[发明专利]一种基于图像深度学习系统的货运车辆状态实时识别方法

说明书

本发明提出了一种基于图像深度学习系统的货运车辆状态实时识别方法。本发明系统：道路监控摄像头、计算处理主机、显示屏。本发明方法首先人工标注货运车辆图像数据集构建深度学习图像训练集，输入到YOLOv3深度学习网络进行优化训练；然后对实时采集的初始图像进行处理，经过背景差分法、数字图像处理得到前景图像，并提取运动目标区域的外接矩形以构建识别图像；使用训练后的深度学习网络对识别图像进行预测，最后得到货运车辆的预测矩形边框及预测矩形边框中对应的货运车辆状态，并输出显示。本发明通过深度学习方法实现了对货运车辆不同货载状态的识别，并结合图像处理方法提高了深度学习对货车目标识别的准确性。本发明提高了道路货运的安全性。

技术领域

本发明属于车辆识别技术领域，特别是涉及一种基于图像深度学习系统的货运车辆状态实时识别方法。

背景技术

在道路交通安全领域，道路交通事故频发，由货车引起的交通事故具有占比高，死亡率高，财产损失严重等特点。载运货车的不安全性与货载状态有很大关系，货车载货量高，货车的制动性就会下降，事故发生可能性就会增大，同时发生事故后的人员伤亡与财产损失也相应增加。目前针对货车货载状态的一般检测手段包括静态检测和动态检测。静态检测一般为人工检测或改造公路加装称重系统，此类手段的安装维护成本较高，而改装道路也会对道路产生一定的破坏性。动态检测通常需要加装传感器，如在货车车身上加装压力传感器等，一旦人为私自改装装置，那么这类手段将无法产生效果。总体而言，现阶段对于道路货运车辆的监管普遍存在人力物力耗费高和监管效率低的问题。

随着目标检测技术的迅速发展，对图像和视频可进行更大程度的信息挖掘。中国专利申请CN104966049A提出了一种基于图像的货车检测方法，该方法基于图像处理方法利用多个车辆特征对货车进行识别，首先根据车牌颜色和车牌像素值等分三次定位车牌，然后利用平整度和车牌占比判断是否为大车，最后根据车牌与地面的相对位置和车牌与挡风窗范围来判定是否为货车。然而实际应用中存在车牌容易遮挡、车牌在各种类型车辆位置不定等因素，导致此方法效果适用范围有限。中国专利申请CN109409337A涉及到一种基于卷积神经网络识别渣土车特征的方法，首先通过图像识别技术检测车辆区域，然后对车辆区域进行车辆位置分类识别，然后针对车头区域和车尾区域分别训练识别算法模型，其中共涉及到车辆图像识别技术、车辆位置识别技术、车头用九分类算法模型、车头用二分类算法模型、车尾用九分类算法模型、车尾用二分类算法模型、后盖识别二分类算法模型、车牌号放大二分类识别算法模型，方法流程繁琐，训练这些模型需要海量数据，且并未具体阐述如何设计这些算法模型。

发明内容

为了解决上述问题，本发明提出了一种基于图像深度学习的货运车辆状态实时识别系统和方法，来提高工作人员的检测效率，提高道路货运的安全性。

本发明的技术方案为一种基于图像深度学习系统的货运车辆状态实时识别方法。

所述的图像深度学习系统，其特征在于，包括：道路监控摄像头、计算处理主机、显示屏；

所述的道路监控摄像头、计算处理主机、显示屏依次连接；

所述道路监控摄像头用于采集货运车辆的初始图像，并传输至所述计算处理主机；

所述计算处理主机，用于对货运车辆的初始图像进行货运车辆状态识别，得到货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态；

所述显示屏用于显示货运车辆的预测矩形边框以及货运车辆的预测矩形边框中对应的货运车辆状态。

所述货运车辆状态实时识别方法，其特征在于，包括以下步骤：

步骤1：引入货运车辆的图像数据集，人工标注货运车辆的图像数据集中货车外接矩形边框，并进一步人工标记货车状态，构建深度学习模型训练集；