一种车辆类别统计方法技术

本发明专利技术公开了一种车辆类别统计方法，包括：依据预定时间间隔获取目标车辆图像；将目标车辆图像输入预先训练得到的改进型YOLOv3网络中，获得目标车辆图像的属性信息；属性信息至少包括类别；基于预定时间段内获得的多个类别，得到预定时间段内各类别车辆的数量；其中，改进型YOLOv3网络是基于YOLOv3网络的主干网络中，残差模块更换为密集连接模块得到的；改进型YOLOv3网络是根据样本车辆图像，以及样本车辆图像对应的属性信息训练得到的。本发明专利技术特征提取时，能够直接将早期的特征图作为后面每一层的输入，获得的特征图的信息量更多，在进行车辆属性信息的检测时能提高检测精度，准确实现车辆类别统计。确实现车辆类别统计。确实现车辆类别统计。

【技术实现步骤摘要】
一种车辆类别统计方法


[0001]本专利技术属于图像处理领域，具体涉及一种车辆类别统计方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，随着车辆多样化、行驶密集化，在一些场景下，针对路面行驶的车辆类别进行有效统计是非常必要的，比如，针对高速卡口等位置，往往需要统计单位时间段内各种类别车辆的出入状况。
[0003]近年来，随着神经网络的广泛运用，针对各种目标的图像检测算法得到了较为快速的发展，目标检测算法主要是通过对图像进行处理，检测出图像中目标的位置和类别。其中，YOLO(You Only Look Once)系列网络以其明显的速度优势，受到众多使用者的青睐。
[0004]那么，如何基于YOLO网络实现车辆图像的高精度检测，从而实现车辆类别统计，是一个具有实际意义的研究方向。

