CN108764293A - 一种基于图像的车辆检测方法及系统 - Google Patents

一种基于图像的车辆检测方法及系统 Download PDF

Info

Publication number
CN108764293A
CN108764293A CN201810399235.0A CN201810399235A CN108764293A CN 108764293 A CN108764293 A CN 108764293A CN 201810399235 A CN201810399235 A CN 201810399235A CN 108764293 A CN108764293 A CN 108764293A
Authority
CN
China
Prior art keywords
image
model
images
obtains
database
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810399235.0A
Other languages
English (en)
Inventor
彭博
蔡晓禹
唐聚
张媛媛
李少博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201810399235.0A priority Critical patent/CN108764293A/zh
Publication of CN108764293A publication Critical patent/CN108764293A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像的车辆检测方法及系统，涉及对车辆检测领域。包括：S1，获取道路的n张图像；S2，根据n张所述图像构建成数据库；S3，调用所述数据库内m张所述图像进行预处理，分别得到训练集和测试集，其中，m≤n；S4，获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型，当所述C模型的各项参数满足第一预设条件后执行S5；S5，利用所述C模型检测新的图像内的车辆。本方案解决了如何提高车辆识别的稳定性的技术问题，适用于交通状态检测。

Description

一种基于图像的车辆检测方法及系统
技术领域
本发明涉及对车辆检测领域，特别涉及一种基于图像的车辆检测方法及系统。
背景技术
目前的车辆检测方法，通常是利用无人机进行信息采集，相比固定的信息采集点，利用无人机能够快速移动到没有被信息采集点覆盖的地方进行补充性的信息采集，目前，关于利用无人机进行车辆检测已经有了一定的研究基础，例如利用基于特征点的图像配准与变化检测的手段实现了对车辆的实时检测与跟踪，或者基于中值背景拆分法检测车辆，再或者根据显著性信息和Haar-like局部外形特征进行车辆检测。
但是使用上述的方法，都需要定义算法，手动提取特征，然后组合特征实现车辆的识别，手动提取特征依赖于提取人员的经验，从而导致车辆识别结果不稳定。
发明内容
本发明所要解决的技术问题是如何提高车辆识别的稳定性。
本发明解决上述技术问题的技术方案如下：一种基于图像的车辆检测方法，包括：
S1，获取道路的n张图像；
S2，根据n张所述图像构建成数据库；
S3，调用所述数据库内m张所述图像进行预处理，分别得到训练集和测试集，其中，m≤n；
S4，获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型，当所述C模型的各项参数满足第一预设条件后执行S5；
S5，利用所述C模型检测新的图像内的车辆。
获取的图像包含道路才能通过图像对道路的交通情况进行分析，其中n>0；根据图像构建数据库后，能够通过数据库快速的对图像进行调用；对图像进行预处理后，能够减轻后续步骤的操作难度，从而节省处理时间，在数据库内选取m张图像经过预处理后作为训练集，可以选取数据库内所有图像或者部分图像作为训练集，也可以选取数据库内所有图像或者部分图像作为测试集；创建网络模型后，利用训练集监督训练过程，调整网络模型的参数，然后用测试集验证网络模型是否符合第一预设条件，网络模型训练成功后得到C模型，然后利用C模型对新的图像内的车辆进行检测。
本发明的有益效果是：在利用图像构建成数据库，然后根据数据库对网络模型进行训练得到C模型，C模型是经过训练的网络模型，训练过程无需另外进行编码，只需提供由图像构成的数据库，在需要扩展C模型的功能时，只需增加创建的网络模型的功能即可，相比现有的方式需要定义算法手动提取特征，组合特征以实现车辆识别，例如直接在图像内找特征点的方式，本方案的准确率更高，通过深度神经网络模型提取车辆特征时，即使车辆的尺寸发生很大的变化，仍然能稳定的识别车辆。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤S1中的图像获取方式为多架无人机协同采集或者一架无人机采集。
