【技术实现步骤摘要】
本申请涉及交通，尤其是一种基于深度学习的车辆多属性检测方法。
技术介绍
1、随着交通系统的发展和智能化，对车辆属性的识别变得至关重要，目前常见的需要识别的车辆属性有车辆型号、车辆颜色、车牌号码等等，这些车辆属性的识别对交通安全、交通管理和智能交通系统都具有重要的意义。
2、传统的车辆属性识别通常依赖于图像处理技术和模式识别技术，但是这些方法往往受到光照条件、视角、遮挡等因素的干扰，准确率难以保证。近年来，深度学习技术的发展为车辆属性识别提供了新的解决方案。
3、深度学习是机器学习的一个分支，旨在通过包含复杂结构或模型参数的层次组合方式来构造一系列的抽象特征，从而实现对数据的复杂层次属性的学习和表示。在车辆属性识别领域，深度学习技术可以通过自动学习图像中的特征来识别车辆的各种属性，避免了传统方法中手动设计特征的困难。尤其是cnn的应用，使得深度学习在图像识别领域取得了显著的成果。
4、目前的做法一般是针对每一种需要识别的车辆属性分别训练对应的一个深度学习模型用于单一车辆属性的识别，比如会训练车辆型号深度学习模型来识别车辆型号、训练车辆颜色深度学习模型来识别车辆颜色、训练车牌号码深度学习模型来识别车牌号码。这种做法训练得到的每一个深度学习模型都可以很好完成对应车辆属性的识别，但是缺点是需要花费大量的时间和精力来采集每一种车辆属性对应的数据集和标签并进行模型训练优化，数据集准备准备过程繁琐，实现方式复杂。
技术实现思路
1、本申请针对上述问题及技术需求
2、一种基于深度学习的车辆多属性检测方法，该车辆多属性检测方法包括：
3、将待检测图像输入车辆多属性检测模型中，得到待检测图像中车辆的车辆位置信息、车辆型号、车辆颜色和车牌信息，在车辆多属性检测模型中：
4、图像预处理模块对输入的待检测图像进行预处理操作后输入车辆目标检测模块；
5、车辆目标检测模块包括yolov5车型识别模块以及在yolov5车型识别模块的颈部网络输出之后添加的颜色检测输出头，yolov5车型识别模块对预处理操作后的待检测图像进行特征提取并识别得到车辆位置信息和车辆型号，yolov5车型识别模块的颈部网络输出的特征图还共享给颜色检测输出头得到车辆颜色；
6、图像裁剪模块根据车辆目标检测模块识别到的车辆位置信息从待检测图像中裁剪得到车辆图像并输入车牌检测模块；
7、车牌检测模块从输入的车辆图像裁剪提取得到车牌图片并输出给车牌识别模块；
8、车牌识别模块根据车牌图片输出车牌信息。
9、其进一步的技术方案为，在车辆目标检测模块中，yolov5车型识别模块的颈部网络输出之后还添加有特种车辆检测输出头，yolov5车型识别模块的颈部网络输出的特征图还共享给特种车辆检测输出头得到特种车辆检测结果；
10、则待检测图像输入车辆多属性检测模型中还得到特种车辆检测结果，特种车辆检测结果指示车辆是非特种车辆或者所属的特种车辆类型。
11、其进一步的技术方案为，yolov5车型识别模块包括骨干网络、颈部网络和头部网络，骨干网络对预处理操作后的待检测图像进行特征提取得到特征图输入颈部网络，颈部网络对骨干网络输入的特征图进行特征提取并得到多个不同分辨率的特征图给头部网络，头部网络综合多个不同分辨率的特征图识别得到车辆位置信息和车辆型号；
12、颈部网络得到的最高分辨率的特征图还共享给颜色检测输出头和特种车辆检测输出头。
13、其进一步的技术方案为，颜色检测输出头和特种车辆检测输出头分别包括依次连接的卷积层和全连接层，且颜色检测输出头和特种车辆检测输出头中的卷积层所使用的卷积核大小不同，颜色检测输出头中的卷积层使用的卷积核的尺寸更大。
14、其进一步的技术方案为，颜色检测输出头中的卷积层使用7*7卷积核，特种车辆检测输出头中的卷积层使用3*3卷积核。
15、其进一步的技术方案为，车牌检测模块基于yolov5目标检测网络对输入的车辆图像进行目标检测确定车牌位置以及车牌关键点，车牌关键点是矩形结构车牌的四个顶点；根据车牌位置从车辆图像中裁剪车牌图像，并利用四个车牌关键点对车牌图像进行透视变换后输出给车牌识别模块。
16、其进一步的技术方案为，车牌识别模块包括lprnet文字识别神经网络以及在lprnet文字识别神经网络的特征提取块之后添加的车牌颜色检测块，lprnet文字识别神经网络基于特征提取块提取得到的特征图后利用车牌文字识别块识别得到车牌文字；lprnet文字识别神经网络的特征提取块输出的特征图还共享给车牌颜色检测块输出车牌颜色，则车辆多属性检测模型输出的车牌信息包括车牌文字和车牌颜色。
17、其进一步的技术方案为，车牌颜色提取块包括依次连接的3*3卷积层、relu激活函数、1*1卷积层、relu激活函数和全局平均池化层；
18、车牌文字识别块包括依次连接的1*1卷积层和relu激活函数。
19、其进一步的技术方案为，特征提取块包括依次连接的4个卷积单元、1个最大池化层、2个卷积单元、1个最大池化层、2个卷积单元、1个最大池化层和2个卷积单元，每个卷积单元包括3*3卷积层和relu激活函数。
20、其进一步的技术方案为，训练完成的车辆多属性检测模型转换成onnx格式和tensorrt格式并进行部署。
