[發明專利]基于深度學習的車輛信息檢測方法、存儲介質及終端設備

在審

• 申請號: 202110343498.1
• 申請日: 2021-03-30
• 公開（公告）號: CN113076858A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 王燕燕;鄧銳;尹曉紅;雷天;李振輝;林樺;李兆杰;張昊
• 申請（專利權）人: 深圳技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 徐凱凱

1.一種基于深度學習的車輛信息檢測方法，其特征在于，包括步驟：

對獲取的車輛俯拍圖片進行標注，構建訓練數據集；

基于所述訓練數據集對YOLOV3模型進行訓練，得到訓練后模型；

將待測圖片數據輸入到所述訓練后模型中，輸出車輛信息檢測結果。

2.根據權利要求1所述基于深度學習的車輛信息檢測方法，其特征在于，所述對獲取的車輛俯拍圖片進行標注，構建訓練數據集的步驟包括：

通過視頻傳感器獲取車輛俯拍圖片；

通過Labellmg對所述車輛俯拍圖片進行標注，并編碼與所述車輛俯拍圖片相吻合的train.txt文件；

對所述YOLOV3對應的data文件夾中的數據集進行修改，并將所述標注的車輛俯拍圖片與train.txt文件對應保存到YOLOV3對應的data文件夾中，構建訓練數據集。

3.根據權利要求2所述基于深度學習的車輛信息檢測方法，其特征在于，所述YOLOV3對應的data文件夾中的數據集為VOC數據集，所述VOC數據集有20個類別。

4.根據權利要求3所述基于深度學習的車輛信息檢測方法，其特征在于，對所述YOLOV3對應的data文件夾中的數據集進行修改的步驟包括：

將data文件夾中的YOLOv3.cfg另存為YOLOv3-car.cfg；

將data文件加中的類別文件進行刪減，只保留car.name。

5.根據權利要求4所述基于深度學習的車輛信息檢測方法，其特征在于，所述YOLOV3模型的主干網絡為Darknet53，所述Darknet的每一個卷積部分均使用Darknet Conv2D結構，每一次卷積的過程均進行l2正則化，完成卷積后進行BatchNormalization標準化與LeakyReLU激活函數。

6.根據權利要求5所述基于深度學習的車輛信息檢測方法，其特征在于，基于所述訓練數據集對YOLOV3模型進行訓練，得到訓練后模型的步驟包括：

執行命令darknet.exe detector train data/car.data yolov3-car.cfgdarknet53.conv.74-gpu 0,1，完成對YOLOV3模型的訓練，得到訓練后模型。

7.根據權利要求6所述基于深度學習的車輛信息檢測方法，其特征在于，將待測圖片數據輸入到所述訓練后模型中，輸出車輛信息檢測結果的步驟包括：

所述訓練后模型中包括分別位于Darknet中間層、中下層和底層的三個特征層，所述三個特征層的shape分別為(52,52,256)、(26,26,512)、(13,13,1024)，這三個特征層用于與上采樣后的特征層堆疊拼接；

所述位于底層的特征層(13,13,1024)進行5次卷積處理完成特征提取，提取的特征一部分用于卷積和上采樣得到特征層(26,26,256)，另一部分用于輸出對應的預測結果(13,13,75)；

所述特征層(26,26,256)與位于中下層的特征層(26,26,512)進行拼接，得到的shape為(26,26,768)的特征層再進行5次卷積，處理完后一部分用于卷積和上采樣得到特征層(52,52,128)，另一部分用于輸出對應的預測結果(26,26,75)；

所述特征層(52,52,128)與位于中間層的特征層(52,52,256)進行拼接，再進行卷積得到shape為(52,52,128)的特征層，最后再進行Conv2D 3×3和Conv2D1×1兩個卷積，輸出對應的預測結果(52,52,75)。