[发明专利]基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质

说明书

本发明涉及一种人工智能，提供一种基于SPP‑YOLOv3的车型识别方法、装置及计算机可读存储介质，其中方法包括：通过SpineNet网络模型对待识别车辆图像进行特征提取处理，获取所述待识别车辆图像的车辆特征；通过SPP层对所述车辆特征进行池化处理，获取固定尺寸的车辆特征；对所述固定尺寸的车辆特征进行特征尺度扩展处理，获取多种尺度的车辆特征；通过预先获取的候选区域框对所述多种尺度的车辆特征进行车辆检测与识别，获取每种尺度的车辆特征的预测车辆位置以及预测车辆类型；对所述预测车辆位置以及所述预测车辆类型进行映射处理，获取车辆位置和车辆类型。本发明提高车型识别的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于SPP-YOLOv3的车型识别方法、装置、电子设备及计算机可读存储介质。

背景技术

车型识别是智能交通监控系统的一个重要研究方向，随着车辆违规行为的不断增加，对交通卡口中的车辆进行快速定位与识别，成为城市交通管理中极其重要且具有挑战性的任务。目前，基于YOLOv3的深度学习方法，由于其检测速度快，成为业内比较普遍的车型识别算法。

其中，在晴天、白天等简单场景下，基于YOLOv3的车型识别方法可以达到实时检测的目的，并且具有较高识别准确率；但是，在雨天、夜间等困难场景下，基于YOLOv3的车型识别方法的准确率和召回率都相对较低。另外，传统YOLOv3算法要求输入图像的分辨率必须是固定不变的，而实际场景中的图像分辨率是动态变化的，所以在YOLOv3算法中会对原始输入图像尺寸成固定大小，但这样做会导致原始输入图像的纵横比和尺寸发生扭曲，从而降低特征抽取的准确性，从而影响识别效果。

基于上次传统的YOLOv3的车型识别方法存在的问题，本发明亟需提供基于SPP-YOLOv3的车型识别方法。

发明内容

本发明提供一种基于SPP-YOLOv3的车型识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高车型识别的准确率。

为实现上述目的，本发明提供的一种基于SPP-YOLOv3的车型识别方法，所述方法包括：

通过SpineNet网络模型对待识别车辆图像进行特征提取处理，获取所述待识别车辆图像的车辆特征；

通过SPP层对所述车辆特征进行池化处理，获取固定尺寸的车辆特征；

对所述固定尺寸的车辆特征进行特征尺度扩展处理，获取多种尺度的车辆特征；

通过预先获取的候选区域框对所述多种尺度的车辆特征进行车辆检测与识别，获取每种尺度的车辆特征的预测车辆位置以及预测车辆类型；

对所述预测车辆位置以及所述预测车辆类型进行映射处理，获取车辆位置和车辆类型。

可选地，所述通过SpineNet网络模型对待识别车辆图像进行处理，获取所述待识别车辆图像的车辆特征之前，包括如下步骤：

通过Image模型对原始图片进行预处理，以得到待识别车辆图像，其中，所述预处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。

可选地，所述通过SpineNet网络模型对待识别车辆图像进行处理，获取所述待识别车辆图像的车辆特征，包括如下步骤：

对所述待识别车辆图像进行第一卷积处理、最大池化处理、重采样处理、第二卷积处理，获取所述待识别车辆图像的车辆特征；其中，

所述第一卷积处理包括卷积、批归一化和采用Swish激活函数处理；所述第二卷积处理包括卷积、批归一化和采用Relu激活函数处理；

其中，所述批归一化处理采用的公式为：