一种基于YOLO-V5的车辆属性识别方法技术

一种基于YOLO

【技术实现步骤摘要】
一种基于YOLO
‑
V5的车辆属性识别方法


[0001]本专利技术涉及车辆属性识别
，具体涉及到一种基于YOLO
‑
V5的车辆属性识别方法。

技术介绍

[0002]传统的车辆属性识别方法，大多数都是目标检测与细粒度分类的叠加。近年来，随着深度学习技术的发展，越来越多的场景下的车辆检测和识别开始采用基于深度学习模型。比如实拍场景下借助AI技术识别实拍图像中车辆的颜色、车型、车系等车辆属性，比如先用目标深度学习模型检测到车辆，然后再使用细粒度深度学习模型进行车辆属性分析。
[0003]可知，现存的车辆属性识别方法，多数是采用两个或多个深度学习模型，它们先用检测网络检测出图像中的车辆所在位置，基于该图像然后抠图，使用属性模型进行属性分析，然而，由于属性分析是在车辆图像上做，由于区域的不同，在不同属性的预测时会存在相互之间的干扰，导致最终的识别结果准确度下降。
[0004]综述，在实际部署使用时，这样的组合不仅存在精度上的差异，还会带来性能上的增加，从而导致不仅增加显存和内存开销，还会增加计算量。基于上述分析，本专利提出了一种基于YOLO
‑
V5的车辆属性识别方法。

