[發(fā)明專利]基于深度學習的車輛信息檢測方法、存儲介質(zhì)及終端設(shè)備

在審

• 申請?zhí)枺?/td>: 202110343498.1
• 申請日: 2021-03-30
• 公開（公告）號: CN113076858A
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)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(quán)）人: 深圳技術(shù)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(chǎn)權(quán)代理事務所(普通合伙) 44268
• 代理人: 徐凱凱

本發(fā)明公開了基于深度學習的車輛信息檢測方法、存儲介質(zhì)及終端設(shè)備，其中，方法包括步驟：對獲取的車輛俯拍圖片進行標注，構(gòu)建訓練數(shù)據(jù)集；基于所述訓練數(shù)據(jù)集對YOLOV3模型進行訓練，得到訓練后模型；將待測圖片數(shù)據(jù)輸入到所述訓練后模型中，輸出車輛信息檢測結(jié)果。本發(fā)明通過對原始YOLOv3的臃腫數(shù)據(jù)集進行修改，構(gòu)建自己的訓練數(shù)據(jù)集，從而實現(xiàn)對于指定對象的高精度檢測，使用YOLOv3網(wǎng)絡模型進行車輛檢測，并對網(wǎng)絡模型進行改進以提高其檢測能力，實驗表明，改進算法提高了車輛檢測的準確性，同時降低了漏檢和誤檢的發(fā)生率，檢測速度達到了22幀/秒。

技術(shù)領(lǐng)域

本公開涉及車輛信息檢測技術(shù)領(lǐng)域，尤其涉及基于深度學習的車輛信息檢測方法、存儲介質(zhì)及終端設(shè)備。

背景技術(shù)

國內(nèi)外各家公司，研究機構(gòu)以及很多大學都在基于視頻的智能交通系統(tǒng)的研發(fā)中投入的大量資金。目前國內(nèi)外成熟的技術(shù)可以分為以下兩類：基于虛擬傳感器(虛擬點、虛擬線、虛擬線圈)的非模型交通信息檢測技術(shù)和基于目標提取和模型跟蹤的交通信息檢測技術(shù)。

非模型交通信息檢測技術(shù)：1982年，Takaba等人提出了最早的視頻檢測技術(shù)，利用虛擬點作為處理單元提取流量參數(shù)，這是非模型交通信息檢測的早期思路，為交通參數(shù)的視頻檢測奠定了基礎(chǔ)。非模型交通信息檢測技術(shù)的優(yōu)點在于智能檢測指定區(qū)域內(nèi)的移動像素組，而不需要了解像素組的具體含義。該技術(shù)不需要依賴復雜的計算能力，通過像素組的運動來判斷物體的運動狀態(tài)。該技術(shù)的缺點也很明顯，無法識別檢測目標的屬性。這種技術(shù)通常在車道上設(shè)置一些虛擬傳感器，當車輛經(jīng)過傳感器時，圖像中局部區(qū)域的內(nèi)容發(fā)生變化，通過處理變化信號可以提取所需的信息。為了提高檢測的可靠性和穩(wěn)定性，學者們提出用虛擬線代替虛擬點來測量交通參數(shù)。該方法通過檢測虛擬線上像素強度的變化來檢測過往車輛；同時，在道路的垂直方向上設(shè)置多條平行的檢測線來檢測車輛的通過速度。在此基礎(chǔ)上，利用虛擬檢測線集可以提取多車道交通流量、車速等參數(shù)。之后，學者們提出了基于虛擬線圈的檢測技術(shù)和基于彩色虛擬檢測線的交通參數(shù)提取方法。

基于模型跟蹤的交通信息檢測技術(shù)：與非模型交通信息檢測技術(shù)相比，該技術(shù)具有以下優(yōu)點：在基本上實現(xiàn)了非模型檢測系統(tǒng)的大部分功能的基礎(chǔ)上，仍然可以通過提取車輛形狀、屬性等信息來提高檢測精度；還可以實現(xiàn)對車輛運動軌跡的跟蹤，分析車輛和駕駛員的行為。在這一領(lǐng)域已經(jīng)取得了一些進展，Benjamin Coifmana等人提出了一種基于特征跟蹤的流量參數(shù)提取方法，該方法以攝像機校正為基礎(chǔ)，通過特征跟蹤提取交通流量、速度、交通密度等參數(shù)。在此基礎(chǔ)上，Young Kee Jung等人提出了一種基于背景差分的視頻分割方法來提取運動車輛，然后基于Kalman濾波對運動車輛進行跟蹤，得到車輛流量和速度等參數(shù)。現(xiàn)有的技術(shù)已經(jīng)通過大量的優(yōu)化，如Surendra Gup等長期致力于交通圖像處理的研究，繼2000年提出兩級跟蹤提取交通參數(shù)的方法后，于2002年提出一種先用圖像序列自動更新背景，然后利用背景差分圖像提取運動目標，進行目標的跟蹤，獲得車流量、車型及車速等參數(shù)的方法。基于模型跟蹤的交通信息檢測技術(shù)是目前應用最多的技術(shù)，現(xiàn)有的智能交通系統(tǒng)中的基礎(chǔ)也是基于此項技術(shù)，該技術(shù)對于檢測對象的各向?qū)傩远伎梢詫崿F(xiàn)檢測，但也存在著運算能力復雜，對于設(shè)備要求較高的缺點。

因此，現(xiàn)有技術(shù)還有待于改進和發(fā)展。

發(fā)明內(nèi)容

鑒于上述現(xiàn)有技術(shù)的不足，本公開的目的在于提供基于深度學習的車輛信息檢測方法、存儲介質(zhì)及終端設(shè)備，旨在解決車輛信息檢測方法存在運算能力復雜、對設(shè)備要求較高的問題。

本公開的技術(shù)方案如下：

一種基于深度學習的車輛信息檢測方法，其中，包括步驟：

對獲取的車輛俯拍圖片進行標注，構(gòu)建訓練數(shù)據(jù)集；

基于所述訓練數(shù)據(jù)集對YOLOV3模型進行訓練，得到訓練后模型；

將待測圖片數(shù)據(jù)輸入到所述訓練后模型中，輸出車輛信息檢測結(jié)果。