[发明专利]一种基于空间先验的车辆安全警示装置检测方法

说明书

本发明涉及车辆安全警示装置检测领域，特别涉及一种基于空间先验的车辆安全警示装置检测方法。本发明提出了基于深度学习和空间先验的车辆安全警示装置检测方法，S1：已有的数据集进行标注；S2：使用标注好的数据集对YOLOv3目标识别框架进行训练；S3：利用训练集及其标签计算距离基准量和面积基准量；S4：使用YOLOv3框架对待预测图片进行识别，之后得到一个存有警示标志信息的数组；S5：使用该数组中的信息计算待预测图片中警示装置的距离得分和面积得分；S6：如果距离得分与面积得分之和大于预先设定的阈值，则输出并同时标记为重点目标。

技术领域

本发明涉及车辆安全警示装置检测领域，特别涉及一种基于空间先验的车辆安全警示装置检测方法。

背景技术

近年来，机动车数量持续高位增长，带来了显著的交通压力和车辆管理上的挑战。其中车辆年检制度是消除机动车安全隐患，减少交通事故的重要手段。

根据我国交通法律法规，行驶过程中的车辆出现故障需要安置三角警告牌，在一定距离内提示后方来车；而《机动车运行安全技术条件》规定，中型以上客车应装备灭火器，对普通小车虽无强制规定，但各地制定的《道路交通安全法》实施条例或办法中有需要配置灭火器的相关条款。三角警示牌和灭火器也成为了车辆年检制度中的两项指标。

车辆警示标志检测即三角警示牌和灭火器的检测是一个计算机模式识别(Pattern Recognition)和目标检测(Object Detection)问题，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个车检四通的一项重要能力，而检测车辆是否带有三角警示牌和灭火器是车检流程中的两项重要检测指标。

现有目标检测流程中常用最大框法来确定检测的重点目标，最大框法简单来说就是在检测时使用目标框对图片上的目标进行标注，而哪个目标使用的目标框最大，哪个目标就是重点目标，这样极易出现判断错误的情况，因为在实际车检场景中，摄像头不一定是正对目标车辆的车头位置，而是经常倾斜45度对车辆进行拍摄，所以当其他非目标车辆的右方也摆放了安全警示装置时，即使这些装置没有完全入镜，也可能因为拍摄中的透视关系，出现非目标车辆上的警示装置的目标框大于目标车辆上警示装置的目标框，这样就造成了对非目标车辆的拍摄程度大于对目标车辆的拍摄程度，从而影响结果的准确性。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：如何避免拍摄现场环境因素的影响，更准确的检测图片中的重点目标。

为解决上述技术问题，本发明采用如下技术方案：一种基于空间先验的车辆安全警示装置检测方法，包括如下步骤：

S1：准备检测车辆安全警示装置时拍摄的车辆图片；

S2：从准备好的车辆图片中选出部分图片作为数据集，所述数据集中的每张车辆图片具有相同的宽高比，并且每张车辆图片的拍摄视角相同；

对数据集中车辆图片上的警示标志的位置进行标注，所述警示标志为三角警示牌和灭火器；

对所述每张车辆图片中的三角警示牌进行线框标注，并打上三角警示牌标签，对所述每张车辆图片中的灭火器进行线框标注，并打上灭火器标签；

S3：随机选取数据集中的部分车辆图片作为训练集；将训练集中的所有车辆图片作为YOLOv3目标识别框架的输入，对YOLOv3目标识别框架进行训练，当训练至YOLOv3目标识别框架得到的loss值不再下降时，则停止训练，此时得到训练好的YOLOv3目标检测模型；

S4：从训练集中随机选取N张无背景目标干扰的图片作为样本图片，并将该N张样本图片统一到1280*960大小，随后确定距离基准量和面积基准量；

所述距离基准量包括图片宽方向上的距离基准量和高度方向上的距离基准量，通过距离基准量得到警示标志分布的直线方程；