[发明专利]目标车辆的状态标记方法、系统和计算机可读存储介质

说明书

本发明提供了一种目标车辆的状态标记方法、系统和计算机可读存储介质。目标车辆的状态标记方法包括：实时检测待检测视频；当待检测视频中包含目标车辆时，将目标车辆的图像信息输入状态检测模型以确定图像信息的类别；当图像信息的类别为预设类别时，标记目标车辆并向监控系统报告。应用了本发明提供的技术方案，实时检测待检测视频，在待检测视频中出现了目标车辆时，获取目标车辆的图像信息，通过状态检测模型确定目标车辆是否为异常状态，标记异常状态的目标车辆并向监控系统报告，进而可以准确地检测泥头车等目标车辆的状态，并标记处于异常状态的目标车辆，提供更智能的、应用范围更广的环保监控方案。

技术领域

本发明涉及车辆识别技术领域，具体而言，涉及一种目标车辆的状态标记方法，一种目标车辆的状态标记系统和一种计算机可读存储介质。

背景技术

目前，在相关技术中，在交通视频监控中有一些特殊的监控需求，比如环保方面的监控，要求监控一些特定车辆的运载状态以确认车辆是否符合环保要求。其中，泥头车由于其运载的货物一般是有较高的污染性的物品，比如煤、矿石、渣土等，其载货状态一直是环保监控的重点。泥头车载货状态的识别也具有实际意义和商业价值。

深度卷积神经网络在目标识别中的应用方面技术越来越成熟，特别是近几年来一些方法比如AlexNet(由Alex Krizhevsky设计的一种卷积神经网络结构)、VGG16(一种由牛津大学提供的卷积神经网络结构)、GoogLeNet(由Christian Szegedy提出的一种卷积神经网络结构)等一系列方法效果显著并且已经开始广泛应用到实际项目中。但基于深度卷积神经网络的识别项目仍然存在很多的问题需要去解决。首先，在模型的训练过程中需要大量的已标注样本，然而很多情况下这些样本不易获得。特别是进行异常识别时，异常样本是需要被识别出来的。但异常目标的出现常常是小概率事件，这也意味着异常样本更是难以获得。样本的不足使得模型很难得到充分的学习；其次，在图像数据集中要识别的目标类别之间常常具有很高的相似度，这是造成误检的主要原因。

现有技术中，虽然从互联网得到的公共数据集如COCO(微软团队获取的一个图像数据集)、MIT-CBCL(麻省理工大学获取的一个图像数据集)、KITTI(由www.cvilbs.net提供的车辆检测、追踪、语义分隔算法的数据集)、UA-DETRAC(一种车辆检测数据集)，ImageNet(一种用于视觉对象识别软件研究的大型可视化数据库)这样的大型通用数据集很容易获得，但由于泥头车数据相比于一般的交通车辆识别数据更难以获得，这一个特定小领域的数据集，样本数量要满足深度学习的训练要求需要大量的数据采集、预处理以及数据集标注的投入；而且在环保监测过程中需要对泥头车的车厢的覆盖状态做一个识别，需要识别的是泥头车载货且不覆盖的异常状况。由于摄像头位置处于工地环境，安装位置各不相同，使得在视频图像中这些泥头车载货且不覆盖的状态难以捕捉，常常出现泥头车异常状态误识别的结果泥头车载货异常和正常状态两类样本明显比不同车型的车辆之间的样本数目更加不均衡，因此传统的目标车辆识别方法不适用于泥头车状态识别，而且传统特征提取算法表达能力有限，在很大程度上降低了算法的鲁棒性，在实际使用中对于复杂环境有很大的局限性，无法用于工地、堆场等泥头车工作的复杂环境。

因此，目前亟需一种切实有效的方法以实现对未覆盖泥头车的检测和标记。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提出一种目标车辆的状态标记方法。

本发明的第二方面提出一种目标车辆的状态标记系统。

本发明的第三方面提出一种计算机可读存储介质。

有鉴于此，本发明的第一方面提供了一种目标车辆的状态标记方法，包括：实时检测待检测视频；当待检测视频中包含目标车辆时，将目标车辆的图像信息输入状态检测模型以确定图像信息的类别；当图像信息的类别为预设类别时，标记目标车辆并向监控系统报告。