[发明专利]一种基于深度学习的道路救援装备正方位拖牵诱导方法

摘要

本发明公开一种基于深度学习的道路救援装备正方位拖牵诱导方法，结合道路救援装备拖牵装置结构和作业特点，首先改进基于tiny‑yolo的车牌识别网络，然后制作样本集对网络进行训练，获得网络参数，接着利用该网络对正方位作业区域图像中的被拖车车牌进行识别，最后测量道路救援装备拖牵装置被拖车之间的横向偏差，实时、稳定、可靠地诱导作业人员实施拖牵作业，从而达到提高拖牵救援效率与安全性能的目的。

主权项

1.一种基于深度学习的道路救援装备正方位拖牵诱导方法，其特征在于：依次包括以下步骤：(1)基于改进tiny‑yolo设计车牌识别网络，具体过程如下：(1.1)设计膨胀卷积层：在所采集的图像中，车牌是图像的小尺度目标，车头是图像的大尺度目标，鉴于这种车牌与车头的关系，在网络的浅层采用膨胀卷积方法；(1.2)设计NIN卷积层：基于NIN思想将1×1的卷积层置于两个相邻的3×3的卷积层之间；(1.3)设计分解卷积层：采用卷积核分解的方法进行深层网络设计，将3×3卷积层分解为3×1卷积层和1×3卷积层；(1.4)确定网络整体架构，即基于上述局部优化设计对tiny‑yolo网络进行改进，确定最终的整体网络架构：整个网络共有19层，包含个14个卷积层和5个池化层；其中，网络的第1、3、5、9、15层为池化层，池化域均为2×2，步长均为2；网络的第2、4层为膨胀卷积层，膨胀率分别为2、4，卷积核大小为3×3，对应卷积核的数量为32、64，步长为1；网络的第0、6、8层为标准卷积层，卷积核大小为3×3，对应卷积核数量分别为16、128、128，步长为1；网络的第7、12层为NIN卷积层，卷积核大小为1×1，对应卷积核数量分别为64、128，步长为1；网络的第10和11、13和14、16和17层为分解卷积层，卷积核的大小分别为3×1、1×3、3×1、1×3、3×1、1×3，对应卷积核的数量分别为256、256、256、256、512、512，步长均为1；最后一层卷积层的卷积核大小为1×1，卷积核数量为18，步长为1；(2)基于步骤(1)的车牌识别网络进行网络模型训练在室外模拟道路救援装备正方位拖牵作业过程，采集包含被拖车辆的后方作业图像，制作样本集，然后采用多尺度训练策略；其中多尺度训练策略的具体内容为：在迭代过程中，每隔固定批次，从设定的多尺度集中重新更换一个尺度对基于改进tiny‑yolo的车牌识别网络进行训练，获得网络参数；(3)车牌识别使用基于改进tiny‑yolo的车牌识别网络对道路救援装备后方作业区域图像中的被拖车车牌进行初始化识别，进而确定车牌相关参数：图像中被拖车车牌中心像素横坐标x₀；车牌像素长度l₀；(4)正方位拖牵横向偏差测量(4.1)判断道路救援装备与被拖车的相对位置关系：即根据摄像机采集图像的中心与图像中被拖车车牌中心的左右位置关系判断道路救援装备与被拖车的相对位置关系：若被拖车车牌中心在图像中心左侧，则被拖车偏向道路救援装备拖牵装置左侧；若被拖车车牌中心在图像中心右侧，则被拖车偏向道路救援装备拖牵装置右侧；(4.2)横向偏差计算：在摄像头的采集图像中，道路救援装备拖牵装置的左右中心线与图像的水平中心线一致，因此道路救援装备拖牵装置与被拖车位置之间的横向偏差距离计算公式为：ΔC₀＝|x₀‑X|×L₀/l₀式中，ΔC₀为道路救援装备与被拖车位置之间的横向偏差距离，x₀为车牌识别得到的车牌中心像素横坐标，l₀为车牌识别得到的车牌像素长度，X为摄像头采集图像中心横坐标，L₀为车牌字符实际长度。