【技术实现步骤摘要】
一种基于yolov5的车辆违停识别方法
[0001]本专利技术涉及深度学习图像分析处理
,尤其涉及一种基于yolov5的车辆违停识别方法。
技术介绍
[0002]随着现代经济社会发展,人们生活水平日益提高,汽车拥有量也越来越多。在实际生活中,车辆乱停的现象也随之增加,给城市治理带来了很大的挑战。对于车辆违停的处理,传统方式一般都是在一定时间段内安排交警或城管对易发生违法停车行为的区域进行巡查,不仅耗费了大量人力物力,而且处理效率较低。随着摄像头监控的普及,在易发生违停现象区域安装摄像头,基于监控视频图像与深度学习的车辆违停识别方法如雨后春笋般涌现,一般分为基于目标检测的车辆违停识别方法与基于目标跟踪的车辆违停识别方法。基于目标跟踪的车辆违停识别方法,能够很好地区分车辆是否构成违停行为,然而需要较大的计算能力,需要匹配巨大的计算系统。在城市治理场景中,往往会有成百上千的摄像头,对计算效率要求较高。基于目标检测的车辆违停识别方法,能够以较小的计算开销快速检测出车辆位置信息,但对于如何更加准确地判断车辆是否违停方面具有很大的改进空间。
[0003]因此,如何提供一种高效、准确的车辆违停识别方法,成为亟待解决的技术问题。
技术实现思路
[0004]有鉴于此,本专利技术旨在解决现有基于目标检测的车辆违停识别不准确、漏报与误报问题,提供了一种快速、准确的车辆违停识别方法,可以准确识别车辆是否违停,并记录预警图片,方便城市管理。
[0005]一方面,本专利技术提供一种基于yolov5的车辆违停 ...
【技术保护点】
【技术特征摘要】
1.一种基于yolov5的车辆违停识别方法,其特征在于,所述方法,包括:步骤S1:采集并解析车辆停放图片得到车辆停放数据集,根据车辆停放数据集训练并部署yolov5检测模型;步骤S2:通过页面配置系统算法参数,根据配置好的系统算法参数调用部署的yolov5检测模型,处理摄像头下的图片,输出车辆位置信息;步骤S3:根据当前帧图片与上一帧图片中的车辆位置信息,判断当前帧图片中的车辆是否违停,对违停车辆输出报警信息。2.根据权利要求1所述的基于yolov5的车辆违停识别方法,其特征在于,步骤S1,包括:步骤S11:采集车辆停放图片,对采集的车辆停放图片进行清洗处理和标注处理,得到车辆停放数据集,将车辆停放数据集按比例划分为训练数据集与测试数据集;步骤S12:采用训练数据集训练yolov5检测模型,保存训练过程中的模型参数;步骤S13:采用测试数据集验证保存的模型参数,获取优化的yolov5检测模型;步骤S14:将优化的yolov5检测模型部署在GPU服务器上。3.根据权利要求1所述的基于yolov5的车辆违停识别方法,其特征在于,步骤S1中,采集并解析车辆停放图片得到车辆停放数据集,包括:通过监控摄像头采集车辆停放图片,根据图片清晰度与是否完好去除采集车辆停放图片中的无效图片;采用labelImg标注工具在车辆停放图片中标注车辆的矩形框,标记车辆类型,生成xml标注文件并将xml标注文件转换为适用于yolov5检测模型的txt文件,txt文件中每行表示一个车辆的信息,包含车辆类别、车辆中心点横坐标、车辆中心点纵坐标、车辆宽度和车辆高度。4.根据权利要求1所述的基于yolov5的车辆违停识别方法,其特征在于,步骤S1中,根据车辆停放数据集训练并部署yolov5检测模型,包括:在训练过程中,通过数据增强方法扩充训练数据集,所述数据增强方法包括图片旋转、图片平移、图片翻折以及图片随机裁剪。5.根据权利要求1所述的基于yolov5的车辆违停识别方法,其特征在于,步骤S2,包括:步骤S21:通过页面配置系统算法参数,所述系统算法参数包括:任务起始时间、摄像头id、违停时长阈值、车辆置信度以及违停区域;步骤S22:采用配置好的系统算法参数调用步骤S1中部署的yolov5检测模型;步骤S23:采用部署的yolov5检测模型检测车辆停放图片中置信度大于等于设定车辆置信度的车辆;步骤S24:采用部署的yolov5检测模型检测步骤S23中的车辆是否在违停区域,当所述车辆在违停区域内,将报警标志位初始化为0,输出添加有初始化的报警标志位的车辆位置信息。6.根据权利要求1所述的基于yolov5的车辆违停识别方法,其特征在于,步骤S3,包括:获取当前帧图片与上一帧图片中的车辆位置信息;设置重合度阈值,根据当前帧图片与上一帧图片中的车辆位置信息判断当前帧图片与上一帧图片中的位置是否为同一位置;如果当前帧图片与上一...
【专利技术属性】
技术研发人员:潘明远,朱金华,刘加,李鹏飞,左健豪,赵冲,
申请(专利权)人:中国电子系统技术有限公司,
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。