一种货车车型识别方法和系统技术方案

本发明专利技术提出一种货车车型识别方法和系统，包括如下步骤：步骤S1，获取车辆侧面图像，并建立样本数据集；步骤S2，对样本数据集中的车辆信息进行标注；步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。本发明专利技术的货车车型识别方法和系统能够快速、准确的识别货车车型。准确的识别货车车型。准确的识别货车车型。

【技术实现步骤摘要】
一种货车车型识别方法和系统


[0001]本专利技术涉及车辆智能监测
，特别涉及一种基于深度学习算法的货车车型识别方法和系统。

技术介绍

[0002]由于ETC计费系统的推广，许多高速公路收费站逐渐以无人值守的不停车通行车道取代人工收费窗口。通行高速公路后及时缴纳足额车辆通行费，是每个道路使用者应履行的责任和义务。但是，逃费产生的经济利益促使很多车辆进行逃费。由于牵引车型货车与普通货车收费政策不同，依靠入口轴数计费，并在出口收费站收取高速通行费用，会产生很多漏收错收行为：牵引车轴数入口站识别错误；牵引车办理普通货车的ETC卡；在高速服务区拖挂、换挂等。
[0003]牵引车型货车大部分用于长途运输货物，车辆单次收费金额大，产生的漏收错收金额也越大，每年的通行费损失给高速带来数以千万计的经济损失，甚至影响到高速公路的安全运营。
[0004]随着近年来计算机视觉技术的发展，新技术应用爆发式增长催生全新业态，急需设计一种能够精确识别货车车型的信息的方法。

