[发明专利]基于深度学习的车辆信息检测方法、存储介质及终端设备

权利要求书

1.一种基于深度学习的车辆信息检测方法，其特征在于，包括步骤：

对获取的车辆俯拍图片进行标注，构建训练数据集；

基于所述训练数据集对YOLOV3模型进行训练，得到训练后模型；

将待测图片数据输入到所述训练后模型中，输出车辆信息检测结果。

2.根据权利要求1所述基于深度学习的车辆信息检测方法，其特征在于，所述对获取的车辆俯拍图片进行标注，构建训练数据集的步骤包括：

通过视频传感器获取车辆俯拍图片；

通过Labellmg对所述车辆俯拍图片进行标注，并编码与所述车辆俯拍图片相吻合的train.txt文件；

对所述YOLOV3对应的data文件夹中的数据集进行修改，并将所述标注的车辆俯拍图片与train.txt文件对应保存到YOLOV3对应的data文件夹中，构建训练数据集。

3.根据权利要求2所述基于深度学习的车辆信息检测方法，其特征在于，所述YOLOV3对应的data文件夹中的数据集为VOC数据集，所述VOC数据集有20个类别。

4.根据权利要求3所述基于深度学习的车辆信息检测方法，其特征在于，对所述YOLOV3对应的data文件夹中的数据集进行修改的步骤包括：

将data文件夹中的YOLOv3.cfg另存为YOLOv3-car.cfg；

将data文件加中的类别文件进行删减，只保留car.name。

5.根据权利要求4所述基于深度学习的车辆信息检测方法，其特征在于，所述YOLOV3模型的主干网络为Darknet53，所述Darknet的每一个卷积部分均使用Darknet Conv2D结构，每一次卷积的过程均进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU激活函数。

6.根据权利要求5所述基于深度学习的车辆信息检测方法，其特征在于，基于所述训练数据集对YOLOV3模型进行训练，得到训练后模型的步骤包括：

执行命令darknet.exe detector train data/car.data yolov3-car.cfgdarknet53.conv.74-gpu 0,1，完成对YOLOV3模型的训练，得到训练后模型。

7.根据权利要求6所述基于深度学习的车辆信息检测方法，其特征在于，将待测图片数据输入到所述训练后模型中，输出车辆信息检测结果的步骤包括：

所述训练后模型中包括分别位于Darknet中间层、中下层和底层的三个特征层，所述三个特征层的shape分别为(52,52,256)、(26,26,512)、(13,13,1024)，这三个特征层用于与上采样后的特征层堆叠拼接；

所述位于底层的特征层(13,13,1024)进行5次卷积处理完成特征提取，提取的特征一部分用于卷积和上采样得到特征层(26,26,256)，另一部分用于输出对应的预测结果(13,13,75)；

所述特征层(26,26,256)与位于中下层的特征层(26,26,512)进行拼接，得到的shape为(26,26,768)的特征层再进行5次卷积，处理完后一部分用于卷积和上采样得到特征层(52,52,128)，另一部分用于输出对应的预测结果(26,26,75)；

所述特征层(52,52,128)与位于中间层的特征层(52,52,256)进行拼接，再进行卷积得到shape为(52,52,128)的特征层，最后再进行Conv2D 3×3和Conv2D1×1两个卷积，输出对应的预测结果(52,52,75)。