[发明专利]一种提高车辆识别率的方法

说明书

本发明一种提高车辆识别率的方法，本发明通过使用机器视觉技术应用于智能交通系统的车辆识别等领域。目前车辆识别领域针对应用车载移动平台采集图像的应用比较少，不能满足移动违章取证的要求。本发明的方法首先通过车载移动平台采集道路汽车图像，利用yolov3进行初步汽车目标检测与识别，然后根据检测框与预测值综合判定是否送入分类器在预测。再根据分类器预测结果决定该检测框是否为错误检测并删除。该方法适用于车载移动平台的车辆识别领域，并在实际应用场景中取得较好的效果。

技术领域

本发明属于机器视觉或者智能交通领域，具体涉及一种提高车辆类型识别率方法。

背景技术

目前，机器视觉技术广泛用于智能交通系统，如车牌识别、车流量检测、车辆违章检测、车辆识别等领域。

其中车辆识别是指应用机器视觉技术将摄像机采集到的数字图像或者视频作为图像输入，利用深度学习中的目标检测框架识别出图像中的车辆类型，并作为车辆违章的判断依据之一。

但是在智能交通领域，由于有些图像采集是通过利用车载移动平台，导致图像中车辆重叠、遮挡比较严重。并且图像中相同类型车辆近大远小的现象比较明显，直接导致使用传统的目标检测方法在使用中错误率较高。

发明内容

本发明的目的为尽可能降低汽车类型识别错误率，提出一种通过将检测后的结果再通过判定条件送入分类器进行再次检测。将得到的综合结果作为车辆类型识别的最终结果。本发明包括其他应用背景下的车辆类型检测，如使用交通灯位置的摄像头图像采集的汽车图像，对于移动车载平台采集的道路汽车图像再进行处理，输出最终汽车检测结果。

本技术所提整体发明如下：

步骤(1)汽车图像采集

通过使用车载数字相机的移动平台在路边或者路口对有违章现象的区域采集汽车图像 f(x,y)，并将采集的图像保存在移动平台；

步骤(2)图像预处理

将采集到的彩色图像进行预处理，分别做高斯滤波处理，去除图像中的噪点，其中公式如下：

其中w表示高斯算子，a,b表示算子大小，f表示R、G和B三通道图像，s,t代表卷积尺度，δ为标准差；

步骤(3)将采集到的数字图像使用yolov3深度学习框架做目标检测，并得到初步的检测框和预测值：

(a)将预处理后的图像进行尺寸归一化，采用最近邻方式转换成416*416大小的图像；其处理公式如下：

f1_i,j(x,y)＝f_i，j(x,y)

i＝min(round(i*width_default/width),width_default-1)

j＝min(round(j*height_default/height),height_default-1)

其中f1_i^,_j(x,y)为转换后的图像像素信息，f_i,j(x,y)为原始图像像素信息，width_default，height_default为原始图像宽度，高度值，width，height为尺寸变换后的图像宽度，高度值；

(b)将归一化的图像尺寸送入yolov3卷积网络，进行若干卷积和池化操作；其卷积和池化操作的公式如下：

其中为卷积符号，Y为卷积输出，a_3×3为卷积核大小，Y1为最大池化层输出，h,w为池化框高度、宽度信息；