【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...
【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...
【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。