一种基于YOLOV4优化算法的车辆检测方法及系统技术方案

本发明专利技术公开了一种基于YOLOV4优化算法的车辆检测方法，包括：获取反映车辆状态的数据；对获取到的反映车辆状态的数据进行处理；将处理后的反映车辆状态的数据输入车辆检测模型进行检测；基于车辆检测模型输出的结果评估车辆状态，车辆状态包括以下至少一种：车辆的识别结果、车辆的定位结果。可以实现快速、准确的检测车辆状态。

【技术实现步骤摘要】
一种基于YOLOV4优化算法的车辆检测方法及系统
本专利技术涉及图像检测
，更具体的说是一种基于YOLOV4优化算法的车辆检测方法及系统。
技术介绍
随着当今社会的快速发展，机动车数量与日剧增，从而导致的交通拥堵现象日益严重。因此，人们提出了智能交通的概念。智能交通系统涵盖了物联网、大数据、人工智能和自动控制理论等
，有效地将交通设施、车辆、驾驶员等要素关联起来，实现高效的管理。通过构建智能交通系统，来准确分析当前的交通环境，能够有效提高交通部门的运营效率。车辆检测是构建智能交通系统最重要的方面之一。传统的车辆检测技术大多使用手工设计的特征，这种技术对场景依赖性强，而自然场景下环境的大多时候是复杂多变的，因而传统方法有一定的局限性，无法满足人们的需求。2006年以来，深度学习(DeepLearning)作为机器学习(MachineLearning)一个重要的新研究领域，已成为图像、音频或文本等数据的高效建模方法。同时，GPU芯片的研发以及硬件平台的快速发展，使计算机的计算能力稳步跃升，为深度学习技术承载了重要的开发环境。近年来，卷积神经网络(CNN)在图像检测任务中取得了令人瞩目的成就。为了高效处理大量的图像数据，基于卷积神经网络的计算框架不断涌现出来。因此，采用深度学习的方法进行车辆检测是非常有研究意义和应用前景的。
技术实现思路
本说明书实施例的一个方面提供一种基于YOLOV4优化算法的车辆检测方法，包括：获取反映车辆状态的数据；所述反映车辆状态的数据包括以下至少一种：车辆的图片数据、车辆的视频数据；对获取到的所述反映车辆状态的数据进行处理；将处理后的所述反映车辆状态的数据输入车辆检测模型进行检测；基于车辆检测模型输出的结果评估车辆状态，所述车辆状态包括以下至少一种：车辆的识别结果、车辆的定位结果。本说明书实施例的一个方面提供一种基于YOLOV4优化算法的车辆检测系统，包括：获取模块，用于获取反映车辆状态的数据；所述反映车辆状态的数据包括以下至少一种：车辆的图片数据、车辆的视频数据；处理模块，用于对获取到的所述反映车辆状态的数据进行处理；检测模块，用于将处理后的所述反映车辆状态的数据输入车辆检测模型进行检测；评估模块，用于基于车辆检测模型输出的结果评估车辆状态，所述车辆状态包括以下至少一种：车辆的识别结果、车辆的定位结果。本说明书实施例的一个方面提供一种检测车辆状态的装置，所述装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现所述基于YOLOV4优化算法的车辆检测方法对应的操作。本说明书实施例的一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，实现所述基于YOLOV4优化算法的车辆检测方法。附图说明本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本申请一些实施例所示的基于YOLOV4优化算法的车辆检测系统的应用场景示意图；图2是根据本说明书的一些实施例所示的基于YOLOV4优化算法的车辆检测系统的模块图；图3是根据本说明书的一些实施例所示的基于YOLOV4优化算法的车辆检测方法的流程图；图4是根据本说明书的一些实施例所示的车辆检测模型的结构示意图；图5是根据本说明书的一些实施例所示的车辆检测模型的深度可分离卷积的示意图。具体实施方式为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。本申请的实施例可以应用于各种移动设备，例如交通工具，包括但不限于自行车、电动车、汽车、摩托车、滑板车、平衡车等。本申请可以根据车辆的图像信息检测车辆，从而对车辆的状态进行检测，使用户能得到有无车辆的信息及车辆的位置。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。虽然本申请主要以车辆、特别是汽车为例进行了描述，但需要注意的是，本申请的原理也可应用于其他物品，如篮球、雨伞、玩具等，根据本申请的原理也可以确定这些物品的状态，有无物品及对物品进行定位。在本申请中，车辆状态的预测仅作为示例。应当注意的是，检测有无车辆及车辆定位仅用于说明目的，并非旨在限制本申请的范围。在一些实施例中，本公开可以应用于其他类似的情景，例如但不限于车辆速度的预测、车辆行驶轨迹的获取等。图1是根据本申请的一些实施例所示的示例性基于YOLOV4优化算法的车辆检测系统的应用场景示意图。应用场景100可以包括服务器110、网络120、车辆终端130、用户终端140、信息源150、存储设备160。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以经由网络120访问存储在用户终端140和/或存储设备160中的信息和/或数据。又如此，服务器110可以直接连接到用户终端140和/或存储设备160以访问存储的信息和/或数据。又例如，存储设备160可以用作服务器110的后端数据存储器。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在本申请图2中描述的包含了一个或者多个组件的系统200上执行。在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请本文档来自技高网...

