[发明专利]抗复杂街道背景干扰的车型检测方法、系统及存储介质

说明书

本发明公开了一种抗复杂街道背景干扰的车型检测方法、系统及存储介质，其中方法包括以下步骤：从监控视频中获取原始帧图像；将所述原始帧图像输入车型检测模型进行检测，输出包含车辆位置信息和车型类别信息的检测结果；其中，所述车型检测模型采用注意力机制替换网络中的残差连接。本发明在车型检测模型中结合了注意力机制，可以在很大程度上克服复杂背景下车辆无法被检测以及车型无法正确分类的问题，提高车型检测模型车型检测效率和准确度，可广泛应用于计算机智能监控视频处理领域。

技术领域

本发明涉及计算机智能监控视频处理领域，尤其涉及一种抗复杂街道背景干扰的车型检测方法、系统及存储介质。

背景技术

随着我国的城市化进展，道路交通和车辆运输发展迅速，车辆数目大幅增加，而人们的交通法制意识却跟不上相应发展，导致交通环境恶化，交通事故频发，给相关部门提出了更高的要求。随着人工智能技术的快速发展，可以利用相关技术对车辆的车型进行识别，从而实现筛选以及自动抓拍取证的效果。

但目前世面上的检测算法，很难满足市场的需求，其面对复杂背景下的检测任务时，往往不能有效地解决检测速度过慢，亦或不能准确检测出目标等问题。特别是在实际的街道下，由于复杂背景的影响，容易对车辆识别和追踪造成影响。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种抗复杂街道背景干扰的车型检测方法、系统及存储介质。

本发明所采用的技术方案是：

一种抗复杂街道背景干扰的车型检测方法，包括以下步骤：

从监控视频中获取原始帧图像；

将所述原始帧图像输入车型检测模型进行检测，输出包含车辆位置信息和车型类别信息的检测结果；

其中，所述车型检测模型采用注意力机制替换网络中的残差连接。

进一步，所述车型检测方法还包括训练车型检测模型的步骤，具体为：

收集复杂街道背景下的各类车型图像，对收集到的所述车型图像进行标定，生成原始训练集；

对所述原始训练集进行镜像翻转操作，生成综合扩增训练集；

以添加注意力机制的Darknet53网络作为YOLOv3模型骨架网络，并增加一个特征维度，构建初始检测模型；

采用所述综合扩增训练集对所述初始检测模型进行训练，并在训练完成后，获得车型检测模型。

进一步，训练过程中采用端到端的方式进行训练，所述车型检测模型包含车辆候选区域提取的功能、车型检测特征提取的功能及车型特征分类的功能。

进一步，所述对收集到的所述车型图像进行标定，包括：

采用矩形框对所述车型图像中的车辆进行标定，要求矩形框中包含所述车辆的整体；

记录所述矩形框的第一左上角点坐标和所述矩形框的宽高；

根据第一左上角点坐标和所述矩形框的宽高获取并记录所述矩形框的第一右下角点坐标。

进一步，所述对所述原始训练集进行镜像翻转操作，生成综合扩增训练集，包括：

对所述原始训练集的所述车型图像进行镜像翻转操作，获得镜像翻转训练集；

根据所述第一左上角点坐标、第一右下角点坐标和所述矩形框的宽高获取并记录镜像翻转后的车型图像的第二左上角点坐标和第二右下角点坐标；

将所述原始训练集和所述镜像翻转训练集进行整合，获得综合扩增训练集。