21、本申请的有益技术效果是：
22、本申请公开了一种基于深度学习的车辆多属性检测方法，将方法在yolov5车型识别模块的基础上通过添加其他车辆属性的检测输出头，这样可以让模型共享特征网络学习的特征信息，在同时输出多种车辆属性的基础上减小运算量和实现难度，也可以提高准确率，且该方法构建的车辆多属性检测模型可以加强不同检测任务的关联，功能丰富且可以从整体上获取车辆不同属性。
23、该车辆多属性检测模型还将车牌颜色识别融入车牌文字识别中，同样实现了共享特征网络学习的效果。另外考虑到车牌检测后截取的图片往往和抓拍相机视线不垂直，存在着角度上的差异。如果车牌检测截取的图片直接给车牌识别模型识别的话，就会降低识别的准确率，因此本申请还在车牌检测模块中增加了车牌关键点的检测，从而可以通过对车牌的透视变换来提高车牌文字识别的准确率。
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多属性检测方法，其特征在于，所述车辆多属性检测方法包括：
2.根据权利要求1所述的车辆多属性检测方法，其特征在于，在所述车辆目标检测模块中，YOLOv5车型识别模块的颈部网络输出之后还添加有特种车辆检测输出头，所述YOLOv5车型识别模块的颈部网络输出的特征图还共享给特种车辆检测输出头得到特种车辆检测结果；
3.根据权利要求2所述的车辆多属性检测方法，其特征在于，所述YOLOv5车型识别模块包括骨干网络、颈部网络和头部网络，骨干网络对预处理操作后的待检测图像进行特征提取得到特征图输入颈部网络，颈部网络对骨干网络输入的特征图进行特征提取并得到多个不同分辨率的特征图给头部网络，头部网络综合多个不同分辨率的特征图识别得到车辆位置信息和车辆型号；
4.根据权利要求3所述的车辆多属性检测方法，其特征在于，颜色检测输出头和特种车辆检测输出头分别包括依次连接的卷积层和全连接层，且颜色检测输出头和特种车辆检测输出头中的卷积层所使用的卷积核大小不同，颜色检测输出头中的卷积层使用的卷积核的尺寸更大。
5.根据权利要求4所述的车
6.根据权利要求1所述的车辆多属性检测方法，其特征在于，所述车牌检测模块基于YOLOv5目标检测网络对输入的车辆图像进行目标检测确定车牌位置以及车牌关键点，车牌关键点是矩形结构车牌的四个顶点；根据车牌位置从车辆图像中裁剪车牌图像，并利用四个车牌关键点对车牌图像进行透视变换后输出给车牌识别模块。
7.根据权利要求1所述的车辆多属性检测方法，其特征在于，所述车牌识别模块包括LPRNet文字识别神经网络以及在LPRNet文字识别神经网络的特征提取块之后添加的车牌颜色检测块，所述LPRNet文字识别神经网络基于特征提取块提取得到的特征图后利用车牌文字识别块识别得到车牌文字；所述LPRNet文字识别神经网络的特征提取块输出的特征图还共享给车牌颜色检测块输出车牌颜色，则所述车辆多属性检测模型输出的车牌信息包括车牌文字和车牌颜色。
8.根据权利要求7所述的车辆多属性检测方法，其特征在于，
9.根据权利要求7所述的车辆多属性检测方法，其特征在于，所述特征提取块包括依次连接的4个卷积单元、1个最大池化层、2个卷积单元、1个最大池化层、2个卷积单元、1个最大池化层和2个卷积单元，每个卷积单元包括3*3卷积层和Relu激活函数。
10.根据权利要求1所述的车辆多属性检测方法，其特征在于，训练完成的所述车辆多属性检测模型转换成onnx格式和tensorrt格式并进行部署。
...【技术特征摘要】
1.一种基于深度学习的车辆多属性检测方法，其特征在于，所述车辆多属性检测方法包括：
2.根据权利要求1所述的车辆多属性检测方法，其特征在于，在所述车辆目标检测模块中，yolov5车型识别模块的颈部网络输出之后还添加有特种车辆检测输出头，所述yolov5车型识别模块的颈部网络输出的特征图还共享给特种车辆检测输出头得到特种车辆检测结果；
3.根据权利要求2所述的车辆多属性检测方法，其特征在于，所述yolov5车型识别模块包括骨干网络、颈部网络和头部网络，骨干网络对预处理操作后的待检测图像进行特征提取得到特征图输入颈部网络，颈部网络对骨干网络输入的特征图进行特征提取并得到多个不同分辨率的特征图给头部网络，头部网络综合多个不同分辨率的特征图识别得到车辆位置信息和车辆型号；
4.根据权利要求3所述的车辆多属性检测方法，其特征在于，颜色检测输出头和特种车辆检测输出头分别包括依次连接的卷积层和全连接层，且颜色检测输出头和特种车辆检测输出头中的卷积层所使用的卷积核大小不同，颜色检测输出头中的卷积层使用的卷积核的尺寸更大。
5.根据权利要求4所述的车辆多属性检测方法，其特征在于，颜色检测输出头中的卷积层使用7*7卷积核，特种车辆检测输出头中的卷积层使用3*3卷积核。
6.根据权利要求1所述的车辆多属性检测方法，...
【专利技术属性】
技术研发人员：吴秋硕，毛旭，李俊杰，魏成志，
申请(专利权)人：江苏航天大为科技股份有限公司，
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。