【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
‑< ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。