；

所述縮放平移層的輸出和所述分割層的輸出作為所述按元素操作層的輸入，所述按元素操作層將所述縮放平移層和所述分割層的輸出數據進行Eltwise運算，將所述縮放平移層和所述分割層合并后輸出，所述按元素操作層的輸出作為所述最大池化層的輸入。

2.根據權利要求1所述的方法，其特征在于，所述車輛檢測模型為YOLOv3-SPP網絡；

所述YOLOv3-SPP網絡為在YOLOv3網絡大目標檢測分支的第一卷積層和第二卷積層之間添加SPP空間金字塔結構得到的。

3.根據權利要求2所述的方法，其特征在于，在所述YOLOv3-SPP網絡的小目標檢測分支中融合淺層特征。

4.根據權利要求1所述的方法，其特征在于，所述根據所述車輛視頻圖像，采用預先訓練好的車輛檢測模型，進行車輛目標檢測，確定對應車輛的車燈狀態(tài)識別區(qū)域，包括：

將所述車輛視頻圖像輸入預先訓練好的車輛檢測模型，得到高度為H的指示車輛位置信息的目標框；

截取目標框高度從H/2開始至H的區(qū)域，得到車燈狀態(tài)識別區(qū)域。

5.根據權利要求1所述的方法，其特征在于，所述DenseNet分類網絡的損失函數為：

Loss＝-αq(x)log(p(x))

其中，α為平衡因子，α_N為第N種車燈狀態(tài)類別樣本數量的占比，N為車燈狀態(tài)類別數；x為輸入的特征數據；p(x)為車燈狀態(tài)類別的預測概率；q(x)為車燈狀態(tài)類別的真實概率。