[发明专利]一种基于目标检测和卷积神经网络的车标识别方法

说明书

本发明公开了一种基于目标检测和卷积神经网络的车标识别方法，该方法步骤如下：S1、构建车辆检测模型；S2、构建车标检测模型；S3、构建车标识别的卷积神经网络；S4、设计损失函数训练车辆检测模型、车标检测模型和车标识别卷积神经网络；S5、实时采集高速公路卡口图像，依次输入车辆检测模型、车标检测模型和车标识别卷积神经网络，最后得到车标类别预测结果。本发明有效解决了由车标小、车标种类繁多、摄像头分辨率低以及光照条件多变等导致车标识别准确率低的问题，在实际的高速公路场景中取得了优秀的车标识别效果。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于目标检测和卷积神经网络的车标识别方法。

背景技术

车标识别是目标检测领域的一个重要分支。利用数字图像来进行车标检测和识别在生产生活中具有重要意义，尤其是在高速公路的场景下。高速公路上的车标识别，利用高速监控摄像头拍摄到的图像，快速、自动地检测和识别车辆车标信息，将有助于智能交通系统检索违规违法车辆、统计车辆数据，提升高速公路行驶的安全性。

目前国内外在车标识别问题上的研究较少，其中，基于传统机器学习算法的车标识别，只适用于小型数据集，受形变、噪声、模糊等干扰较大；基于边缘检测和模板匹配算法实现车标识别精度较高但是要求车标图像清晰，在实际场景中的精度并不理想。高速公路场景下的车标识别任务仍然面临着许多问题：车标种类多、噪声多、光照不均、天气干扰、分辨率低等；因此目前亟待针对上述问题，提供一种基于目标检测和卷积神经网络的车标识别方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于目标检测和卷积神经网络的车标识别方法，以提高车标识别准确度以及鲁棒性。

本发明的目的可以通过采取如下技术方案达到：

一种基于目标检测和卷积神经网络的车标识别方法，所述车标识别方法包括以下步骤：

S1、构建车辆检测模型，所述车辆检测模型主干网络为YOLOv5模型，其中，YOLOv5模型包括依次顺序连接的数据增强模块、特征提取模块、多尺度特征融合模块和预测模块，车辆检测模型输入为原始图像P，车辆检测模型输出为目标车辆图像C；

S2、构建车标检测模型，所述车标检测模型主干网络为改进的YOLOv5模型，其中，改进的YOLOv5模型是在YOLOv5模型的特征提取模块和多尺度特征融合模块之间添加卷积块注意力模块，车标检测模型输入为目标车辆图像C，车标检测模型输出为车标图像B；

S3、构建车标识别卷积神经网络，所述车标识别卷积神经网络由车标特征提取模块、softmax分类层和argmax输出层依次连接而成，车标识别卷积神经网络输入为车标图像B，车标识别卷积神经网络输出为车标类别标签；

S4、设计损失函数训练车辆检测模型、车标检测模型和车标识别卷积神经网络；

S5、实时采集高速公路卡口图像P′，将高速公路卡口图像P′输入经过训练的车辆检测模型得到目标车辆图像C′；将目标车辆图像C′输入车标检测模型得到车标图像B′；将车标图像B′输入车标识别卷积神经网络，得到车标类别。

进一步地，所述步骤S1过程如下：

使用YOLOv5模型进行车辆检测，输入原始图像P，YOLOv5模型输出检测结果，检测结果包括预测框中心坐标(x,y)、预测框的宽度w和高度h，根据检测结果计算出预测框的四个顶点的坐标，原始图像P中四个顶点之间的区域即为目标车辆图像C，四个顶点的坐标计算公式如下：

其中P_lt为预测框左上角的坐标，P_lb为预测框左下角的坐标，P_rt为预测框右上角的坐标，P_rb为预测框右下角的坐标；