基于YOLO目标检测技术的智能车辆运动路况信息的检测方法技术

基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，它属于智能车运动路况信息检测领域。本发明专利技术解决了传统的采集智能车辆运动路况信息的方法的准确率较低、速度较慢的问题。本发明专利技术通过将摄像头固定于一定的高度，以一定的角度采集智能车辆所在的路况信息，用心形和星形固定于智能车辆上表示智能车辆，用箭头表示障碍物，用长方形和三角形表示终点，通过加载训练好的模型并对其输入摄像头采集到的信息，能够实时检测出智能车辆所在的路况信息，帧数能够达到每秒40帧，准确率到95％以上。因为运用了深度学习，所以该方法具有鲁棒性高，准确率高，速度快的优点。本发明专利技术可以应用于智能车运动路况信息检测领域用。

【技术实现步骤摘要】
基于YOLO目标检测技术的智能车辆运动路况信息的检测方法
本专利技术属于智能车运动路况信息检测领域，具体涉及一种智能车辆运动路况信息的检测方法。
技术介绍
随着科技的不断发展和进步，智能车的应用也变得越来越普遍，智能车的不断应用在给人们的生活带来便捷的同时，也给人们的研究工作带来了新的挑战。由于智能车辆的运行过程中要完成前进、倒车、转向等一些基本操作，所以为了保证智能车辆的行车安全，必须能够快速、并实时地掌握和了解智能车辆的运动路况信息，传统的智能车辆控制系统往往是基于前置摄像头采集路况信息进而进行智能车辆运动的控制，但是这种采集智能车辆运动路况信息的方法的准确率较低、速度较慢。
技术实现思路
本专利技术的目的是为解决传统的采集智能车辆运动路况信息的方法的准确率较低、速度较慢的问题。本专利技术为解决上述技术问题采取的技术方案是：基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，该方法包括以下步骤：步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练，预训练完成后保留YOLO目标检测模型的卷积层和最大池化层，在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务；载入预训练好的参数值，并去掉添加的平均池化层和全连接层，在最后一个卷积层后再依次添加四个卷积层和两个全连接层，初始化全连接层的权重值以及偏置值，得到预训练好的YOLO目标检测模型；步骤二、利用摄像头采集智能车辆路况信息图像，每张图像均包括智能车辆、障碍物和终点三类目标；步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广，将增广后的图像数据分为训练集和测试集两部分；步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中，采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型，训练过程中输出损失函数的损失值；用TensorBoard实时可视化当前的损失值和正确率，训练停止后加载训练的模型，用测试集进行测试，测试完成后将训练结果存入计算机硬盘作为最终的训练模型；步骤五、利用摄像头采集包含智能车辆运动路况信息的图像，将采集到的图像输入到最终的训练模型中进行目标检测。本专利技术的有益效果是：本专利技术提供了一种基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，本专利技术通过将摄像头固定于一定的高度，以一定的角度采集智能车辆所在的路况信息，用心形和星形固定于智能车辆上表示智能车辆，用箭头表示障碍物，用长方形和三角形表示终点，通过加载训练好的模型并对其输入摄像头采集到的信息，能够实时检测出智能车辆所在的路况信息，帧数能够达到每秒40帧，准确率到95％以上。因为运用了深度学习，所以该方法具有鲁棒性高，准确率高，速度快的优点。附图说明图1为本专利技术方法的流程图；图2为本专利技术训练所使用的图片类别的示意图；图3为本专利技术训练过程中总损失值的变化曲线图；图4为本专利技术的目标检测结果展示图。具体实施方式具体实施方式一：结合图1说明本实施方式。本实施方式所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，该方法具体包括以下步骤：步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练，预训练完成后保留YOLO目标检测模型的卷积层和最大池化层，在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务；载入预训练好的参数值，并去掉添加的平均赤化层和全连接层，在最后一个卷积层后再依次添加四个卷积层和两个全连接层，初始化全连接层的权重值以及偏置值，得到预训练好的YOLO目标检测模型；步骤二、利用摄像头采集智能车辆路况信息图像，每张图像均包括智能车辆、障碍物和终点三类目标；步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广，将增广后的图像数据分为训练集和测试集两部分；步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中，采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型，训练过程中输出损失函数的损失值；用TensorBoard实时可视化当前的损失值和正确率，训练停止后加载训练的模型，用测试集进行测试，测试完成后将训练结果存入计算机硬盘作为最终的训练模型；步骤五、将摄像头固定于距离地面2-3m高度，以俯视角35°-55°的角度采集包含智能车辆运动路况信息的图像，将采集到的图像输入到最终的训练模型中进行目标检测。YOLO算法将检测问题看做是回归问题，采用单个神经网络，利用整个图像的信息来预测目标的边框、识别目标的类别，实现端到端的目标检测，YOLO相比于之前的算法有如下优点：1)非常快。YOLO的流程简单，速度很快，可以实现实时检测；2)YOLO采用全图信息进行预测。与滑动窗口、regionproposals不同，YOLO在训练、预测过程中利用全图信息。FastR-CNN方法错误地将背景块检测为目标，原因在于FastR-CNN方法在检测时无法看到全局图像。相比于FastR-CNN，YOLO可以将背景预测错误率降低一半；3)YOLO可以学习到目标的概括信息。我们采用自然图像训练YOLO，然后采用艺术图像来预测，YOLO比其他目标检测算法的准确率高很多。近年来，深度学习已经成为了一种十分热门且应用领域十分广泛的技术，在计算机视觉领域，具有快速性，高准确率的目标检测方法是其核心技术。基于卷积神经网络的图像分类以及目标检测技术与传统的方法相比在准确率以及速度上有十分大的优势。在场景复杂，光线强度变化较大的环境，基于深度学习的目标检测算法具有很强的鲁棒性，能够适应复杂的环境变化。本次专利技术是采用放置于高处的摄像头采集整个路况信息，包括智能车辆，障碍物以及终点等信息，与传统方法相比，本专利技术采用了YOLO模型作为目标检测的算法，具有实时性以及快速性，能够快速检测到图像中智能车辆，障碍物以及终点等重要信息。具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一的具体过程为：预训练的YOLO目标检测模型是一个卷积神经网络，它包括20个卷积层、5个池化层和1个全连接层，分别是：1个卷积核尺寸为7*7，个数为64的卷积层；1个2*2的最大池化层；1个卷积核尺寸为3*3，个数为192的卷积层；1个2*2的最大池化层；1个卷积核尺寸为1*1，个数为128的卷积层；1个卷积核尺寸为3*3，个数为256的卷积层；1个卷积核尺寸为1*1，个数为256的卷积层；1个卷积核尺寸为3*3，个数为512的卷积层；1个2*2的最大池化层；4个卷积核尺寸为1*1，个数为256的卷积层；4个卷积核尺寸为3*3，个数为512的卷积层；1个卷积核尺寸为1*1，个数为512的卷积层；1个卷积核尺寸为3*3，个数为1024的卷积层；1个2*2的最大池化层；2个卷积核尺寸为1*1，个数为512的卷积层；2个卷积核尺寸为3*3，个数为1024的卷积层；1个2*2的平均池化层：一个全连接层；利用ImageNet数据库对YOLO目标检测模型的前20层卷积层做预训练，设置学习率为0.0001，batch_size为256，不断进行迭代训练调整YOLO目标检测模型的卷积层的权重值以及偏置值，直到分类任务top5准确率不小于85％时，得到YOLO目标检测预模型前20层卷积层的权值；在YOL本文档来自技高网...

