[发明专利]基于YOLOv2的车辆目标检测方法及系统

权利要求书

1.一种基于YOLOv2的车辆目标检测方法，其特征在于，包括以下步骤：

获取样本交通视频数据和样本抓拍图片数据；

将所述样本交通视频数据划分为帧图像，与所述样本抓拍图片数据共同作为样本图像；

对所述样本图像进行图像降噪处理；

对降噪后的所述样本图像进行阴影消重处理；

对阴影消重处理后的所述样本图像进行局部直方图均衡处理；

对局部直方图均衡处理后的所述样本图像进行局部不变量分析，得到训练图像；

将所述训练图像输入至预设的YOLOv2神经网络模型进行训练，得到车辆检测模型；

获取实时车辆视频数据；

对获取到的所述实时车辆视频数据进行降噪、消重、局部平滑处理，得到处理后的实时车辆视频数据；

对处理后的所述实时车辆视频数据进行局部不变量分析，得到二次处理后的实时车辆视频数据；

将所述二次处理后的实时车辆视频数据分割为帧图像，得到目标帧图像；

将所述目标帧图像输入所述车辆检测模型中，得到结果图，其中，所述结果图中包含若干个目标框，所述目标框为圈出所述结果图中的所有车辆图像的矩形框。

2.根据权利要求1所述的基于YOLOv2的车辆目标检测方法，其特征在于，所述YOLOv2神经网络模型包括卷积层、池化层以及全链接层，

将所述训练图像输入至预设的YOLOv2神经网络模型进行训练，得到车辆检测模型的步骤进一步包括：

将所述训练图像输入所述卷积层进行特征提取，通过多个卷积核函数在所述训练图像上滑动，输出多个多维特征向量；

将所述多维特征向量输入所述池化层进行池化处理，输出池化特征图；

将所述池化特征图输入所述全链接层，输出所述结果图。

3.根据权利要求1所述的基于YOLOv2的车辆目标检测方法，其特征在于，所述车辆检测模型用于执行以下步骤：

将所述目标帧图像分割为n*p个网格，对每一个网格再划分为m个包围框；其中每个所述包围框具有中心点坐标、宽、高和置信度得分四个参数；

根据每一个所述包围框的宽、高对m个所述包围框进行归一化处理；

计算每一个所述包围框的置信度得分；

对于每一个所述网格，根据预设的得分阈值，删去所有置信度得分低于所述得分阈值的所述包围框；

对于每一个所述网格内的所有包围框，按照置信度得分由大到小的顺序进行排序；

对于每一个所述网格内的所有包围框，取置信度得分最大的所述包围框为目标框。

4.根据权利要求3所述的基于YOLOv2的车辆目标检测方法，其特征在于，在计算每一个包围框的置信度得分的步骤中，采用以下方法计算所述包围框的置信度得分：

判断所述包围框的区域内是否存在物体；

若不存在物体，则判定所述包围框的置信度得分为0；

若存在物体，则计算所述包围框中的图像属于车辆目标的后验概率Pr，计算所述包围框的检测评价函数IOU的值；所述检测评价函数IOU表示所述车辆目标与所述包围框的交集与所述车辆目标与所述包围框的并集的比值；

用后验概率Pr乘以所述包围框的检测评价函数IOU的值即得到所述包围框的置信度得分。

5.根据权利要求1所述的基于YOLOv2的车辆目标检测方法，其特征在于，采用高斯滤波器对所述样本图像进行降噪处理。

6.根据权利要求1所述的基于YOLOv2的车辆目标检测方法，其特征在于，对降噪后的所述样本图像进行阴影消重处理的步骤中，采用泊松方程对图像阴影进行消重处理。