[发明专利]一种基于YOLOv3模型的车辆品牌多角度识别方法

说明书

本发明公开了一种基于YOLOv3模型的车辆品牌多角度识别方法，包括以下步骤：采集路口监控图像，标注图像中车辆的位置和方向，构建数据集，根据数据集中的目标标注信息聚类得到聚类中心一次训练YOLOv3模型。将车辆在视频中出现位置按照帧数间隔保存起来，根据车辆方向进行分类，将每一类中置信度最高的图像作为车辆品牌识别数据。对车辆在每个方向上的图像进行品牌识别，根据投票的方式得到最终结果，具有优秀的泛化能力和稳定性。

技术领域

本发明涉及计算机视觉领域和智能交通信息技术技术领域，具体的说，是一种基于YOLOv3模型的车辆品牌多角度识别方法。

背景技术

随着社会的不断发展，经济实力不断增强，人民群众对于机动车的需求越来越大。大量的车辆给交通管制，监控带来了极大的挑战，智能交通系统的发展成了大势所趋。同时，随着近年来深度学习在计算机视觉方面的不断突破，使得计算机视觉在智能交通系统中有着广泛的应用。

在智能交通系统中，准确并快速的识别车辆的品牌在城市交通统计，违章检测以及交通安全等方面起着重要的作用。由于交通监控视频中的车辆较多，同时车辆分布的比较密集，加上复杂环境中的光线过曝、阴影，部分遮挡以及车辆角度的问题都会让车辆品牌的检测和识别愈加困难，复杂环境下车辆品牌识别不准确。

发明内容

本发明的目的在于提供一种基于YOLOv3模型的车辆品牌多角度识别方法，用于解决现有技术中由于车辆较密集和环境因素而导致的车辆品牌检测不准确的问题。

本发明通过下述技术方案解决上述问题：

一种基于YOLOv3模型的车辆品牌多角度识别方法，所述方法包括如下步骤：

步骤1：采集图片，并对采集到的每张图片都进行标注，分别标注出车辆区域左上角和右上角在原图像上面的坐标，以及车辆的方向，并分类为正面、反面和侧面；

步骤2：对每张图片中每个标注了的车辆的长宽比进行统计，用无监督学习算法K-Means对所有目标的长宽比进行聚类得到9个聚类中心；

步骤3：使用步骤2所得的聚类中心优化YOLOv3模型；

步骤4：根据步骤3优化后的YOLOv3模型检测监控视频中车辆的位置信息和车身方向；

步骤5：根据步骤4中检测得到的目标车辆的位置信息将车辆区域截取并筛选，然后进行数据预处理；

步骤6：收集数据，选择不同场景，不同天气，各种光线下只包含整个车辆区域，背景尽可能少的图像作为训练集对YOLOv3模型进行优化；

步骤7：利用改进后的YOLOv3模型检测识别S4中车辆图像的品牌，并比较步骤6中得到的品牌识别结果，并筛选出车辆的品牌。

由于道路卡口的监控视频中的车辆目标相对较小，因此为了提高模型对小目标的敏感度，将原模型的输入尺寸由416*416改进成672*672，大大提高了模型的准确度。同时为了提高由于角度带来的问题，比如阴影遮挡，光线过曝等问题，将指定车辆每个方向的图片中置信度最高的图片提取出来进行车辆品牌识别，相比于对现有的车辆品牌识别中对某一帧的图像进行识别提高了准确度，而且对车辆每个方向的品牌识别结果进行投票处理，提高了模型在复杂场景下的适用性和稳定性。

优选地，所述步骤3中对YOLOv3模型的优化是将原模型的输入尺寸由416*416改成672*672，使得模型对小目标的敏感度更高。

优选地，所述步骤4检测监控视频中车辆的位置信息和车身方向的过程为：首先利用改进后的yolov3模型与利用相似度比较的模板匹配算法结合对视频中的车辆进行检测并跟踪，模型通过多尺度特征提取对输入的每一帧图像提取特征；

然后Yolov3将darknet-53作为神经网络模型，拥有53层卷积网络，其中有5层卷积网络作为下采样层；