【技术保护点】
1.基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，其特征在于，该方法包括以下步骤：步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练，预训练完成后保留YOLO目标检测模型的卷积层和最大池化层，在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务；载入预训练好的参数值，并去掉添加的平均池化层和全连接层，在最后一个卷积层后再依次添加四个卷积层和两个全连接层，初始化全连接层的权重值以及偏置值，得到预训练好的YOLO目标检测模型；步骤二、利用摄像头采集智能车辆路况信息图像，每张图像均包括智能车辆、障碍物和终点三类目标；步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广，将增广后的图像数据分为训练集和测试集两部分；步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中，采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型，训练过程中输出损失函数的损失值；用TensorBoard实时可视化当前的损失值和正确率，训练停止后加载训练的模型，用测试集进行测试，测试完成后将训练结果存入计算机硬盘作为最终的训练模型；步骤五、利用摄像头采集包含智能车辆运动路况信息的图像，将采集到的图像输入到最终的训练模型中进行目标检测。...

【技术特征摘要】
1.基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，其特征在于，该方法包括以下步骤：步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练，预训练完成后保留YOLO目标检测模型的卷积层和最大池化层，在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务；载入预训练好的参数值，并去掉添加的平均池化层和全连接层，在最后一个卷积层后再依次添加四个卷积层和两个全连接层，初始化全连接层的权重值以及偏置值，得到预训练好的YOLO目标检测模型；步骤二、利用摄像头采集智能车辆路况信息图像，每张图像均包括智能车辆、障碍物和终点三类目标；步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广，将增广后的图像数据分为训练集和测试集两部分；步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中，采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型，训练过程中输出损失函数的损失值；用TensorBoard实时可视化当前的损失值和正确率，训练停止后加载训练的模型，用测试集进行测试，测试完成后将训练结果存入计算机硬盘作为最终的训练模型；步骤五、利用摄像头采集包含智能车辆运动路况信息的图像，将采集到的图像输入到最终的训练模型中进行目标检测。2.根据权利要求1所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法，其特征在于，所述步骤一的具体过程为：预训练的YOLO目标检测模型是一个卷积神经网络，它包括20个卷积层、5个池化层和1个全连接层，分别是：1个卷积核尺寸为7*7，个数为64的卷积层；1个2*2的最大池化层；1个卷积核尺寸为3*3，个数为192的卷积层；1个2*2的最大池化层；1个卷积核尺寸为1*1，个数为128的卷积层；1个卷积核尺寸为3*3，个数为256的卷积层；1个卷积核尺寸为1*1，个数为256的卷积层；1个卷积核尺寸为3*3，个数为512的卷积层；1个2*2的最大池化层；4个卷积核尺寸为1*1，个数为256的卷积层；4个卷积核尺寸为3*3，个数为512的卷积层；1个卷积核尺寸为1*1，个数为512的卷积层；1个卷积核尺寸为3*3，个数为1024的卷积层；1个2*2的最大池化层；2个卷积核尺寸为1*1，个数为512的卷积层；2个卷积核尺寸为3*3，个数为1024的卷积层；1个2*2的平均池化层：一个全连接层；利用ImageNet数据库对YOLO目标检测模型的前20层卷积层做预训练，设置学习率为0.0001，batch_size为256，不断进行迭代训练调整YOLO目标检测模型的卷积层的权重值以及偏置值，直到分类任务top5准确率不小于85％时，得到YOLO目标检测预模型前20层卷积层的权值；在YOLO目标检测模型的20层卷积层后依次添加一个平均池化层和一个全连接层用于分类任务，载入预训练好的参数值，并去掉添加的平均...

【专利技术属性】
技术研发人员：于兴虎，蔡军，
申请(专利权)人：于兴虎，
类型：发明
国别省市：山东,37