[發明專利]一種車輛集成視覺識別方法有效
| 申請號： | 202210133912.0 | 申請日： | 2022-02-14 |
| 公開（公告）號： | CN114627405B | 公開（公告）日： | 2022-11-18 |
| 發明（設計）人： | 陶硯蘊;楊燁飛;高瑞;徐吾淼;王翔;莫逸非 | 申請（專利權）人： | 蘇州大學 |
| 主分類號： | G06V20/40 | 分類號： | G06V20/40;G06V10/96;G06V10/82;G06N3/04;G06N3/08;G06K9/62 |
| 代理公司： | 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257 | 代理人： | 王廣浩 |
| 地址： | 215000 江蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 車輛 集成 視覺 識別 方法 | ||
1.一種車輛集成視覺識別方法，其特征在于，包括：
構建車輛集成視覺識別算法模型，其中，所述車輛集成視覺識別算法模型包括集成選擇模型和多視角檢測模型，所述多視角檢測模型包括無人機視角檢測模型、電子警察視角檢測模型、路人視角檢測模型；
利用多視角下日間、霧天、雨天的數據集對所述多視角檢測模型訓練學習，得到訓練后的多視角檢測模型；
識別待檢測視頻的視角類型，所述集成選擇模型根據所述待檢測視頻的視角類型調用所述訓練后的多視角檢測模型中與所述待檢測視頻匹配的車輛檢測模型；
利用所述匹配的車輛檢測模型檢測所述待檢測視頻中車輛信息，輸出檢測結果。
2.如權利要求1所述的車輛集成視覺識別方法，其特征在于，所述無人機視角檢測模型采用YOLOv4算法模型。
3.如權利要求2所述的車輛集成視覺識別方法，其特征在于，所述YOLOv4算法模型包括：
主體YOLOv3算法、骨干網絡CSPDarknet53、附加模塊SPP、PANet網絡和Prediction模塊。
4.如權利要求1所述的車輛集成視覺識別方法，其特征在于，利用多視角下日間、霧天、雨天的數據集對所述多視角檢測模型訓練學習包括：
放大采集的無人機視角視頻中的車輛特征；
對放大車輛特征后的無人機視角視頻分幀；
利用標注軟件對分幀后的照片進行車輛標注和反標注，得到所述無人機視角檢測模型的訓練集；
根據所述訓練集對所述無人機視角檢測模型進行預訓練；
利用預訓練后的無人機視角檢測模型對車輛特征進行深度學習，并結合反標注標簽的反例識別進行縱向訓練，得到訓練完成的無人機視角檢測模型。
5.如權利要求1所述的車輛集成視覺識別方法，其特征在于，所述多視角下日間、霧天、雨天的數據集包括：
無人機視角下日間、霧天、雨天不同型號的車輛視頻、電子警察視角下日間、霧天、雨天不同型號的車輛視頻、路人視角下日間、霧天、雨天不同型號的車輛視頻。
6.如權利要求1所述的車輛集成視覺識別方法，其特征在于，所述電子警察視角檢測模型與所述路人視角檢測模型均采用YOLOv3算法模型。
7.如權利要求6所述的車輛集成視覺識別方法，其特征在于，所述YOLOv3算法模型包括：
骨干網絡DarkNet53、多尺度預測網絡和激活函數sigmoid。
8.如權利要求1所述的車輛集成視覺識別方法，其特征在于，所述車輛集成視覺識別算法模型還包括：
夜間紅外視頻檢測模型，所述夜間紅外視頻檢測模型采用YOLOv4算法模型。
9.如權利要求8所述的車輛集成視覺識別方法，其特征在于，所述夜間紅外視頻檢測模型識別過程對車輛紅外圖像中紅色高溫區域進行正向識別和反向識別。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至9任一項所述一種車輛集成視覺識別方法的步驟。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于蘇州大學，未經蘇州大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210133912.0/1.html，轉載請聲明來源鉆瓜專利網。