采用上述进一步方案的有益效果是，利用无人机采集视频有利于从广域的视角分析道路交通状态演变机理，相比其它的视频采集方式能够在不破坏路面结构的情况下获取多种交通参数，一架无人机能够完成对道路的拍摄工作，相比多架无人机协同采集成本更低；多架无人机协同采集相比一架无人机的采集更长的道路范围的图像。
进一步，步骤S1中，具体包括：利用无人机采集视频，然后将所述视频转换为所述图像。
采用上述进一步方案的有益效果是，采集视频相比直接采集图像，能够在发现图像不清晰或者没有将道路完整拍摄到时，能够手动截取需要的图像。
进一步，步骤S1中，还包括：在道路上标记出拍摄边界，所述拍摄边界用于使无人机根据拍摄范围确定无人机本体悬停位置。
采用上述进一步方案的有益效果是，在利用多架无人机进行协同采集时，能够根据拍摄边界实现拍摄范围的无缝衔接，达到在同样的图像采集范围下使用最少的无人机的目的，从而节约了成本。
进一步，步骤S2中，具体包括：
S21，对全部n张所述图像进行灰度化处理，得到对应的n张灰度图像；
S22，分别在各个所述灰度图像内选择出感兴趣区域；
S23，根据全部所述感兴趣区域生成骨架图像；
S24，将全部骨架图像进行膨胀和填充后得到连通域图像；
S25，根据所述连通域图像内的连通域的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域；
S26，对满足所述第二预设条件的所述连通域进行闭运算、膨胀和腐蚀操作，获得多个子块；
S27，根据面积和等效椭圆短轴阈值对全部所述子块进行筛选，并将筛选后的全部所述子块转换为矩形子块；
S28，提取出包含各所述矩形子块的图像，构成所述数据库。
采用上述进一步方案的有益效果是，通过对图像进行灰度化处理，缩小图像体积，从而减少对图像处理的计算量；选择感兴趣区域后，只对图像内感兴趣区域进行处理，进一步减少计算量；生成骨架信息后，相比生成骨架信息前的图像信息去掉了不必要的信息，使得对骨架图像进行计算时能够略去不必要的信息进行计算，达到进一步减少计算量的目的；将骨架图像处理成连通域图像后，能够根据连通域图像内连通域的矩形度、面积和等效椭圆短轴阈值筛选出符合第二预设条件的连通域，符合第二预设条件的连通域能够基本代表一个车辆，但仍然有可能不是车辆，根据这样的连通域得到子块，并根据面积和等效椭圆短轴阈值对子块进行筛选，经过对连通域的筛选和对子块的筛选后，获得的每个子块都能代表一个车辆，并转换为矩形子块，矩形子块和对应的图像一同构成数据库备用。
进一步，步骤S25中，具体包括：
S251：根据所述连通域图像内的连通域的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域；
S252：剔除无关区域，所述无关区域包括：车道标线，和区域面积小于预设面积的区域。
采用上述进一步方案的有益效果是，提取出满足第二预设条件的连通域后，其它的连通域作为无关区域已经没有用处，剔除后能够节省图像的存储空间已经增加对图像的后续计算的速度。
进一步，步骤S3中，具体包括：
S31：调用所述数据库内k张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到训练集，其中，k≤n；
S32：调用所述数据库内h张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到测试集，其中，k≥h。
采用上述进一步方案的有益效果是，将图像进行灰度转换或者统一尺寸后能够减少对图像进行后续计算的计算量，对图像编号后方便对图像进行管理，训练集用于对深度神经网络模型进行训练，测试集用于测试经过训练集的训练后是否满足第一预设条件，测试集中的图像少于训练集也能达到测试的效果，因此k≥h。
进一步，步骤S3中，还包括：复制所述数据库内a张图像得到验证集，其中a<n；
步骤S4中，具体包括：
S41:获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型,当所述C模型的各项参数满足第一预设条件后执行S42；
S42：根据所述验证集对所述C模型进行测试，测试达到第三预设条件后进行步骤S5。
采用上述进一步方案的有益效果是，深度神经网络模型在经过训练集的训练时，不停通过测试集检查深度神经网络模型是否达到第一预设条件，再通过验证集对C模型进行测试，当C模型满足第三预设条件后再进行步骤S5，使得深度神经网络模型在经过训练后，需要经过两次检测，以保证优化程度足够。
进一步，步骤S41中，具体包括：
S411，根据所述测试集和所述训练集内的各所述图像的类型，对全部所述图像进行分类和标记；