技术实现思路

[0005]本专利技术提出了一种货车车型识别方法和系统，是通过对YOLOX网络进行改进，修改主干网络和YOLOX
‑
HEAD的卷积，优化了特征提取方式，针对车轴采用了圆形标注框，并引入FOCAL LOSS和c IOU LOSS对圆形目标计算车型识别的损失，可以快速、准确的识别货车车型。
[0006]本专利技术的技术方案为：一种货车车型识别方法，包括如下步骤：
[0007]步骤S1，获取车辆侧面图像，并建立样本数据集；
[0008]步骤S2，对样本数据集中的车辆信息进行标注；
[0009]步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；
[0010]步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。
[0011]进一步的，所述的步骤S1获取车辆侧面图像建立样本数据集，其中，所述的车辆侧面图像包括高速公路入出口站点抓拍的车辆侧面图像，或者省界监控采集系统抓拍图像。
[0012]进一步的，所述步骤S2对样本数据集中的车辆信息进行标注，包括标注车辆的车型、车轴信息，车型信息包括客车、货车，车轴信息包括车轴中心坐标及车轮半径。
[0013]进一步的，所述步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型，具体包括：
[0014]步骤S31，使用迁移学习方法，建立深度学习二分类模型，用于区分车辆车型信息；
[0015]步骤S32，建立改进的YOLOX目标检测模型，具体改进过程包括：
[0016]步骤S321，将YOLOX的主干网络替换为DenseNet网络；在DenseNet网络中，采用稠密连接机制，互相连接所有的层，即每个层都会接受其前面所有层作为其额外的输入，保留上下文信息；
[0017]步骤S322，将YOLOX
‑
HEAD中的普通卷积修改替换为金字塔卷积，所述的金字塔卷积将卷积核平分为若干组，每组卷积核尺寸按照(2n+1，n∈N)增加，同时各组卷积核也会再次进行分组，如果卷积核尺寸越大，则分组越多，其中n为金字塔层数序号，N为自然数；
[0018]步骤S323，引入FOCAL LOSS损失函数，根据样本分辨的难易程度给样本对应的损失添加权重，减少样本不均衡的影响；FOCAL LOSS损失函数的公式如下：
[0019]FL(P
t
)＝
‑
α
t
(1
‑
P
t
)
γ
log(P
t
)
[0020]式中α
t
为平衡正负样本参数，γ为调节简单样本权重降低的速率参数，FL(Pt)为损失计算值，Pt为样本属于某一类目标的概率；
[0021]步骤S324，将YOLOX的矩形检测框替换为圆形的检测框，并返回检测框的中心坐标以及半径，将YOLOX的IOU损失函数替换为cIOU损失函数；
[0022]步骤S325，使用车辆车身图片训练改进后的YOLOX模型，直至模型收敛。
[0023]进一步的，所述步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息，包括：
[0024]步骤S41，根据深度学习模型输出的车辆信息确定货车车型信息；
[0025]步骤S42，根据步骤S31中得到的车型信息，如果获得的车型信息为客车，后续不做处理；
[0026]步骤S43，根据S31中得到的车型信息，如果获得的车型信息为货车，使用改进后的YOLOX模式，输出车辆车轴信息；
[0027]步骤S44，进行车轴正确性校验。
[0028]进一步的，针对汽车运输车或其他车轴异常情况，所述步骤S44进行车轴正确性校验，具体包括：
[0029]步骤S441，获取车轴的中心坐标信息；
[0030]步骤S442，将所有车轴的高度信息按照升序排列；
[0031]步骤S443，比较前n项高度信息，若存在n+1高度与前n项差异大于预设阈值的信息，则存在汽车运输车或其他车轴异常情况，该项及以后数据均删除，n即为车辆轴数；
[0032]步骤S424，根据n确定货车车型；
[0033]步骤S4241，当n＝2时，参考车牌颜色信息，车牌为非黄时，为一型货车，车牌黄色时，为二型货车；
[0034]步骤S4242，当n＝[3,4,5,6]时，分别为三型、四型、五型、六型货车；
[0035]步骤S4243，当n>6时，记为超大型货车。
[0036]根据本专利技术的另一方面，本专利技术还提出一种货车车型识别系统，包括：
[0037]车辆侧面图像获取模块，用于获取车辆侧面图像，并建立样本数据集；
[0038]车辆侧面图像信息标注模块，用于对样本数据集中的车辆信息进行标注；
[0039]侧面识别深度学习模型，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；
[0040]车辆车型识别模块，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。
附图说明
[0041]图1：本专利技术的一种货车车型识别方法流程图；
[0042]图2：本专利技术实施例的金字塔卷积的卷积核分组数量示意图；
[0043]图3：本专利技术的c IOU损失函数示意图；
[0044]图4：本专利技术的一种货车车型识别系统框图；
具体实施方式
[0045]下面将结合本专利技术实施例中的附图，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种货车车型识别方法，其特征在于，包括如下步骤：步骤S1，获取车辆侧面图像，并建立样本数据集；步骤S2，对样本数据集中的车辆信息进行标注；步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。2.根据权利要求1所述的一种货车车型识别方法，其特征在于，所述的步骤S1获取车辆侧面图像建立样本数据集，其中，所述的车辆侧面图像包括高速公路入出口站点抓拍的车辆侧面图像，或者省界监控采集系统抓拍图像。3.根据权利要求1所述的一种货车车型识别方法，其特征在于，所述步骤S2对样本数据集中的车辆信息进行标注，包括标注车辆的车型、车轴信息，车型信息包括客车、货车，车轴信息包括车轴中心坐标及车轮半径。4.根据权利要求1所述的一种货车车型识别方法，其特征在于，所述步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型，具体包括：步骤S31，使用迁移学习方法，建立深度学习二分类模型，用于区分车辆车型信息；步骤S32，建立改进的YOLOX目标检测模型，具体改进过程包括：步骤S321，将YOLOX的主干网络替换为DenseNet网络；在DenseNet网络中，采用稠密连接机制，互相连接所有的层，即每个层都会接受其前面所有层作为其额外的输入，保留上下文信息；步骤S322，将YOLOX
‑
HEAD中的普通卷积修改替换为金字塔卷积，所述的金字塔卷积将卷积核平分为若干组，每组卷积核尺寸按照2n+1(n∈N)增加，同时各组卷积核也会再次进行分组，如果卷积核尺寸越大，则分组越多，其中n为金字塔层数序号，N为自然数；步骤S323，引入FOCAL LOSS损失函数，根据样本分辨的难易程度给样本对应的损失添加权重，减少样本不均衡的影响；FOCAL LOSS损失函数的公式如下：FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t<...

【专利技术属性】
技术研发人员：纪明新，顾辉，
申请(专利权)人：北京中科神通科技有限公司，
类型：发明
国别省市：