The invention discloses a standard detection method based on CNN R inspection window. The invention uses super pixel extraction algorithm proposed area, then use cascade design CNN network classification, using CNN regression to enhance detection accuracy of standard inspection position, and finally the use of prior information to enhance performance of standard inspection inspection target detection. The invention uses the window position information, reduce the amount of calculation; at the same time using the super pixel segmentation algorithm, GPU optimization and algorithm optimization algorithm, and the use of the vehicle information guidance super pixel segmentation algorithm to get better results, only two iterations to get good results.
【技术实现步骤摘要】
一种基于R-CNN的车窗年检标检测方法
本专利技术属于视频监控
,涉及一种基于R-CNN的车窗年检标检测方法。
技术介绍
当前,道路监控摄像头的安装已经十分普遍,如何利用好监控摄像头产生的大量车辆数据成为了一个问题。车辆检测、车牌识别等已经不能满足需求,需要更深度的车辆数据应用,比如套牌车检测、车辆轨迹分析、犯罪侦查、车辆是否按时年检等。相对于车窗内的人、摆件、挂件等,年检标是一个更大概率上短时间内不变的特征物体。而检测并定位到年检标的位置,为进一步分析车辆是够按时年检等应用打下基础。目前已有的技术中:《一种基于深度学习的车辆特征物检测方法-201610052980.9》提出的结合selectivesearch(SelectiveSearchforObjectRecognition)与edgebox(EdgeBoxes:LocatingObjectProposalsfromEdges)建议框提取方法,对于提取年检标建议框效果不好,特别是多个年检标黏连的情况,而且速度较慢。《一种车辆物件检测方法及装置-201610073077.0》直接在监控图像上做年检标检测,而不是在车窗上做,对于年检标检测问题,这个方法中大量的计算量其实是不必要的,而且提取特征图像的GoogleNet模型,计算量也过大了,因此限制了输入图片大小不能过大(400*800),图片需要缩图,在车窗占整个图像比例较小的情况的,检测年检标这种小物体性能会急剧下降。
技术实现思路
本专利技术针对现有技术的不足,提供了一种基于R-CNN的车窗年检标检测方法。本专利技术使用R-CNN(Region-b ...
【技术保护点】
一种基于R‑CNN的车窗年检标检测方法,其特征在于该方法包括以下步骤:步骤1、输入图像、车窗位置、车的类型;步骤2、使用超像素算法做超像素分割,并调整超像素算法中的距离公式,具体为:步骤2.1、对超像素算法做GPU速度优化,将颜色距离标准化系数从一个固定的值改为根据当前像素点群变化的值;步骤2.2、针对不同的车型,使用不同的超像素块数量参数;根据标注数据,统计得到超像素块数量参数;步骤3、计算超像素块的中心点,并将该中心点作为框的建议框中心点,计算建议框的宽和高;步骤4、将建议框输入已经离线训练好的CNN1分类模型做分类,所述的CNN1用于快速去除非年检标的建议框;步骤5、将CNN1分类判定为正样本的矩形框输入CNN1回归模型,回归年检标的左上角坐标和右下角坐标;步骤6、将CNN1回归模型的结果输入CNN2模型,做分类和回归;步骤7、将CNN2模型得到的检测框合并;步骤8、根据统计年检标标注结果,得到年检标在车窗内相对位置的先验概率,结合年检标位置的先验概率和CNN2模型分类得到分数,计算检测框所在位置是否有年检标的后验概率;根据后验概率,得到最后检测结果。
【技术特征摘要】
1.一种基于R-CNN的车窗年检标检测方法,其特征在于该方法包括以下步骤:步骤1、输入图像、车窗位置、车的类型;步骤2、使用超像素算法做超像素分割,并调整超像素算法中的距离公式,具体为:步骤2.1、对超像素算法做GPU速度优化,将颜色距离标准化系数从一个固定的值改为根据当前像素点群变化的值;步骤2.2、针对不同的车型,使用不同的超像素块数量参数;根据标注数据,统计得到超像素块数量参数;步骤3、计算超像素块的中心点,并将该中心点作为框的建议框中心点,计算建议框的宽和高;步骤4、将建议框输入已经离线训练好的CNN1分类模型做分类,所述的CNN1用于快速去除非年检标的建议框;步骤5、将CNN1分类判定为正样本的矩形框输入CNN1回归模型,回归年检标的左上角坐标和右下角坐标;步骤6、将CNN1回归模型的结果输入CNN2模型,做分类和回归;步骤7、将CNN2模型得到的检测框合并;步骤8、根据统计年检标标注结果,得到年检标在车窗内相对位置的先验概率,结合年检标位置的先验概率和CNN2模型分类得到分数,计算检测框所在位置是否有年检标的后验概率;根据后验概率,得到最后检测结果。2.根据权利要求1所述的一种基于R-CNN的车窗年检标检测方法,其特征在于:离线训练前需要进行数据收集,其过程为:...
【专利技术属性】
技术研发人员:尚凌辉,王弘玥,张兆生,丁连涛,刘小扬,郑永宏,
申请(专利权)人:浙江捷尚视觉科技股份有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。