基于深度学习的危险品车辆检测与识别方法技术

本发明专利技术公开了一种基于深度学习的危险品车辆检测与识别方法，涉及公路智能交通技术与人工智能领域。所述方法包括如下步骤：获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；利用BP神经网络模型进行字符识别，确定危险品车辆标识。所述方法能够提高危险品车辆识别的准确率，可以有效提高高速入口车辆通行效率和高速通行安全性。

【技术实现步骤摘要】
基于深度学习的危险品车辆检测与识别方法
本专利技术涉及公路智能交通技术与人工智能领域，尤其涉及一种基于深度学习的危险品车辆检测与识别方法。
技术介绍
为了保证高速公路的通行安全，国内很多高速公路对危险化学品运输车辆采取了限时、限段、限路或完全禁行等相关措施，在禁行的路段和时段内，禁止危险化学品车辆驶入高速公路。目前高速公路入口的危险品车辆识别和管制主要依赖于人工判断，通行效率较低。无人值守发卡机设备虽然已在收费广场入口车道广泛应用，并在一定程度上提高了发卡效率且节省了人力，但很难对危险品车辆进行有效的识别和管制，导致部分危险品车辆在限行时间段进入高速公路，增加了高速公路安全隐患。
技术实现思路
本专利技术所要解决的技术问题是如何提供一种能够提高危险品车辆识别的准确率，可以有效提高高速入口车辆通行效率和高速通行安全性的方法。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于深度学习的危险品车辆检测与识别方法，其特征在于包括如下步骤：获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；利用BP神经网络模型进行字符识别，确定危险品车辆标识。优选的，所述危险品车辆样本图像包括特定天气条件下分别对应的危险品车辆图像数据，同时包括具有一定尺度变化和一定倾斜角度的危险品车辆图像。优选的，所述标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌。优选的，采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型。进一步的技术方案在于，所述的采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的方法如下：利用摄像机获取全天时、全天候的危险品车辆图像；依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；根据FastYOLO网络架构，训练危险品车辆标识检测与识别模型；利用验证数据集对危险品车辆标识检测与识别模型进行模型验证，验证模型的参数；利用测试数据集对危险品车辆标识检测与识别模型进行性能测试，测试模型的泛化能力。进一步的技术方案在于，所述的利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别的方法如下：待检测图像直接作为输入，输入到危险品车辆标识检测与识别模型，输出识别结果，将输出的识别结果与预先设定的阈值T0进行对比，若大于等于T0，则直接输出是危险品车辆；若小于T0，则需要进行进一步判断是否为危险品车辆。进一步的技术方案在于，根据危险品车辆标识检测与识别模型输出中的坐标信息，获得检测到的标识牌图像，对其进行字符分割处理，获得的字符作为BP神经网络模型的输入数据。进一步的技术方案在于，所述的利用BP神经网络模型进行字符识别，确定危险品车辆标识的方法如下：获取大量已知类别的字符图像作为样本数据；利用特征提取方法提取字符样本特征，将提取的字符样本特征与字符类别标签作为训练数据，训练BP神经网络模型；利用特征提取方法提取待分类字符的特征，并利用BP神经网络模型对其进行分类；筛选出分类结果置信度高的字符，添加到BP神经网络模型的训练样本库中，更新BP神经网络模型。进一步的技术方案在于，利用BP神经网络模型对待分类字符进行分类辨识，将输出的辨识结果与设定的阈值进行对比，得出字符的类别。进一步的技术方案在于，根据分割出的字符个数和BP神经网络模型输出的类别，比较危险品车辆标识牌字符的数目D0和非危险车辆标识牌字符的数目N0，若D0＞N0，则输出是危险品车辆。采用上述技术方案所产生的有益效果在于：通过所述方法，可以对YOLOv2网络进行训练，使得其可以对图片或者视频中的危险品车辆具有检测与识别的能力。使用经过训练后的YOLOv2网络，能够满足多种应用环境的要求，并且准确快速地实现危险品车辆的识别。所述方法在现有无人值守发卡装置的基础上，结合现有高速公路收费站的基础设施和现有设备，应用于高速公路入口的无人值守发卡车道，能够快速有效地实现高速公路入口对危险品车辆的识别与管制。可以自动对危险品车辆进行识别和通行管制，并通过综合使用危险品标志灯识别、危险品标志牌识别和危险品矩形标牌识别三种识别方式，保证了危险品车辆识别的正确率，可以有效提高高速入口车辆通行效率和高速通行安全性。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术实施例所述方法的主流程图；图2是本专利技术实施例所述方法中步骤S102的详细流程图；图3是本专利技术实施例所述方法中步骤S104的详细流程图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。如图1所示，本专利技术实施例公开了一种基于深度学习的危险品车辆检测与识别方法，包括如下步骤：S101：获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；S102：构建基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；S103：利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；S104：利用BP神经网络模型进行字符识别，确定危险品车辆标识。进一步的，所述的危险品车辆样本图像包括白天、黑夜以及雨天、雾天、大雪等特定天气条件下分别对应的图像数据，同时还包括具有一定尺度变化和一定倾斜角度的危险品车辆图像，需要说明的是，本申请所述方法还可以包括其他特定条件下的图像数据。进一步的，所述的标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌，需要说明的是，所述标注信息还可以为其它信息，在此不做赘述。进一步的，如图2所示，所述的基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的训练过程包括：S1021：利用摄像机获取全天时、全天候的危险品车辆图像；S1022：依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；S1023：根据FastYOLO网络架构，训练危险品车辆标识检测与识别模型；S1024：利用验证数据集本文档来自技高网...