【技术保护点】
1.一种基于YOLOV4优化算法的车辆检测方法，其特征在于，包括：/n获取反映车辆状态的数据；所述反映车辆状态的数据包括以下至少一种：车辆的图片数据、车辆的视频数据；/n对获取到的所述反映车辆状态的数据进行处理；/n将处理后的所述反映车辆状态的数据输入车辆检测模型进行检测；/n基于车辆检测模型输出的结果评估车辆状态，所述车辆状态包括以下至少一种：车辆的识别结果、车辆的定位结果。/n

【技术特征摘要】
1.一种基于YOLOV4优化算法的车辆检测方法，其特征在于，包括：
获取反映车辆状态的数据；所述反映车辆状态的数据包括以下至少一种：车辆的图片数据、车辆的视频数据；
对获取到的所述反映车辆状态的数据进行处理；
将处理后的所述反映车辆状态的数据输入车辆检测模型进行检测；
基于车辆检测模型输出的结果评估车辆状态，所述车辆状态包括以下至少一种：车辆的识别结果、车辆的定位结果。


2.根据权利要求1所述的方法，其特征在于，
所述车辆检测模型为基于YOLOV4优化算法的卷积神经网络模型，所述卷积神经网络模型的输入为反映所述车辆状态的数据，所述卷积神经网络模型的输出为所述车辆状态。


3.根据权利要求2所述的方法，其特征在于，所述车辆检测模型依次包括主干特征提取网络层、增强特征提取网络层、预测网络层；
所述主干特征提取网络层用于对输入的所述反映车辆状态的数据进行初步的特征提取，得到若干有效特征层；
所述增强特征提取网络层用于对所述主干特征提取网络层得到的所述若干有效特征层进行特征融合操作，得到融合后的特征层；
所述预测网络层用于对所述融合后的特征层进行预测，得到预测结果。


4.根据权利要求3所述的方法，其特征在于，所述主干特征提取网络层采用优化的MobileNetv3网络结构。


5.根据权利要求4所述的方法，其特征在于，所述优化的MobileNetv3网络结构具体如下：



其中，第一列表示每层特征经历的Block结构，其中，CBH表示一个由Conv2d、BatchNormalization、Hard-swish组成的Block，mb3Block表示一个由倒置残差模块、SE注意...

【专利技术属性】
技术研发人员：郭敬娜，王铭宇，王雷，
申请(专利权)人：成都恒创新星科技有限公司，
类型：发明
国别省市：四川;51