技术实现思路

[0005]为了基于YOLO网络实现车辆图像的高精度检测，从而实现车辆类别统计，本专利技术实施例提供了一种车辆类别统计方法、装置、电子设备及存储介质。
[0006]具体技术方案如下：
[0007]第一方面，本专利技术实施例提供了一种车辆类别统计方法，包括：
[0008]依据预定时间间隔获取目标车辆图像；
[0009]将所述目标车辆图像输入预先训练得到的改进型YOLOv3网络中，获得所述目标车辆图像的属性信息；所述属性信息至少包括类别；
[0010]基于预定时间段内获得的多个类别，得到所述预定时间段内各类别车辆的数量；
[0011]其中，所述改进型YOLOv3网络是基于YOLOv3网络的主干网络中，残差模块更换为密集连接模块得到的；所述改进型YOLOv3网络是根据样本车辆图像，以及所述样本车辆图像对应的属性信息训练得到的。
[0012]可选的，所述改进型YOLOv3网络的主干网络包括多个间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量至少为三个；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、BN层、Leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密集连接单元包括多个采用密集连接形式连接的所述卷积网络模块，并采用级联方式融合多个卷积网络模块输出的特征图；其中，m为大于等于4的自然数。
[0013]可选的，所述过渡模块为所述卷积网络模块。
[0014]可选的，所述过渡模块包括所述卷积网络模块和最大池化层；所述卷积网络模块的输入和所述最大池化层的输入共用，所述卷积网络模块输出的特征图和所述最大池化层输出的特征图采用级联方式融合。
[0015]可选的，所述过渡模块包括的所述卷积网络模块的数量为两个或三个，且各个卷积网络模块之间采用串接方式。
[0016]可选的，所述改进型YOLOv3网络在主干网络之后还包括：
[0017]依次串接的FPN网络、分类网络和非极大值抑制模块；其中，所述FPN网络对主干网络输出的多个尺度的特征图采用自顶向下、密集连接的方式进行融合。
[0018]可选的，所述分类网络包括SoftMax分类器。
[0019]第二方面，本专利技术实施例提供了一种车辆类别统计装置，包括：
[0020]图像获取模块，用于获取多张目标车辆图像；
[0021]类别确定模块，用于针对每张目标车辆图像，将该目标车辆图像输入预先训练得到的改进型YOLOv3网络中，获得该目标车辆图像的属性信息；所述属性信息至少包括各类别；
[0022]类别统计模块，用于基于所述类别，得到所述多张目标车辆图像的各类别数量；
[0023]其中，所述改进型YOLOv3网络是基于YOLOv3网络的主干网络中，残差模块更换为密集连接模块得到的；所述改进型YOLOv3网络是根据样本车辆图像，以及所述样本车辆图像对应的属性信息训练得到的。
[0024]第三方面，本专利技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0025]存储器，用于存放计算机程序；
[0026]处理器，用于执行存储器上所存放的程序时，实现上述第一方面提供的任意一种车辆类别统计方法的步骤。
[0027]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面提供的任意一种车辆类别统计方法的步骤。
[0028]本专利技术实施例所提供的方案中，将YOLOv3网络的主干网络中的残差模块更换为密集连接模块，使得所述改进型YOLOv3网络的主干网络在进行特征提取时，利用密集连接模块，将特征融合方式从并行改为了串行，能够直接将早期的特征图作为后面每一层的输入，获得的特征图的信息量更多，强化了特征的传递，因此在进行车辆属性信息的检测时，能够提高检测精度。并且，通过复用浅层网络的特征图参数能够减少参数的数量以及运算量。因此，在此基础上，通过获取预定时间段内多张目标车辆图像对应的车辆类别，可以快速、简便、准确地实现车辆类别统计。
[0029]当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
[0030]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术实施例提供的一种车辆类别统计方法的流程示意图；
[0033]图2为现有技术中的YOLOv3网络的结构示意图；
[0034]图3为本专利技术实施例所提供的改进型YOLOv3网络的结构示意图；
[0035]图4为本专利技术实施例所提供的过渡模块的结构示意图；
[0036]图5为本专利技术实施例所提供的改变FPN特征融合方式后的改进型YOLOv3网络的结构示意图；
[0037]图6-1和6-2分别为YOLOv3网络和本专利技术实施例的Dense-YOLO-1网络的MAP和loss曲线对比结果；
[0038]图7-1和7-2分别为YOLOv3网络和本专利技术实施例的Dense-YOLO-1网络、Dense-YOLO-2网络的MAP和loss曲线对比结果；
[0039]图8为本专利技术实施例所提供的一种车辆类别统计装置的结构示意图；
[0040]图9为本专利技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0041]下面将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描述。
[0042]为了基于YOLO网络实现车辆图像的高精度检测，从而实现车辆类别统计，本专利技术实施例提供了一种车辆类别统计方法、装置、电子设备及存储介质。
[0043本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆类别统计方法，其特征在于，包括：依据预定时间间隔获取目标车辆图像；将所述目标车辆图像输入预先训练得到的改进型YOLOv3网络中，获得所述目标车辆图像的属性信息；所述属性信息至少包括类别；基于预定时间段内获得的多个类别，得到所述预定时间段内各类别车辆的数量；其中，所述改进型YOLOv3网络是基于YOLOv3网络的主干网络中，残差模块更换为密集连接模块得到的；所述改进型YOLOv3网络是根据样本车辆图像，以及所述样本车辆图像对应的属性信息训练得到的。2.根据权利要求1所述的方法，其特征在于，所述改进型YOLOv3网络的主干网络包括多个间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量至少为三个；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、BN层、Leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密集连接单元包括多个采用密集连接形式连接的所述卷积网络模块，并采用级联方式融合多个卷积网络模块输出的特征图；其中，m为大于等于4的自然数。3.根据权利要求2所述的方法，其特征在于，所述过渡模块为所述卷积网络模块。4.根据权利要求2所述的方法，其特征在于，所述过渡模块包括所述卷积网络模块和最大池化层；所述卷积网络模块的输入和所述最大池化层的输入共用，所述卷积网络模块输出的特征图和所述最大池化层输出的特征图采用级联方式融合。5.根据权利要求4所述的方法，其特征在于，所述过渡模块包括的所述卷积网络模...

【专利技术属性】
技术研发人员：陈晨，赵巧芝，
申请(专利权)人：西安科锐盛创新科技有限公司，
类型：发明
国别省市：