一种基于优化的YOLOv5模型的车辆分类检测方法技术

本发明专利技术公开了一种基于优化的YOLOv5模型的车辆分类检测方法，包括：获取道路交通车辆图像数据；对所述道路交通车辆图像数据进行车辆类型划分，以建立车辆识别检测数据集；根据所述车辆识别检测数据集构建OP‑YOLOv5车辆分类检测模型；向所述OP‑YOLOv5车辆分类检测模型输入待检测图像数据，得到检测结果。本发明专利技术提高了对车辆的检测的精度和速度。

【技术实现步骤摘要】
一种基于优化的YOLOv5模型的车辆分类检测方法
本专利技术涉及目标识别
，特别涉及一种基于优化的YOLOv5模型的车辆分类检测方法。
技术介绍
近年来，随着经济的高速发展，全国汽车保有量飞速增长，与此同时对汽车信息统计和管理的费用也在逐年提升。随着计算机技术的火热发展与社会重视智能化的发展，图像识别与目标检测等技术近年来也发展迅速，不仅为人们的生活带来了便捷，也对社会的管理提供了一种新的选择，并进一步促进了自动驾驶技术甚至无人驾驶在未来广泛普及成为可能。以往的车辆目标检测通常包含目标分割、候选区域生成、特征提取、分类器分类等步骤，但这类算法也在实际应用中显示出他疲软的一面，例如在复杂多变的实际场景中此类算法的准确度会发生明显的下降，并且人工设计的特征泛化能力较差。近年来，深度学习在目标检测和识别领域表现突出,Girshick等提出了R-CNN模型，将卷积神经网络应用到目标检测领域，随后改进的FastR-CNN、FasterR-CNN模型不断提高检测精度。YOLO模型实现了端到端的实时目标检测，但也有一些仍待提高的方面。例如在识别本文档来自技高网...

【技术保护点】
1.一种基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，包括：/n步骤S1、获取道路交通车辆图像数据；/n步骤S2、对所述道路交通车辆图像数据进行车辆类型划分，以建立车辆识别检测数据集；/n步骤S3、根据所述车辆识别检测数据集构建OP-YOLOv5车辆分类检测模型；/n步骤S4、向所述OP-YOLOv5车辆分类检测模型输入待检测图像数据，得到检测结果。/n

【技术特征摘要】
1.一种基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，包括：
步骤S1、获取道路交通车辆图像数据；
步骤S2、对所述道路交通车辆图像数据进行车辆类型划分，以建立车辆识别检测数据集；
步骤S3、根据所述车辆识别检测数据集构建OP-YOLOv5车辆分类检测模型；
步骤S4、向所述OP-YOLOv5车辆分类检测模型输入待检测图像数据，得到检测结果。


2.如权利要求1所述的基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，所述步骤S1包括：
利用监控摄像采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据，对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到所述道路交通车辆图像数据。


3.如权利要求2所述的基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，所述步骤S2包括：
将所述道路交通车辆图像数据划分为五大类型，包括大货车类、大客车类、轿车类、自行车类和摩托车类；
对所述道路交通车辆图像数据中的每一图像中的车辆进行标注，并将所述图像信息转换成416×416分辨率的车辆图像信息；
将每一所述车辆图像信息生成相对应的xml文件，所述xml文件包含图片名称、图片路径、目标标签名称及目标位置坐标；
将每一所述xml文件在Python中进行图像格式转化，转换成YOLO模型支持的txt文件，得到所述车辆识别检测数据集；
将所述道路交通车辆图像数据及所述车辆识别检测数据集按照VOC数据文件结构进行存储。


4.如权利要求3所述的基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，所述OP-YOLOv5车辆分类检测模型包括：
依次连接的输入端、骨干网络、头部模块和输出端；
将所述待检测图像数据通过所述输入端输入至所述骨干网络，
所述骨干网络用于对所述待检测图像数据提取具有不同尺寸的特征图；
所述头部模块用于进行目标框选及目标检测得到检测结果；
所述输出端用于将所述检测结果输出。


5.如权利要求4所述的基于优化的YOLOv5模型的车辆分类检测方法，其特征在于，
所述测试集图像数据集中每一所述输入图像都经过如下处理：
所述输入图像通过所述输入端输入至所述骨干网络内，
所述骨干网络用于对接收到的所述输入图像均进行如下处理：
所述输入图像依次经过了Focu...

【专利技术属性】
技术研发人员：李佳昊，陈实，阮佳程，张少刚，张浩，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31