[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

说明书

本发明公开了基于深度学习的车辆信息检测方法、存储介质及终端设备，其中，方法包括步骤：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。本发明通过对原始YOLOv3的臃肿数据集进行修改，构建自己的训练数据集，从而实现对于指定对象的高精度检测，使用YOLOv3网络模型进行车辆检测，并对网络模型进行改进以提高其检测能力，实验表明，改进算法提高了车辆检测的准确性，同时降低了漏检和误检的发生率，检测速度达到了22帧/秒。

技术领域

本公开涉及车辆信息检测技术领域，尤其涉及基于深度学习的车辆信息检测方法、存储介质及终端设备。

背景技术

国内外各家公司，研究机构以及很多大学都在基于视频的智能交通系统的研发中投入的大量资金。目前国内外成熟的技术可以分为以下两类：基于虚拟传感器(虚拟点、虚拟线、虚拟线圈)的非模型交通信息检测技术和基于目标提取和模型跟踪的交通信息检测技术。

非模型交通信息检测技术：1982年，Takaba等人提出了最早的视频检测技术，利用虚拟点作为处理单元提取流量参数，这是非模型交通信息检测的早期思路，为交通参数的视频检测奠定了基础。非模型交通信息检测技术的优点在于智能检测指定区域内的移动像素组，而不需要了解像素组的具体含义。该技术不需要依赖复杂的计算能力，通过像素组的运动来判断物体的运动状态。该技术的缺点也很明显，无法识别检测目标的属性。这种技术通常在车道上设置一些虚拟传感器，当车辆经过传感器时，图像中局部区域的内容发生变化，通过处理变化信号可以提取所需的信息。为了提高检测的可靠性和稳定性，学者们提出用虚拟线代替虚拟点来测量交通参数。该方法通过检测虚拟线上像素强度的变化来检测过往车辆；同时，在道路的垂直方向上设置多条平行的检测线来检测车辆的通过速度。在此基础上，利用虚拟检测线集可以提取多车道交通流量、车速等参数。之后，学者们提出了基于虚拟线圈的检测技术和基于彩色虚拟检测线的交通参数提取方法。

基于模型跟踪的交通信息检测技术：与非模型交通信息检测技术相比，该技术具有以下优点：在基本上实现了非模型检测系统的大部分功能的基础上，仍然可以通过提取车辆形状、属性等信息来提高检测精度；还可以实现对车辆运动轨迹的跟踪，分析车辆和驾驶员的行为。在这一领域已经取得了一些进展，Benjamin Coifmana等人提出了一种基于特征跟踪的流量参数提取方法，该方法以摄像机校正为基础，通过特征跟踪提取交通流量、速度、交通密度等参数。在此基础上，Young Kee Jung等人提出了一种基于背景差分的视频分割方法来提取运动车辆，然后基于Kalman滤波对运动车辆进行跟踪，得到车辆流量和速度等参数。现有的技术已经通过大量的优化，如Surendra Gup等长期致力于交通图像处理的研究，继2000年提出两级跟踪提取交通参数的方法后，于2002年提出一种先用图像序列自动更新背景，然后利用背景差分图像提取运动目标，进行目标的跟踪，获得车流量、车型及车速等参数的方法。基于模型跟踪的交通信息检测技术是目前应用最多的技术，现有的智能交通系统中的基础也是基于此项技术，该技术对于检测对象的各向属性都可以实现检测，但也存在着运算能力复杂，对于设备要求较高的缺点。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本公开的目的在于提供基于深度学习的车辆信息检测方法、存储介质及终端设备，旨在解决车辆信息检测方法存在运算能力复杂、对设备要求较高的问题。

本公开的技术方案如下：

一种基于深度学习的车辆信息检测方法，其中，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。