一种车辆集成视觉识别方法技术

本发明专利技术公开了一种车辆集成视觉识别方法，利用所述无人机视角检测模型，对所述导入视频材料全天候无人机视角下的车流量信息进行检测，利用所述电子警察视角检测模型，对所述导入视频材料全天候电子警察视角下的车流量信息进行检测，利用所述路人视角检测模型，对所述导入视频材料全天候路人视角下的车流量信息进行检测，利用所述夜间红外视频检测模型，对所述导入视频材料夜间电子警察视角和路人视角下的车流量信息进行检测，实现了对夜间、雨天、雾天等光图像情况不良条件下交叉路口的全天候多视角车流量信息的检测，有效地降低车辆检测的漏检率和误检率。辆检测的漏检率和误检率。辆检测的漏检率和误检率。

【技术实现步骤摘要】
一种车辆集成视觉识别方法


[0001]本专利技术涉及信息采集领域，特别是涉及一种车辆集成视觉识别方法以及计算机可读存储介质。

技术介绍

[0002]随着我国城市化建设的速度逐年提升，公民的汽车拥有量随之逐年增加，这导致了交通流延误概率的增加，进而使交通系统的效益受损。因此对车辆的精细化管理变得十分迫切，而掌握车辆行为特征是实行精细化管理的重要前提。现阶段对于路口车辆轨迹车辆方向特征提取的方式仍主要依赖人工经验和交通雷达。现有雷达技术通过多方多收的天线模式，结合信号处理技术检测从而精准定位，轨迹追踪，但是在可视化特征数据上存在巨大的缺陷，且在成本与维修方面存在一定的问题。而国内的交叉口流量监测多数依赖于地感线圈，但线圈的故障率较高，埋入地下固定后维修困难，如果要获取车辆的全时空轨迹，需要较密集的安装方式和较高的成本。现有大多数视频图像检测模型大多仅仅在可见光照明条件良好，清晰度高的视频环境下进行实现，又由于可见光图像在不良的照明情况下，易缺失车辆特征信息，难以实现对于交通场景的全天候识别分析。因此需要设计一个车辆多角度全天候的识别算法，以解决以往视频中存在漏检和误检问题。

