[发明专利]一种基于多尺度目标检测的车标定位方法

说明书

一种基于多尺度目标检测的车标定位方法，包括以下步骤：步骤S1：获取车辆图像并进行预处理；步骤S2：将经预处理后的车辆图像输入图像处理单元；步骤S3：图像处理单元进行图像处理后，输出车标位置坐标和大小；在步骤S2中，图像处理单元至少包括车标定位单元、位置区域裁剪单元和输出单元，其中，车标定位单元为预先训练好的深度神经网络模型。与现有技术相比，本发明基于车辆车牌和车标的相对位置关系，首先从大尺度图像中定位相对较大的目标，即车牌，而后参照得到的车牌位置对图像进行裁剪，得到车标的位置区域，这个区域即是包含车牌和车标的小尺度图像，将得到的小尺度图像再次输入模型，得到精准的车标位置和大小。

技术领域

本发明属于目标检测和车标定位领域，涉及到基于深度神经网络的目标检测和边框回归(Bounding Box Regression)的精准车标定位技术，尤其涉及一种基于多尺度目标检测的车标定位方法。

背景技术

随着科技的进步，汽车成为了最常见的代步工具。然而随着车辆的日益增加，导致交通管理工作日益复杂。目前，在城市道路和高速公路上有大量的摄像头，交通管理系统通过获取监控图像信息，可以快速地捕捉到肇事车辆、违章车辆、黑名单车辆等，不仅为交通规划、交通管理、道路养护部门提供重要的基础和运行数据，同时为快速纠正交通违章行为，快速侦破交通事故逃逸和机动车盗抢案件提供重要的技术手段和证据，对道路的平安运行和提高公路交通管理的快速反应能力有着十分重要的意义。

任一车辆上路之前，交通管理系统已经预先存储了该车辆的图片，包括车牌、车标等重要信息。目前，车牌识别技术已经得到广泛应用；车标检测也是目标检测在交通领域的应用之一，多用于在道路监控的画面中定位出车辆车标的位置，对于校对车辆登记信息等有重大意义，结合车牌检测，可以有效对套牌车作出预警。由于道路监控的位置原因，所拍摄到的图像往往具有大尺度高分辨率的特点，因为车辆距离摄像头较远，车标在监控图像中的占比就很小，属于小尺度目标。对于传统方法，想要在大尺度图像中定位小目标，需要搭建占用大量内存或显存的模型，并且精度难以保证。

故，针对现有技术存在的技术问题，实有必要提出一种技术方案以解决现有技术存在的技术问题。

发明内容

为了精准定位大尺度图像中的车标，也即在道路监控的画面中定位出车辆车标的位置，本发明提出了一种基于多尺度目标检测的车标定位方法，基于车辆车牌和车标的相对位置关系，首先从大尺度图像中定位相对较大的目标，即车牌，而后参照得到的车牌位置对图像进行裁剪，得到车标的位置区域，这个区域即是包含车牌和车标的小尺度图像，将得到的小尺度图像再次输入模型，得到精准的车标位置和大小。

为了克服现有技术的缺陷，本发明的技术方案如下：

一种基于多尺度目标检测的车标定位方法，包括以下步骤：

步骤S1：获取车辆图像并进行预处理；

步骤S2：将经预处理后的车辆图像输入图像处理单元；

步骤S3：图像处理单元进行图像处理后，输出车标位置坐标和大小；

在步骤S2中，图像处理单元至少包括车标定位单元、位置区域裁剪单元和输出单元，其中，车标定位单元为预先训练好的深度神经网络模型，该模型的训练包括如下步骤：

步骤S21：构建训练数据，其中，至少包括以下步骤：

步骤S211：对获取的原始图像进行预处理得到完整图样本和截图样本；

步骤S212：对上述图像样本进行标注，得到车牌位置和车标位置的两类样本标签以此建立ground truth数据，也即完整图样本对应车牌位置，截图样本对应车标位置；

步骤S213：将两类样本按一定比例进行混合后构建训练数据集；