【技术保护点】
1.一种基于深度学习的危险品车辆检测与识别方法，其特征在于包括如下步骤：/n获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；/n构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；/n利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；/n利用BP神经网络模型进行字符识别，确定危险品车辆标识。/n

【技术特征摘要】
1.一种基于深度学习的危险品车辆检测与识别方法，其特征在于包括如下步骤：
获取危险品车辆样本图像，并标注样本图像中目标区域坐标信息和类别；
构建基于深度神经网络的危险品车辆标识检测与识别模型，利用采集和标注的危险品车辆样本训练危险品车辆标识检测与识别模型；
利用危险品车辆标识检测与识别模型对待检测图像进行检测与识别；
利用BP神经网络模型进行字符识别，确定危险品车辆标识。


2.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：
所述危险品车辆样本图像包括特定天气条件下分别对应的危险品车辆图像数据，同时包括具有一定尺度变化和一定倾斜角度的危险品车辆图像。


3.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：
所述标注是指标记图像中目标的位置和所属的类别，即目标的左上角和右下角坐标信息及目标为危险品车辆标识牌。


4.如权利要求1所述的基于深度学习的危险品车辆检测与识别方法，其特征在于：采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型。


5.如权利要求4所述的基于深度学习的危险品车辆检测与识别方法，其特征在于，所述的采用基于YOLOv2深度神经网络的危险品车辆标识检测与识别模型的方法如下：
利用摄像机获取全天时、全天候的危险品车辆图像；
依据VOC数据格式制作危险品车辆样本数据集，对危险品车辆图像中危险品标识进行人工标注；
根据FastYOLO网络架构，训练危险品车辆标识检测与识别模型；
利用验证数据集对危险品车辆标识检测与识别模型进行模型验证，验证模型的参数；
利用测试数据集对危险品车辆标识检测与识别模型进行性能测试，测试模型的泛化能力。

【专利技术属性】
技术研发人员：李广，闫满囤，李忠辉，张倩倩，孙计山，尹春辉，田森，罗晓瑶，韩二伟，高曼，
申请(专利权)人：河北交投智能交通技术有限责任公司，
类型：发明
国别省市：河北;13