[发明专利]基于YOLOv2的车辆目标检测方法及系统

说明书

本发明公开了一种基于YOLOv2的车辆目标检测方法及系统，包括以下步骤：获取样本交通视频数据；将样本交通视频数据划分为帧图像作为样本图像；对样本图像进行降噪、阴影消重、局部直方图均衡处理以及局部不变量分析，得到训练图像；将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；对实时车辆视频数据进行降噪、消重、局部平滑处理以及局部不变量分析，得到二次处理后的实时车辆视频数据；将二次处理后的实时车辆视频数据分割为帧图像并输入车辆检测模型中，得到结果图。通过本发明提供的基于YOLOv2的车辆目标检测方法和系统，可以提高车辆检测的准确度和检测速度。

技术领域

本发明涉及车辆识别领域，更具体地，涉及一种基于YOLOv2的车辆目标检测方法及系统。

背景技术

科技的发展为城市的建设提供了更丰富的技术支撑，图像中特定目标的识别一直是计算机视觉领域的焦点技术，而这其中，车辆目标检测不论在民用还是军用都具有重要意义。在民用方面，车辆识别推进了智能交通、智慧停车、安防等领域的应用；在军事方面，车辆识别对瞬息万变的战场环境中的车辆(战车，装甲车等)的识别与跟踪，在实施精确打击目标，敌情动态监控等方面发挥着关键作用。

随着城镇化进程的推进、汽车保有量的增加、城市交通及车辆出入口管理要求的提高，互联网、物联网、大数据、机器学习等技术的发展，推动着人工智能技术在车辆目标检测场景中的加速落地。而车辆目标检测技术的前提则是从实时视频中分离出车辆，但是，现实生活中，车辆通常处于复杂的交通环境中，这就给车辆目标检测。已知现有的车辆检测方法有：基于CNN的车辆识别，例如：申请公布号为CN201710043464.4的发明专利，采用索贝尔算子对获取的视频帧进行边缘点的检测，然后进行梯度检测，描出车辆的外部轮廓，然后与目标候选区域进行比较，然后通过卷积运算才能绘制出最终包围车辆的矩形，这种也是最原始的目标检测方法，然而本方法存在诸如无法处理遮挡问题，生成大量目标候选特征图，对小目标检测效果较差等问题，特别地，由于运算逻辑过于复杂，在实时视频检测中经常出现无法检测车辆，或者矩形框偏移过大，对噪声敏感等问题。

因此，亟待发明一种对车辆目标检测检测效果更加准确的车辆检测方法。

发明内容

有鉴于此，本发明提供了一种基于YOLOv2的车辆目标检测方法及系统，解决了现有技术中车辆检测准确度低、速度慢的问题。

为了解决上述问题，本发明提供了一种基于YOLOv2的车辆目标检测方法，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。