[发明专利]基于改进YOLO_V3模型的车标识别方法

说明书

本发明涉及一种基于改进YOLO_V3模型的车标识别方法。实现步骤为：制作带有标注和标签的车标图像数据集，数据增强；使用改进后的YOLO_V3模型的卷积神经网络提取数据集中车标的多尺度特征，并训练车标识别模型；输入待检测车标图像，使用车标识别模型对待检测车标进行识别，并获得待检测车标的位置信息；根据训练模型，输出预测图像，完成检测。本发明提供的方法具有较高的鲁棒性，可以对车标进行识别，有助智慧交通系统的建立，从而改善城市交通安全。

技术领域

本发明属于计算机视觉与人工智能技术领域，具体来说是一种基于改进YOLO_V3模型的车标识别方法，用来检测图像中是否存在车标并区分车标的方法，本质上是目标识别与定位问题。

背景技术

近年来，基于计算机视觉的车辆检测和识别系统逐渐在智慧城市建设项目中发挥着重要的作用，为了促进智慧城市健康发展，科学技术需要不停的发展来对智能交通系统(IntelligentTransportSystem,ITS)改进完善。在智慧城市中车辆是其重要的一员，是感知的重要对象。因此，除了车牌特征，车标特征也是车辆检测中的重要特征。传统的车辆识别方法是从大量的视频中快速检索目标车辆，主要是通过车牌识别，通过已知车牌号码从海量视频中搜索具有相同车牌号码的车辆图像。然而还是存在各种问题，例如车牌盗用，车牌受损，车牌遮挡等各种影响，不利于车辆车牌的识别。而车标具有明显的特征，代表性强，能够唯一识别车辆品牌，这样通过车标识别确定车辆品牌，缩小识别车辆的范围，实现预分类。实质上车标识别技术就是图像分类技术中的一种，包含特征提取和特征分类两个关键环节。传统的图像描述特征方法包括局部二元模式(Localbinarypattern,LBP)特征，梯度方向直方图特征(histogramoforiented gradient,HOG)特征和Haar特征。常用特征分类方法包括随机森林学习方法，支持向量机(SVM)学习方法和Adaboost学习方法。

在车辆品牌和型号识别中车标识别是一个重要的研究方向，如何实时快速精确的识别车标是本文研究的动机。在车标识别问题中，传统的识别方法包括两个步骤：车标定位和车标识别。关于车标定位，有一种方法是首先通过车牌位置和车牌与车标的相对位置定位到车标，再计算车标候选区域不同方向上的纹理特征来得到车标的边缘信息，最后对车标进行详细的定位，此方法需要车标具有明显的边缘特征，适应环境比较苛刻，一般只有在理想的情况下，才能够达到所需的效果；另一种方法是通过将adaboost学习方法和切比雪夫时刻结合到一块来对车标定位，但是计算方法复杂，耗时久。关于车标识别，有一种方法是使用一种模板匹配和边缘方向直方图方法进行车标分类，这个方法需要大量的模板样本的收集，耗时久，因为图像质量的残差不齐，识别精度低，匹配的时间比较久，实时性差；另一种方法是首先是将SIFT特征提取出来，然后开始训练分类器来进行对车标分类，但是SIFT算法缺点也很明显，较大的计算量，检测到的冗余极值点多，不利于特征点的提取。

近年来，以卷积神经网络(convolutedneuralnetwork,CNN)模型为代表的深度学习方法在计算机视觉领域取得了巨大成果。将卷积神经网络和支持向量机分类器结合到一起使用，先通过卷积神经网络对车标初次筛选，在送入支持向量机进行分类，来到达较高的准确率，然而支持向量机需要人工选择，特征选择对数据集的环境要求比较高，卷积神经网络不需要通过人工进行选择，准确率也比传统的高，但是因为参数较多，计算量比较大，不满足实时性。

上述的车标识别方法中，很多分类方法都会受到定位方法的影响，如果定位有偏差，识别精确度也会有所下降，甚至有些定位没有错误的，识别效率也不行，对图片质量要求高，对环境要求高。

发明内容

为了提高车标识别方法的识别率，鲁棒性和实时性，本文提出一种基于改进YOLO_V3模型的车标识别方法，提高车标识别的精确度，实验表明该模型更加精准、快速的进行车标识别。

为了达到上述目的，本发明提供了一种基于改进YOLO_V3模型的车标识别方法,包括步骤如下: