[发明专利]一种车辆集成视觉识别方法

说明书

本发明公开了一种车辆集成视觉识别方法，利用所述无人机视角检测模型，对所述导入视频材料全天候无人机视角下的车流量信息进行检测，利用所述电子警察视角检测模型，对所述导入视频材料全天候电子警察视角下的车流量信息进行检测，利用所述路人视角检测模型，对所述导入视频材料全天候路人视角下的车流量信息进行检测，利用所述夜间红外视频检测模型，对所述导入视频材料夜间电子警察视角和路人视角下的车流量信息进行检测，实现了对夜间、雨天、雾天等光图像情况不良条件下交叉路口的全天候多视角车流量信息的检测，有效地降低车辆检测的漏检率和误检率。

技术领域

本发明涉及信息采集领域，特别是涉及一种车辆集成视觉识别方法以及计算机可读存储介质。

背景技术

随着我国城市化建设的速度逐年提升，公民的汽车拥有量随之逐年增加，这导致了交通流延误概率的增加，进而使交通系统的效益受损。因此对车辆的精细化管理变得十分迫切，而掌握车辆行为特征是实行精细化管理的重要前提。现阶段对于路口车辆轨迹车辆方向特征提取的方式仍主要依赖人工经验和交通雷达。现有雷达技术通过多方多收的天线模式，结合信号处理技术检测从而精准定位，轨迹追踪，但是在可视化特征数据上存在巨大的缺陷，且在成本与维修方面存在一定的问题。而国内的交叉口流量监测多数依赖于地感线圈，但线圈的故障率较高，埋入地下固定后维修困难，如果要获取车辆的全时空轨迹，需要较密集的安装方式和较高的成本。现有大多数视频图像检测模型大多仅仅在可见光照明条件良好，清晰度高的视频环境下进行实现，又由于可见光图像在不良的照明情况下，易缺失车辆特征信息，难以实现对于交通场景的全天候识别分析。因此需要设计一个车辆多角度全天候的识别算法，以解决以往视频中存在漏检和误检问题。

发明内容

本发明的目的是提供一种车辆集成视觉识别方法，以解决现有技术在可见光图像在不良的照明情况下易缺失车辆特征信息，难以对交通环境的全天候识别分析。

为解决上述技术问题，本发明提供一种车辆集成视觉识别方法，包括：

构建车辆集成视觉识别算法模型，其中，所述车辆集成视觉识别算法模型包括集成选择模型和多视角检测模型，所述多视角检测模型包括无人机视角检测模型、电子警察视角检测模型、路人视角检测模型；

利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习，得到训练后的多视角检测模型；

识别待检测视频的视角类型，所述集成选择模型根据所述待检测视频的视角类型调用所述训练后的多视角检测模型中与所述待检测视频匹配的车辆检测模型；

利用所述匹配的车辆检测模型检测所述待检测视频中车辆信息，输出检测结果。

优选地，所述无人机视角检测模型采用YOLOv4算法模型。

优选地，所述YOLOv4算法模型包括：

主体YOLOv3算法、骨干网络CSPDarknet53、附加模块SPP、PANet网络和Prediction模块。

优选地，利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习包括：

放大采集的无人机视角视频中的车辆特征；

对放大车辆特征后的无人机视角视频分帧；

利用标注软件对分帧后的照片进行车辆标注和反标注，得到所述无人机视角检测模型的训练集；

根据所述训练集对所述无人机视角检测模型进行预训练；

利用预训练后的无人机视角检测模型对车辆特征进行深度学习，并结合反标注标签的反例识别进行纵向训练，得到训练完成的无人机视角检测模型。

优选地，所述多视角下日间、雾天、雨天的数据集包括：