技术实现思路

[0003]本专利技术的目的是提供一种车辆集成视觉识别方法，以解决现有技术在可见光图像在不良的照明情况下易缺失车辆特征信息，难以对交通环境的全天候识别分析。
[0004]为解决上述技术问题，本专利技术提供一种车辆集成视觉识别方法，包括：
[0005]构建车辆集成视觉识别算法模型，其中，所述车辆集成视觉识别算法模型包括集成选择模型和多视角检测模型，所述多视角检测模型包括无人机视角检测模型、电子警察视角检测模型、路人视角检测模型；
[0006]利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习，得到训练后的多视角检测模型；
[0007]识别待检测视频的视角类型，所述集成选择模型根据所述待检测视频的视角类型调用所述训练后的多视角检测模型中与所述待检测视频匹配的车辆检测模型；
[0008]利用所述匹配的车辆检测模型检测所述待检测视频中车辆信息，输出检测结果。
[0009]优选地，所述无人机视角检测模型采用YOLOv4算法模型。
[0010]优选地，所述YOLOv4算法模型包括：
[0011]主体YOLOv3算法、骨干网络CSPDarknet53、附加模块SPP、PANet网络和Prediction模块。
[0012]优选地，利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习包括：
[0013]放大采集的无人机视角视频中的车辆特征；
[0014]对放大车辆特征后的无人机视角视频分帧；
[0015]利用标注软件对分帧后的照片进行车辆标注和反标注，得到所述无人机视角检测模型的训练集；
[0016]根据所述训练集对所述无人机视角检测模型进行预训练；
[0017]利用预训练后的无人机视角检测模型对车辆特征进行深度学习，并结合反标注标签的反例识别进行纵向训练，得到训练完成的无人机视角检测模型。
[0018]优选地，所述多视角下日间、雾天、雨天的数据集包括：
[0019]无人机视角下日间、雾天、雨天不同型号的车辆视频、电子警察视角下日间、雾天、雨天不同型号的车辆视频、路人视角下日间、雾天、雨天不同型号的车辆视频。
[0020]优选地，所述电子警察视角检测模型与所述路人视角检测模型均采用YOLOv3算法模型。
[0021]优选地，所述YOLOv3算法模型包括：
[0022]骨干网络DarkNet53、多尺度预测网络和激活函数sigmoid。
[0023]优选地，所述车辆集成视觉识别算法模型还包括：
[0024]夜间红外视频检测模型，所述夜间红外视频检测模型采用YOLOv4算法模型。
[0025]优选地，所述夜间红外视频检测模型识别过程对车辆红外图像中红色高温区域进行正向识别和反向识别。
[0026]优选地，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述一种车辆集成视觉识别方法的步骤。
[0027]本专利技术所提供的一种车辆集成视觉识别方法，构建车辆集成视觉识别算法模型，其中所述车辆集成视觉识别算法包括集成选择模型和多视角检测模型，利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习，得到训练后的多视角检测模型，利用所述训练后的多视角检测模型检测待测视频中车辆信息，实现了对雨天、雾天等条件下交叉路口的全天候车流量信息的检测，有效地降低系统对车辆检测的漏检率和误检率。
附图说明
[0028]为了更清楚的说明本专利技术实施例或现有技术的技术方案，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的介绍，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。
[0029]图1为本专利技术所提供的一种车辆集成视觉识别方法的第一种具体实施例的流程图；
[0030]图2为车辆集成视觉识别方法示意图；
[0031]图3为本专利技术所提供的一种车辆集成视觉识别方法的第二种具体实施例的流程图；
[0032]图4为高空无人机视角下识别效果图；
[0033]图5为高空无人机视角下识别效果图；
[0034]图6为电子警察视角下雨天车辆识别效果图；
[0035]图7为电子警察视角下雨天车辆识别效果图；
[0036]图8为雾天环境车辆识别效果图；
[0037]图9为路人视角下雨天车辆识别效果图；
[0038]图10为红外视角下车辆识别效果图；
[0039]图11为红外视角下车辆识别效果图。
具体实施方式
[0040]本专利技术的核心是提供一种车辆集成视觉识别方法，通过引入多种类目标检测算法，同时借助无人机、红外技术，实现了对夜间、雨天、雾天等条件下交叉路口的全天候车流量信息检测，降低了系统对车辆检测的漏检率和误检率。
[0041]为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，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。
[0042]请参考图1，图1为本专利技术所提供的一种车辆集成视觉识别方法的第一种具体实施例的流程图；具体操作步骤如下：
[0043]步骤S101：构建车辆集成视觉识别算法模型；
[0044]如图2所示，车辆集成视觉识别方法示意图；
[0045]其中，所述车辆集成视觉识别算法模型包括集成选择模型和多视角检测模型，所述多视角检测模型包括无人机视角检测模型、电子警察视角检测模型、路人视角检测模型。
[0046]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆集成视觉识别方法，其特征在于，包括：构建车辆集成视觉识别算法模型，其中，所述车辆集成视觉识别算法模型包括集成选择模型和多视角检测模型，所述多视角检测模型包括无人机视角检测模型、电子警察视角检测模型、路人视角检测模型；利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习，得到训练后的多视角检测模型；识别待检测视频的视角类型，所述集成选择模型根据所述待检测视频的视角类型调用所述训练后的多视角检测模型中与所述待检测视频匹配的车辆检测模型；利用所述匹配的车辆检测模型检测所述待检测视频中车辆信息，输出检测结果。2.如权利要求1所述的车辆集成视觉识别方法，其特征在于，所述无人机视角检测模型采用YOLOv4算法模型。3.如权利要求2所述的车辆集成视觉识别方法，其特征在于，所述YOLOv4算法模型包括：主体YOLOv3算法、骨干网络CSPDarknet53、附加模块SPP、PANet网络和Prediction模块。4.如权利要求1所述的车辆集成视觉识别方法，其特征在于，利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习包括：放大采集的无人机视角视频中的车辆特征；对放大车辆特征后的无人机视角视频分帧；利用标注软件对分帧后的照片进行车辆标注和反标注，得到所述无人机视角检测模型的训练集；根据所述训练集对所述无人机视角检测模型进行预训...

【专利技术属性】
技术研发人员：陶砚蕴，杨烨飞，高瑞，徐吾淼，王翔，莫逸非，
申请(专利权)人：苏州大学，
类型：发明
国别省市：