【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于深度学习的车用视觉检测方法、装置及存储介质。
技术介绍
1、随着城市的发展速度加快，城市中的车辆也发生了爆炸性的增长。然而，道路交通管理一直存在着诸多难点：第一，寻找车位需要花费大量的时间，即使目前出现了大量的车位管理系统，其大都是采用传感器技术和图像处理技术，不仅成本高，且识别精度无法保证；第二，目前通常是对于障碍物、车辆行驶速度等进行识别，而对于车辆停泊状态或路面平整度的识别技较少，因此无法了解车胎位置信息以及路坑对于车辆管理的影响，道路安全管理的能效不强；第三，由于现有的车辆场景识别时，通常是局部识别，例如针对道路或者车辆速度等某一个信息进行检测，在这种情况下由于信息较为单一，会导致辅助制定驾驶策略时容易出现偏差。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种基于深度学习的车用视觉检测方法、装置及存储介质，以解决现有技术中车辆场景识别不准确、且在制定驾驶策略时容易出现偏差的问题。
2、第一方面，本专利技术提供了一种基于深度学习的车用视觉检测方法，所述方法包括：
3、获取待识别的车辆场景图片；
4、将所述待识别的车辆场景图片输入至预设的车用视觉检测模型，生成识别结果；其中，所述识别结果包括车位识别结果、车胎识别结果和车道识别结果；
5、根据所述识别结果矫正车辆姿态或进行路径规划。
6、在目前的车辆管理过程中，针对车辆场景的识别通常只是基于局部的识别，例如针对车辆
7、在一种可能实施的方式中，所述车用视觉检测模型包括车位识别模型、车胎识别模型和车道识别模型；其中，
8、所述车位识别模型和所述车胎识别模型基于yolov3算法训练得到；
9、所述车道识别模型基于yolov5算法训练得到。
10、在该种可能实施的方式中，不同识别模型采用了不同的算法训练得到。其中车位和车胎相对于车道路坑来说相对好标注和识别，因此采用yolov3算法。采用yolov3算法训练生成车位识别模型，相对于现有的模糊c平均集群分类系统、循环神经网络系统进行车位识别来说，提高了识别效率和识别精度；采用yolov3算法训练生成车胎识别模型，能够准确的识别出车胎的位置，避免车身偏移导致停放不标准导致的交通拥堵，占用多个公共车位以及车身剐蹭等问题。大大提升了交通管理秩序的效率，提高了公共资源的利用率。采用yolov5算法训练生成车道识别模型，能够进一步减少计算量并能够准确识别出道路路坑的情况，辅助驾驶员合理规划行驶路径，提高道路交通的安全性。
11、在一种可能实施的方式中，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
12、训练所述车位识别模型，包括：
13、获取第一预设数量的车位场景图片；
14、对所述车位场景图片中的空闲车位、占用车位和停泊车辆分别进行标注，生成第一训练集；其中，所述停泊车辆至少包括两种停泊方向；
15、基于darknet框架，利用所述第一训练集对yolov3算法进行训练，生成所述车位识别模型。
16、在该种可能实施的方式中，采用了不同的车位场景图片，为了能够准确识别出的车位的使用状态，在标注时对车位和车辆都进行了标注，且将车位分为了空闲车位、占用车位。为了增强模型的识别能力，停泊车辆还至少包括两种停泊方向，因此在该训练集下能够更为全面地对不同车位场景图片进行识别。进一步地，基于darknet框架对yolov3算法进行训练，能够更快速训练得到车位识别模型。
17、在一种可能实施的方式中，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
18、训练所述车胎识别模型，包括：
19、获取第二预设数量的停泊车辆图片；
20、对所述停泊车辆图片中的车胎进行标注，生成第二训练集；其中，所述车胎与车身至少形成两种不同大小的夹角；
21、基于darknet框架，利用所述第二训练集对yolov3算法进行训练，生成所述车胎识别模型。
22、在该种可能实施的方式中，为了能够准确地识别出车胎的位置，主要标注车胎与车身形成的夹角，让yolov3算法进行学习，如此能够使得车胎识别模型准确识别出车胎的位置，从而判断出车辆停泊时车身是否偏移；同样地，本实施方式中也基于轻量级的darknet框架对yolov3算法进行训练，从而提高了训练速度。
23、在一种可能实施的方式中，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
24、训练所述车道识别模型，包括：
25、获取第三预设数量的车道场景图片；
26、对所述车道场景图片中的路坑进行标注，生成第三训练集；
27、利用所述第三训练集对yolov5算法进行训练，生成所述车道识别模型；所述yolov5算法中包括csp-darknet特征网络。
28、车道路坑相对于车胎或车位来说更难识别，因为车位和车胎都有较为明显的形态特征，在标注时只需要用标注框确定其坐标信息即可；但是路坑容易受天气、背景、光线等影响，从而改变其纹理和形态，因此识别难度较大。在该种可能实施的方式中，为了准确的识别出道路路坑，主要采用yolov5算法。yolov5算法通过改变损失函数、改变交并比方法和改变检测模块结构，能够进一步提升模型的检测性能。通过采用csp-darknet，能够减少计算量并保持准确度。
29、在一种可能实施的方式中，所述利用所述第三训练集对yolov5算法进行训练，包括：
30、基于所述第三训练集，采用马赛克训练对所述yolov5算法进行训练；所述马赛克训练为将随机获取的若干张标注后的车道场景图片进行缩放、旋转，通过拼凑形成新的车道场景图片，以对所述yolov5算法进行训练。
31、在该种可能实施的方式中，马赛克训练每次读取若干张图片通过缩放、翻转等将四张或更多图片拼凑成一张图，通过这样的训练可以让网络的泛化性更强，在不同情况下，都能准确识别出目标。
32、在一种可能实施的方式中，所述利用所述第三训练集对yolov5算法进行训练，还包括：
33、基于所述第三训练集，采用自我对抗训练对所述yolov5算法进行本文档来自技高网...
【技术保护点】
1.一种基于深度学习的车用视觉检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的车用视觉检测方法，其特征在于，所述车用视觉检测模型包括车位识别模型、车胎识别模型和车道识别模型；其中，
3.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
4.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
5.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
6.如权利要求5所述的基于深度学习的车用视觉检测方法，其特征在于，所述利用所述第三训练集对Yolov5算法进行训练，包括：
7.如权利要求5所述的基于深度学习的车用视觉检测方法，其特征在于，所述利用所述第三训练集对Yolov5算法进行训练，还包括：
8.如权利要求1所述的基于
9.一种基于深度学习的车用视觉检测装置，其特征在于，所述装置包括：
10.一种计算机存储介质，所述计算机存储介质存储有计算机可执行的至少一个程序，其特征在于，所述至少一个程序被所述计算机执行时，使所述计算机执行上述权利要求1～8任一项所述的基于深度学习的车用视觉检测方法中的步骤。
...【技术特征摘要】
1.一种基于深度学习的车用视觉检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的车用视觉检测方法，其特征在于，所述车用视觉检测模型包括车位识别模型、车胎识别模型和车道识别模型；其中，
3.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
4.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
5.如权利要求2所述的基于深度学习的车用视觉检测方法，其特征在于，在所述将所述待识别的车辆场景图片输入至预设的车用视觉检测模型之前，还包括：
6....
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。