【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及一种改善实时流车辆误识别的方法。
技术介绍
1、随着科学技术的发展，在图像识别处理领域日渐成熟。其中目标检测技术是在输入图片或视频帧中判断是否待检测目标，如果有则将待检测目标的位置标注出来，这项技术被广泛应用在智能安防领域。其中，图像识别是非常重要的技术之一，例如基于yolov5算法检测车辆，并通过输出结果的位置坐标进行抠图用专门网络识别，达到实时跟踪目的的应用也越来越广泛。
2、然而，现有技术仍存在以下问题：
3、1、基于yolov5算法检测车辆的方法，首先因检测算法本身带有识别，但是其识别率较低，所以使用专门的识别网络对检测网络扣除的图进行识别。在检测过程中还有车速较快容易出现检测框抖动较为厉害，之后裁剪出的图片会出现其他场景信息不易识别。其次就是在一些场景中：如：车辆进入车库或出车库，车辆多为半车或不全车，则提高了识别的难度。
4、2、在检测中连续视频帧中，每一帧的画面都不相同。若识别网络过深则导致整体检测加识别速度过长，大大降低了实时效率，一秒内只能检测识别3次。若识别网络过浅则识别的准确率低。另外，对于连续帧识别出的车辆效果会出现各种类别结果交替闪烁出现，降低了准确率。
5、此外，现有技术中涉及到的技术术语：
6、1、车辆检测：基于连续视频帧的图像，利用yolov5网络进行检测。
7、2、cnn车辆识别：基于resent等cnn卷积神经网络,识别视频图像中检测到的车辆，并通过softmax分类器计算得到车辆属性类别。
8、deepsort跟踪算法：全称为‘deep simple online and realtime tracking’核相关滤波算法，利用卡尔曼滤波算法+匈牙利算法，通过上一帧的目标框和速度等参数，预测出当前帧的目标框位置和速度等参数。
技术实现思路
1、为了解决上述问题，本申请的目的在于：本申请提出一种适宜网络深度快速识别车辆的方法，对于网络层数选取选择适宜，能较好地提取出特征信息的同时也能大大减少识别网络所用时间。
2、具体地，本专利技术提供一种改善实时流车辆误识别的方法，所述方法包括：
3、s1，对数据集进行类别细分，添加其他类别，将带其他场景的车辆和不全车归为其他类别；
4、s2，在检测中加入deepsort跟踪算法，其中，采用卡尔曼滤波算法对下一帧结果可能出现的地方做出了一个预测；该预测结果再与对图像数据进行车辆检测并返回车辆的框位置信息的目标检测算法的检测框进行代价计算，代价计算方式为任意两个框计算交并比iou；采用匈牙利算法对该结果进行匹配，将两帧中的结果进行匹配，最后会生成一个对应的id号，即将预测框和检测框代价最低的提取出来即(1-iou)值最小，则认为检测框和预测框是同一个目标，并随机赋予一个id号；
5、所述卡尔曼预测：使用卡尔曼滤波器预估目标框位置；
6、所述匈牙利匹配：用于解决二分图最优匹配；
7、s3，将加入根据deepsort跟踪算法对应的id号不同类别车辆储存在不同的容器vector中，该容器采用前出后进的策略，对每一种车保存20帧的生命周期；
8、s4，对储存在容器vector中的同一车辆识别结果做移动平均，所述移动平均是收集一组观察值，计算这组观察值的均值，利用这一均值作为下一期的预测值，计算公式如下：在该流程步骤里，x表示车辆识别的结果，t表示帧号，xt即第t帧的结果，n表示选取的观察值个数，只要满足n>＝2即可，n的经验值取5，对其结果进行平均，筛选出哪种类别出现的次数较多，即通过移动平均方式计算出当前帧的识别结果，就作为当前帧的识别结果，该结果增加了准确率；
9、s5，针对在图片边界半车出现多的现象，对处于图像边缘地方的车辆采取不检的策略，来减少误识别的次数。
10、所述步骤s1通过收集的数据集，通过车辆识别网络进行训练，量化，转模型；进一步包括：
11、首先数据集分类，将车辆数据划分类别，包括小汽车类别、大型箱式车辆类别、公交车类别；将面包车这类和小汽车很难进行区分的车归于小汽车类别，卡车定义为大型箱式车辆类别；并在数据集中加入带有其他场景的车辆图片和不全车的图片来改善识别的准确率。
12、所述不全车的图片是为裁剪全车或本身为半车的图片。
13、所述步骤s2进一步包括：
