一种货车车型和轴型识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111325146A(43)申请公布日2020.06.23(21)申请号202010104820.0(22)申请日2020.02.20(71)申请人吉林省吉通信息技术有限公司地址130000吉林省长春市南关区人民大街11855号申请人北京邦视科技有限公司(72)发明人张雷姜天一刘中华张齐鹏(74)专利代理机构长春科宇专利代理有限责任公司22001代理人马宝来(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2006.01)权利要求书2页说明书4页附图2页(54)发明名称一种货车车型和轴型识别方法和系统(57)摘要本发明涉及道路车辆监测的技术领域，特别是涉及一种货车车型和轴型识别方法和系统，通过深度学习在目标分类和识别中的应用，以解决利用图像或视频识别货车车型和轴型的问题，比较直观地把货车的外观特征数据结构化；包括以下步骤：S1采集原始车辆侧面和正面图像或视频；S2检测定位车辆位置后，输入训练的深度学习模型进行货车车轴的定位和识别；S3根据车辆侧面图像检测的车辆轴数和位置计算车辆的轴数、轴距和轮胎数等参数；S4根据车辆正面图像进行车型识别和分类。CN111325146ACN111325146A权利要求书1/2页1.一种货车车型和轴型识别方法，其特征在于，所述方法包括以下步骤：S1采集原始车辆侧面和正面图像或视频；S2检测定位车辆位置后，输入训练的深度学习模型进行货车车轴的定位和识别；S3根据车辆侧面图像检测的车辆轴数和位置计算车辆的轴数、轴距和轮胎数等参数；S4根据车辆正面图像进行车型识别和分类。2.如权利要求1所述的方法，其特征在于，步骤S1中原始侧面和正面图像或视频包括高速公路入口抓拍图像、专用监控系统采集的视频文件；步骤S2中从原始图像或视频中定位检测出车辆的位置，也就是车辆区域在图像中的上下坐标位置，不论是车辆的侧面图像或是正面图像都可以检测获取车辆的位置，也就是获取车辆在图像中的位置区域坐标；步骤S3中在车辆区域的图像中定位出车辆的轴数和位置，也就是定位出车辆的轮胎位置；步骤S3和步骤S4中根据判别模型自动判别出目标图像是车辆侧面图像还是车辆正面图像。3.如权利要求2所述的方法，其特征在于，所述步骤S3中利用CNN卷积神经网络训练模型对车辆的轮胎位置进行定位，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：图像数据，标注的ROI目标框以及所属类别的标签，检测阶段输入层输入数据是图像数据；所述步骤S4中利用CNN卷积神经网络训练模型对车辆正面图像进行车型识别和分类，卷积神经网络训练阶段输入层输入训练的标注样本，输入数据包含：标注的图像数据以及所属类别的标签，检测阶段输入层输入数据是图像数据；CNN卷积神经网络训练模型结构：a)卷积神经网络基础网络结构由卷积层、BN层和激活层组成卷积层单元，两个卷积层单元和残差层组成一个基础网络结构单元，可以有几十个基础单元甚至几百个基础单元构成，或是选择通用网络结构ResNet-152，基础网络结构单元的卷积核数量是32和64，或64和128，或128和256等，核大小为1*1和3*3，各卷积层卷积核的大小和数量由公式来决定：其中，n是图像尺寸，p是扩充尺寸，f是卷积核尺寸，s是移动步长；b)在基础网络的最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元；倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；倒数第二层通过合并层接入倒数第一层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；同样，倒数第三层通过合并层接入第二层的5层卷积层单元，同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元；c)采用2个尺度30*30，60*60对不同尺寸目标进行检测，越精细的网格可以检测出越精细的物体；根据样本数据统计出目标的常见尺寸作为类目标框box，每个框有(x,y,w,h,confidence)五个基本参数，然后还要有3个类别的输出概率，3个类别指的是常见货车有轮胎组有三种，这样每个box输出共有3*(5+3)＝24个参数。2CN111325146A权利要求书2/2页4.如权利要求3所述的方法，其特征在于，卷积神经网络的训练过程如下：使用采集到的高清车辆图像并进行标注后的图像数据进行监督学习，标注的图像数据包含车辆轮轴的坐标位置和种类，通过迭代将误差按照梯度降低算法来调整每一层的卷积核的权值，使得每一层的卷积参数可以识别轮胎类型，定位轮胎区域的目的。5.如权利要求1所述的方法，其特征在于，所述步骤S4包括