[发明专利]一种车辆姿态检测方法及系统

权利要求书

1.一种车辆姿态检测方法，其特征在于，包括如下步骤：

S1、获取待检测图像，所述待检测图像中包含目标车辆；

S2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；

S3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；

S4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；

S5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。

2.根据权利要求1所述的一种车辆姿态检测方法，，其特征在于，所述方法还包括：

获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；

采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。

3.如权利要求1或2所述的一种车辆姿态检测方法，其特征在于，在获取待检测图像之前，所述方法还包括：

预构建基于深度学习的目标检测网络模型；

预构建基于深度学习的实例分割网络模型；

预构建基于深度学习的车辆姿态分类模型。

4.如权利要求3所述的一种车辆姿态检测方法，其特征在于，所述预构建基于深度学习的目标检测网络模型的步骤包括：

分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；

采用卷积神经网络VGG16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。

5.如权利要求4所述的一种车辆姿态检测方法，其特征在于，所述采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：

将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；

获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；

根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。

6.如权利要求3至5任一项所述的一种车辆姿态检测方法，其特征在于，所述构建基于深度学习的实例分割网络模型的步骤包括：

对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；

对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；

将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；

采用卷积神经网络VGG16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。

7.如权利要求6所述的一种车辆姿态检测方法，其特征在于，所述采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：

将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；

获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；

其中，实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。