14、s2、通过从视频流获取的视频，进行检测，检测出车辆后进行抠图裁剪得到一个图片，将该图片用于识别，并将检测的目标送给所述跟踪算法；每个识别的图片会进入网络输出一个车辆类别结果，即所述跟踪算法中匹配上的结果即生成id号的图片进入网络进行车辆识别结果。
15、所述步骤s3进一步包括：
16、s3、将识别的结果送给对应id的vector中进行存储，即所述对应的id的框里的图像进行车辆识别，并将该id对应的图像识别结果，放置到id相同的vector中，每个vector最多只能储存20帧，储存个数能够进行调节。
17、所述步骤s4进一步包括：
18、s4、对每个储存的vector进行移动平均，遍历vector中的每一个，算出哪一种的类别出现次数最多，则输出该结果，即对vector的结果进行移动平均计算得出结果作为当前帧的最终输出。
19、所述步骤s5进一步包括：
20、s5、将周界加入该检测的视频流，对于四个角边缘部分的车辆不做检测，该检测结果过滤出半车和不全车，即在视频流的画面中划定一个区域并在视频画面中心位置，车辆检测的框完全落在该区域则进行后续的车牌识别计算。
21、所述划定区域包括：视频画面大小宽为100个像素，高为50个像素，划定区域为宽90个像素，高40个像素。
22、所述方法采用cnn网络进行车辆识别。
23、由此，本申请的优势在于：
24、1、本方法中使用适宜cnn网络进行车辆识别，可以高效准确进行车辆识别。
25、2、本方法中使用deepsort跟踪算法，可以实时进行车辆id号的更新，同时可以将该算法运行在低功耗额芯片上。
26、3、本方法中提出一种新的滑动平均策略，改善连续帧的识别结果。
27、4、本方法中提出一种周界功能过滤视频边缘的不全车。
28、5、本方法中使用在deepsort算法中储存20帧识别结果，或更多的历史识别结果。
29、6、本方法中使用全车和不全车以及多个不同场景的数据集来改善识别效果，以便于适应于各种现象。
本文档来自技高网...【技术保护点】
1.一种改善实时流车辆误识别的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述N的经验值取5。
3.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤S1通过收集的数据集，通过车辆识别网络进行训练，量化，转模型；进一步包括：
4.根据权利要求3所述的一种改善实时流车辆误识别的方法，其特征在于，所述不全车的图片是为裁剪全车或本身为半车的图片。
5.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤S2进一步包括：
6.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤S3进一步包括：
7.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤S4进一步包括：
8.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤S5进一步包括：
9.根据权利要求8所述的一种改善实时流车辆误识别的方法，其特征在于，所述划定区域包括：视频画面大小
10.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述方法采用CNN网络进行车辆识别。
...【技术特征摘要】
1.一种改善实时流车辆误识别的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述n的经验值取5。
3.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤s1通过收集的数据集，通过车辆识别网络进行训练，量化，转模型；进一步包括：
4.根据权利要求3所述的一种改善实时流车辆误识别的方法，其特征在于，所述不全车的图片是为裁剪全车或本身为半车的图片。
5.根据权利要求1所述的一种改善实时流车辆误识别的方法，其特征在于，所述步骤s2进一步包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：蔡俊杰，
申请(专利权)人：北京君正集成电路股份有限公司，
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。