基于yolov3神经网络的车尾灯识别方法及系统技术方案

本发明专利技术公开了一种基于yolov3神经网络的车尾灯识别方法及系统，涉及智能识别技术领域，解决了现有车尾灯识别的实时性差且识别精度不高的技术问题，其技术方案要点是在目标的实时视频中选择第一帧，将第一帧导入到yolov3神经网络进行识别得到识别目标，在实时视频中通过目标跟踪算法选择所述识别目标的第二帧，同理采用目标跟踪算法选择所述识别目标的一个周期内的后续数帧。因此本公开每周期仅使用一次yolov3神经网络，其后采用目标跟踪算法，实时性更好；yolov3神经网络能够保证识别目标的准确性。

【技术实现步骤摘要】
基于yolov3神经网络的车尾灯识别方法及系统
本公开涉及智能识别
，尤其涉及一种基于yolov3神经网络的车尾灯识别方法及系统。
技术介绍
近年来，无人驾驶技术飞速发展，无人驾驶汽车是集自动控制、视觉技术、人工智能等为一体的科学成果。现有的无人驾驶技术采用了激光测距，或是视觉辅助雷达测距。现有技术中关于识别前车车尾灯灯语的方法，纯粹的采用边缘提取来实现识别(例如采用Canny算子进行处理后查找边缘)，识别的边缘规则性差，难以利用轮廓信息正确判断出车或车灯的存在；而进行基于颜色的区域分割与边缘轮廓查找来识别尾灯，在白天的尾灯和多外部环境干扰光源的情形下识别准确度有限，能否识别出尾灯主要依赖外部环境，前车距离稍远也无法识别。另外，亦有采用fastR-CNN神经网络的算法，其对目标识别的能力相比上述轮廓提取有所提高，但是速度有限，实时性差。亦或是每一帧图片都采用yolo神经网络先识别汽车再识别尾灯的方法，但训练量大且实时性差，因为对于某帧图片使用此方法，可能涉及到n+1(n为神经网络识别出的汽车目标数量)的yolo神经本文档来自技高网...

【技术保护点】
1.一种基于yolov3神经网络的车尾灯识别方法，其特征在于，包括：/n获取目标的实时视频并在所述实时视频中选择本周期的第一帧；/n将所述第一帧导入到yolov3神经网络进行识别，得到第一返回值，所述第一返回值包括第一标签名、第一置信度和第一矩形盒；/n通过所述第一标签名和所述第一置信度对所述第一矩形盒进行筛选，筛选缩减目标后得到第二矩形盒，在所述第二矩形盒中得到识别目标；/n在所述本周期内，在所述实时视频中通过目标跟踪算法选择所述识别目标的第二帧，通过所述第二帧得到第三矩形盒；/n对所述第二矩形盒和所述第三矩形盒分别进行变换；/n将变换后的所述第二矩形盒与变换后的所述第三矩形盒的前后帧色彩进...

【技术特征摘要】
1.一种基于yolov3神经网络的车尾灯识别方法，其特征在于，包括：
获取目标的实时视频并在所述实时视频中选择本周期的第一帧；
将所述第一帧导入到yolov3神经网络进行识别，得到第一返回值，所述第一返回值包括第一标签名、第一置信度和第一矩形盒；
通过所述第一标签名和所述第一置信度对所述第一矩形盒进行筛选，筛选缩减目标后得到第二矩形盒，在所述第二矩形盒中得到识别目标；
在所述本周期内，在所述实时视频中通过目标跟踪算法选择所述识别目标的第二帧，通过所述第二帧得到第三矩形盒；
对所述第二矩形盒和所述第三矩形盒分别进行变换；
将变换后的所述第二矩形盒与变换后的所述第三矩形盒的前后帧色彩进行对比，获取对比结果，根据所述对比结果得到目标车尾灯的变化。


2.如权利要求1所述的基于yolov3神经网络的车尾灯识别方法，其特征在于，对目标车尾灯的所述变化编号并输出所述编号。


3.如权利要求1或2所述的基于yolov3神经网络的车尾灯识别方法，其特征在于，所述第二矩形盒和所述第三矩形盒的变换包括：



其中，x、y为矩形范围的中心点坐标，w、h分别为矩形范围的宽度和高度，x'、y'、w'、h'分别为x、y、w、h变换后中心点坐标、宽度和高度。


4.如权利要求3所述的基于yolov3神经网络的车尾灯识别方法，其特征在于，前后帧的色彩对比的所述对比结果包括：









其中，K为RGB的R通道数值和/或HSV通道的V通道数值，K'为K变化后的数值，δ为预设的阈值，δ∈[0.2,0.3)；式(1)表示车尾灯变亮，式(2)表示车尾灯的亮灭状态与上一帧保持相同,式(3)表示车尾灯变灭。


5.如权利要求4所述的基于yolov3神经网络的车尾灯识别方法，其特征在于，所述目标跟踪算法包括CSRT跟踪算法或KCF跟踪算法。


6.一种基于yolov3神经网络的车尾灯识别系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：高思源，王金湘，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32