技术实现思路

[0005]针对现有技术所存在的不足，本专利技术目的在于提出一种基于YOLO
‑
V5的车辆属性识别方法，具体方案如下：
[0006]一种基于YOLO
‑
V5的车辆属性识别方法，所述识别方法基于YOLO
‑<br/>V5的深度学习网络，搭建多分支网络对样本数据进行车辆整体检测图以及车辆子区域图的划分，样本数据结合多分支训练后得到一个车辆属性识别模型，基于所述车辆属性识别模型对待识别图像同时实现车辆检测分析和车辆属性分析，得到识别结果。
[0007]进一步的，所述识别方法的具体步骤包括如下：
[0008]步骤一为训练数据预处理：将样本数据进行图像预处理，之后再对经过图像预处理的样本数据进行数据标定；
[0009]步骤二为多分支网络构建：以YOLO
‑
V5为基础网络搭建多分支网络，所述多分支网络包括检测分支网络以及属性分支网络，所述检测分支网络包括车辆检测框分支网络、车辆局部区域框分支网络；
[0010]步骤三为多分支网络训练：首先对检测分支网络进行整体的车辆检测框以及各个的车辆局部区域框的检测训练，得到检测模型，然后，对每个车辆局部区域框分支网络添加上对应的属性分支网络以调整检测模型，继续训练属性，当损失函数达到收敛，得到最终的车辆属性识别模型；
[0011]步骤四为识别效果展示：读入待识别图像，对所述待识别图像进行图像预处理，再基于所述车辆属性识别模型进行识别结果预测，直至输出识别结果。
[0012]进一步的，所述步骤一中，图像预处理包括有图像缩放、图像格式转换、图像旋转；
[0013]图像缩放是采用双线性插值算法对获得的抓拍图像进行缩放，模拟得到不同实际场景下的抓拍图；
[0014]图像格式转换是基于转换公式将不同格式的图像转换呈统一的格式；
[0015]图像旋转是基于笛卡尔坐标系以图像的重心为圆心进行旋转。
[0016]进一步的，所述数据标定包括属性标定、检测框标定；
[0017]所述属性标定可包括车辆颜色标定、车辆年检标签标定、车辆车型标定；
[0018]所述检测框标定包括车辆位置框标定以及子区域框标定，子区域框标定可包括车脸区域框标定，挡风玻璃区域框标定，车轮区域框标定。
[0019]进一步的，车辆位置框标定时，框的上下左右边缘要完整包括整个车辆，当车辆在图像上显露的区域少于整个车身面积的三分之一时不做标定；
[0020]各个子区域框标定时，同样，区域框要完整包括整个对应的车辆零件，当该车辆零件显现的区域少于整个车轮面积的三分之一时，不做标定。
[0021]进一步的，在所述步骤二中，YOLO
‑
V5搭建多分支网络时，YOLO
‑
V5作为主干网络首先搭建车辆检测框分支网络，然后在车辆检测框分支网络后再搭建多个车辆局部区域框分支网络，再在每个车辆局部区域框分支网络后搭建数据分支网络；
[0022]在车辆检测框分支网络后可同时搭建一个专门的简单属性分支网络。
[0023]进一步的，YOLO
‑
V5的网络结构通过通道裁剪以及结构组合的方式，基于所述车辆检测框分支网络得到车辆检测图后，直接得到多个待分析的抠取局部区域图，每个抠取局部区域图再与对应所述车辆局部区域框分支网络配合。
[0024]进一步的，在所述步骤三中，得到的检测模型需在测试集上进行检测框验证，测试集标定了不同场景下的车辆位置框、子区域框以及部分简单属性作为答案，然后把检测模型预测出来的车辆检测框和车辆位置框进行匹配，检测模型预测出来的各个车辆区域框也和子区域框进行匹配，检测模型预测出来的简单属性和测试集答案进行比对，根据不同的重合度阈值的准确率，判断当前的检测模型是否达到预期效果。
[0025]进一步的，在所述步骤三中，得到的车辆属性识别模型在测试集上进行属性验证，测试集标定了不同场景下的车辆颜色、车辆年检标签、车辆车型作为答案，然后把车辆属性识别模型预测出来的属性和测试集答案进行比对，根据不同的重合度阈值的准确率，判断当前的车辆属性识别模型是否达到预期效果。
[0026]与现有技术相比，本专利技术的有益效果如下：
[0027](1)本专利技术采用基于深度学习网络的结构，搭建多分支网络，融合检测和属性分析，结合多分支训练，同时实现车辆检测和属性分析，有效的提升了准确率和性能。相较于现有技术中只在一张车辆整体检测图中进行车辆属性识别来说，本专利技术只需要一个模型即可得到最终的属性识别结果，并且车辆属性的识别是在车辆子区域图上进行精确预测分析，减小不同属性检测时的相互干扰，从而提高不同属性识别结果的精准度。
[0028](2)本专利技术基于级联的多分支网络，具体在检测网络的后面添加了属性预测分支，在保证网络结构简便性的基础上，很好的做到了准确率和计算性能的平衡。
附图说明
[0029]图1为本专利技术中的双线性插值图；
[0030]图2为图像缩放中x方向进行线性插值得到的公式图；
[0031]图3为图像缩放中y方向进行线性插值得到的公式图；
[0032]图4为图像缩放中结果f(x,y)的公示图；
[0033]图5为图像旋转中的笛卡尔坐标系图；
[0034]图6为图像旋转中矩阵中点(x',y')转换为笛卡尔坐标系(x,y)的转换关系图；
[0035]图7为图像旋转中笛卡尔坐标系(x,y)转换为矩阵中点(x',y')的转换关系图；
[0036]图8为本专利技术的识别方法的整体工作流程图；
[0037]图9为原始的YOLO
‑
V5的网络结构示意图；
[0038]图10为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO
‑
V5的车辆属性识别方法，其特征在于，所述识别方法基于YOLO
‑
V5的深度学习网络，搭建多分支网络对样本数据进行车辆整体检测图以及车辆子区域图的划分，样本数据结合多分支训练后得到一个车辆属性识别模型，基于所述车辆属性识别模型对待识别图像同时实现车辆检测分析和车辆属性分析，得到识别结果。2.根据权利要求1所述的基于YOLO
‑
V5的车辆属性识别方法，其特征在于，所述识别方法的具体步骤包括如下：步骤一为训练数据预处理：将样本数据进行图像预处理，之后再对经过图像预处理的样本数据进行数据标定；步骤二为多分支网络构建：以YOLO
‑
V5为基础网络搭建多分支网络，所述多分支网络包括检测分支网络以及属性分支网络，所述检测分支网络包括车辆检测框分支网络、车辆局部区域框分支网络；步骤三为多分支网络训练：首先对检测分支网络进行整体的车辆检测框以及各个的车辆局部区域框的检测训练，得到检测模型，然后，对每个车辆局部区域框分支网络添加上对应的属性分支网络以调整检测模型，继续训练属性，当损失函数达到收敛，得到最终的车辆属性识别模型；步骤四为识别效果展示：读入待识别图像，对所述待识别图像进行图像预处理，再基于所述车辆属性识别模型进行识别结果预测，直至输出识别结果。3.根据权利要求2所述的基于YOLO
‑
V5的车辆属性识别方法，其特征在于，所述步骤一中，图像预处理包括有图像缩放、图像格式转换、图像旋转；图像缩放是采用双线性插值算法对获得的抓拍图像进行缩放，模拟得到不同实际场景下的抓拍图；图像格式转换是基于转换公式将不同格式的图像转换呈统一的格式；图像旋转是基于笛卡尔坐标系以图像的重心为圆心进行旋转。4.根据权利要求3所述的基于YOLO
‑
V5的车辆属性识别方法，其特征在于，所述数据标定包括属性标定、检测框标定；所述属性标定可包括车辆颜色标定、车辆年检标签标定、车辆车型标定；所述检测框标定包括车辆位置框标定以及子区域框标定，子区域框标定可包括车脸区域框标定，挡风玻璃区域框标定，车轮区域框标定。5.根据权利要求4所述的基于YOLO...

【专利技术属性】
技术研发人员：陈迪康，
申请(专利权)人：上海软杰智能设备有限公司，
类型：发明
国别省市：