[发明专利]一种基于深度学习的道路救援装备正方位拖牵诱导方法

说明书

本发明公开一种基于深度学习的道路救援装备正方位拖牵诱导方法，结合道路救援装备拖牵装置结构和作业特点，首先改进基于tiny‑yolo的车牌识别网络，然后制作样本集对网络进行训练，获得网络参数，接着利用该网络对正方位作业区域图像中的被拖车车牌进行识别，最后测量道路救援装备拖牵装置被拖车之间的横向偏差，实时、稳定、可靠地诱导作业人员实施拖牵作业，从而达到提高拖牵救援效率与安全性能的目的。

技术领域

本发明属于道路救援技术领域，具体涉及一种基于深度学习的道路救援装备正方位拖牵诱导方法。

背景技术

随着社会经济的不断发展和城镇一体化的快速推进，人民生活水平普遍提高，机动车保有量呈现爆发式增长，道路交通事故救援、违章车辆处理等社会需求也迅速增长，作为汽车后市场的道路救援行业重要性日益凸显，逐渐受到社会重视。道路救援装备具有拖牵、牵拉、扶正、起吊、推铲等多项基本操作，而拖牵救援是道路救援过程中应用最为广泛、频繁的基本操作。但目前国内外专门针对道路救援装备拖牵诱导技术的研究尚浅，拖牵作业智能化程度低，不仅缺少合理的安全监控环节，而且作业人员主要凭借其技术经验进行拖牵救援，缺乏有效的智能化诱导辅助，加之救援环境往往比较复杂，作业人员水平参差不齐，往往导致作业耗时过长，造成交通堵塞，甚至引发“二次事故”，难以保证拖牵救援过程的安全性与高效性，比如道路救援装备无法快速安全高效地从事故车辆前方将其拖离现场，进而完成正方位拖牵作业就是其中之一。

当被拖车夹在左右两车中间，且与两侧相邻车辆的间距很小时，以皮卡救援车为例的道路救援装备，往往选择实施正方位拖牵作业，即从被拖车车头的前方向后倒车，在逐渐靠近被拖车的过程中，将拖牵装置与被拖车进行对准，然后进行抱胎固定，进而将被拖车拖离事故现场，具体如图2所示。在传统的正方位拖牵作业过程中，将道路救援装备拖牵装置与被拖车进行对准这一操作，难度较大，其效率主要依赖于驾驶员技术经验等人为因素，通常需要多次反复倒车进行位置修正，耗时过长，救援效率低下。

近几年来，一些基于车牌定位的正方位拖牵诱导方法出现在道路救援领域，通过机器视觉方法检测出车牌，确定被拖车左右中心位置，进而实施正方位拖牵诱导，在一定程度上提高了道路救援装备的智能化程度，但是基于机器视觉的方法往往需要人工提取并建立特征，且环境适应能力仍有待提高。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于深度学习的道路救援装备正方位拖牵诱导方法，本发明面对正方位拖牵作业场景，利用深度学习方法对被拖车车牌进行识别，进而测量道路救援装备拖牵装置与被拖车之间的横向偏差，诱导实施拖牵作业，从而提到拖牵救援的安全性与高效性。

技术方案：本发明所述的一种基于深度学习的道路救援装备正方位拖牵诱导方法，依次包括以下步骤：

(1)基于改进tiny-yolo设计车牌识别网络，具体过程如下：

综合权衡该网络所需的特征信息表达能力和对实时性的要求，对tiny-yolo网络结构进行改进，在保证实时性的同时，进一步提高网络对车牌的识别准确度，

(1.1)设计膨胀卷积层：由于车牌实际尺寸较小，因此车牌是图像中的小尺度目标，而车牌位于事故车辆的车头上，相对车牌来讲，车头是图像中的大尺度目标，鉴于上述车牌与车头的关系，在网络的浅层采用膨胀卷积方法；

(1.2)设计NIN卷积层：为进一步提取小尺度目标车牌的局部特征，基于NIN(network in network)思想，把1×1的卷积层置于两个相邻的3×3的卷积层之间；

(1.3)设计分解卷积层：采用卷积核分解的方法进行深层网络设计，将3×3卷积层分解为3×1卷积层和1×3卷积层，这样设计能够保证网络的实时性；

(1.4)确定网络整体架构，即基于上述局部优化设计对tiny-yolo网络进行针对性改进，确定最终的整体网络架构：整个网络共有19层，包含个14个卷积层和5个池化层；