【技术实现步骤摘要】
本专利技术涉及车辆检测，特别涉及一种基于深度学习的车辆目标检测系统和方法。
技术介绍
1、传统的机器视觉方法在检测车辆时速度较快，但在图像亮度变化、背景有周期性运动、有慢速行驶的车辆或复杂的场景时效果不佳。advanced cnn在物体检测方面取得了不错的效果，然而，cnn对目标检测中的尺度变化很敏感。one-stage方法使用网格来预测对象，而网格的空间约束使得two-stage方法无法获得更高的精度，尤其是对于小对象。two-stage方法使用感兴趣区域池化根据给定参数将候选区域分割成块，如果候选区域小于给定参数的大小，则将候选区域填充到给定参数的大小。这种方式破坏了小物体的特征结构，检测精度低。
2、以上问题丞待解决。
技术实现思路
1、为了解决现有技术中至少其中一个技术问题，第一方面，本专利技术实施例提供了一种基于深度学习的车辆目标检测系统，所述系统包括：图像获取模块、路面分割模块、车辆检测模块和多目标跟踪模块；所述图像获取模块用于获取道路原始图像；所述路面分割模块用于基于高斯混合建模对所述道路原始图像进行路面的提取和分割；所述车辆检测模块用于将分割后的道路图像输入至yolov5网络模型中生成车辆信息；所述多目标跟踪模块用于对检测到的车辆信息采用orb算法得到车辆轨迹信息。
2、进一步的，所述车辆信息包括车辆的类别信息、位置信息和置信度信息中的一种或其组合。
3、进一步的，所述图像获取模块用于将获取到的视频信息中的每一帧的图像信息作为道路
4、进一步的，所述路面分割模块包括道路表面区域提取模块，所述道路表面区域提取模块用于：使用高斯混合建模方法提取道路原始图像中的背景图像；对所述背景图像利用高斯滤波器进行平滑处理并采用漫水填充算法对路面区域进行划分；对划分后的路面区域进行孔填充和形态学运算提取出道路表面区域。
5、进一步的，所述路面分割模块还包括道路表面裁剪模块，所述道路表面裁剪模块用于：基于提取到的道路表面区域中没有旋转的图像生成最小外接矩形；对生成最小外接矩形后的道路表面区域等分成n份，其中n为大于或等于1的整数；基于等分后的道路表面区域生成路面的近端区域和远端区域。
6、进一步的，所述车辆检测模块还用于基于检测到的车辆生成目标检测框。
7、进一步的，所述yolov5网络模型包括特征提取模块、生成目标检测框模块和生成车辆信息模块；所述特征提取模块用于提取分割后的道路图像的特征；所述生成目标检测框模块用于：基于提取到的特征将道路图像划分为m*m个网格，其中m为大于或等于1的正整数；基于每个网格单元对于一个对象生成的三个不同尺度的边界框，其中与预先设置的标注框重叠面积最大的边界框为车辆的目标检测框；所述生成车辆信息模块用于：基于车辆目标检测框生成预测车辆位置；将所述预测车辆位置映射到道路原始图像中生成车辆信息。
8、进一步的，所述yolov5网络的损失函数由分类损失、目标置信度损失和定位损失组成。
9、进一步的，所述多目标跟踪模块包括特征点提取模块、目标预测框绘制模块、判断模块以及追踪模块；所述特征点提取模块用于基于orb算法提取所述目标检测框中的特征点；所述目标预测框绘制模块用于在下一帧图像信息中基于所述目标检测框绘制目标预测框；所述判断模块用于判断所述目标检测框的中心点与所述目标预测框的中心点之间的距离是否小于预设阈值；所述追踪模块用于当所述目标预测框的中心点与目标检测框中心点之间的距离小于预设阈值时追踪所述目标检测框中包含的车辆。
10、第二方面，本专利技术提供了一种基于深度学习的车辆目标检测方法，所述方法包括：获取道路原始图像；基于高斯混合建模对所述道路原始图像进行路面的提取和分割；将分割后的道路图像输入至yolov5网络模型中生成车辆信息；对检测到的车辆信息采用orb算法得到车辆轨迹信息。
11、第三方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一个或一个以上的指令所述计算机指令用于使所述计算机执行上述的基于深度学习的车辆目标检测方法。
12、第四方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器通过加载并执行所述至少一条程序指令以实现上述的基于深度学习的车辆目标检测方法。
13、本专利技术实施例提供的技术方案带来的有益效果是：本专利技术提供了一种基于深度学习的车辆目标检测系统，所述系统包括：图像获取模块、路面分割模块、车辆检测模块和多目标跟踪模块；所述图像获取模块用于获取道路原始图像；所述路面分割模块用于基于高斯混合建模对所述道路原始图像进行路面的提取和分割；所述车辆检测模块用于将分割后的道路图像输入至yolov5网络模型中生成车辆信息；所述多目标跟踪模块用于对检测到的车辆信息采用orb算法得到车辆轨迹信息。结合实际道路环境，利用图像处理和计算机视觉技术对车辆目标进行检测，基于yolov5网络模型可以检测具有尺度变化的对象，并且检测速度快，检测精度高。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的车辆目标检测系统，其特征在于，所述系统包括：图像获取模块、路面分割模块、车辆检测模块和多目标跟踪模块；
2.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述车辆信息包括车辆的类别信息、位置信息和置信度信息中的一种或其组合。
3.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述图像获取模块用于将获取到的视频信息中的每一帧的图像信息作为道路原始图像。
4.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述路面分割模块包括道路表面区域提取模块，所述道路表面区域提取模块用于：
5.根据权利要求4所述的基于深度学习的车辆目标检测系统，其特征在于，所述路面分割模块还包括道路表面裁剪模块，所述道路表面裁剪模块用于：
6.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述车辆检测模块还用于基于检测到的车辆生成目标检测框。
7.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述YOLOV5网络模型包括特征提取模块
8.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述YOLOV5网络的损失函数由分类损失、目标置信度损失和定位损失组成。
9.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述多目标跟踪模块包括特征点提取模块、目标预测框绘制模块、判断模块以及追踪模块；
10.一种基于深度学习的车辆目标检测方法，其特征在于，所述方法包括：
...【技术特征摘要】
1.一种基于深度学习的车辆目标检测系统，其特征在于，所述系统包括：图像获取模块、路面分割模块、车辆检测模块和多目标跟踪模块；
2.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述车辆信息包括车辆的类别信息、位置信息和置信度信息中的一种或其组合。
3.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述图像获取模块用于将获取到的视频信息中的每一帧的图像信息作为道路原始图像。
4.根据权利要求1所述的基于深度学习的车辆目标检测系统，其特征在于，所述路面分割模块包括道路表面区域提取模块，所述道路表面区域提取模块用于：
5.根据权利要求4所述的基于深度学习的车辆目标检测系统，其特征在于，所述路面分割模块还包括道路表面裁剪模块，所述道...
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。