S412，根据分类和标记后的所述图像生成分类lmdb文件；
S413，根据预设图像转换工具将所述图像数据转换成数据lmdb文件；
S414，根据预设脚本创建均值文件；
S415，根据所述分类lmdb文件、所述数据lmdb文件和所述均值文件训练所述深度神经网络模型得到C模型。
采用上述进一步方案的有益效果是，对测试集和训练集内的图像进行分类后，经过训练的深度神经网络模型也能分类对车辆进行识别，例如识别车辆为货车或者小汽车，并通过标记的方式保存分类的结果；通过分类的结果生成分类lmdb文件，再根据图像生成数据lmdb文件；将分类的结果和图像放入数据库中方便深度神经网络模型访问，再结合均值文件一同对深度神经网络进行优化得到C模型。
进一步，步骤S4中，所述深度神经网络模型为CaffeNet模型。
采用上述进一步方案的有益效果是，CaffeNet模型能够在Caffe平台上使用平台上的各种网络模型对数据进行训练，便于扩展训练内容。
本发明解决上述技术问题的其他技术方案如下：一种基于图像的车辆检测系统，包括：
获取单元，用于获取道路的n张图像；
图像处理单元，用于将n张所述图像构建成数据库；
预处理单元，用于对所述数据库内m张图像进行预处理，分别得到训练集和测试集，其中，m≤n；
训练单元，用于创建深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行模型训练，得到C模型；
识别单元，用于当所述C模型的各项参数满足所述第一预设条件后，利用所述C模型检测新的图像内的车辆。
采用上述进一步方案的有益效果是，通过获取单元获取包含道路的图像，然后通过图像处理单元根据图像构建数据库，预处理单元将数据库内的图像数据进行预处理，从而减轻后续操作的计算量，并将经过预处理的图像分为训练集和测试集，训练单元创建深度神经网络模型，并通过训练集和测试集将深度神经网络模型训练成C模型，识别单元利用C模型对新的图像内的车辆进行识别。
本发明解决上述技术问题的其他技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述方案中任一所述的方法。
附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明基于图像的车辆检测方法的实施例的流程示意图；
图2为本发明基于图像的车辆检测方法的其它实施例的感兴趣区域的示意图；
图3为本发明基于图像的车辆检测方法的其它实施例的连通域的示意图；
图4为本发明基于图像的车辆检测方法的其它实施例的剔除无关区域的连通域示意图；
图5为本发明基于图像的车辆检测方法的其它实施例的含有矩形子块的连通域示意图；
图6为本发明基于图像的车辆检测方法的其它实施例的多架无人机协作采集示意图；
图7为本发明基于图像的车辆检测系统的实施例的系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中基于图像的车辆检测方法，包括：
S1，获取道路的n张图像，优选地，本实施例中的图像可以由无人机6悬停在道路的正上方50m-200m处，并将摄像头垂直朝下进行拍摄而得，图像分辨率可以为3840像素×2160像素，n可以为500；
S2，根据n张所述图像构建成数据库，优选地，本实施例中在构建成数据库时，可以对n张图像进行扩样，扩样后数据库内存有7726张图像，扩样方式可以为色彩抖动和旋转变换，扩样后，n的数量变为7726；
S3，调用所述数据库内m张所述图像进行预处理，分别得到训练集和测试集，其中，m≤n，本实施例中的m可以为7726，本实施例中的预处理为利用caffe中的convert_imageset.exe工具将所述图像数据转化为数据lmdb文件，利用./examples/imagenet/make_imagenet_mean.sh创建均值文件，得到的数据lmdb文件和均值文件共同组成训练集，以与得到训练集同样的方法得到测试集；
S4，获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，优选地，本实施例中的深度神经网络模型可以为CaffeNet模型，训练后的CaffeNet模型称为C模型，当所述C模型的各项参数满足第一预设条件后执行S5；
本实施例中的训练方式为，建立caffenet网络和训练参数，caffenet网络和训练参数使用caffenet中的“caffenet_train_test.prototxt”和“caffenet_solve.prototxt”两个文件，并对其中的部分参数做出修改，被修改的参数包括test_iter(完成一次测试需要的迭代次数)、base lr(基础学习率)和batch_size(批尺寸)；具体参数改变如下表所示：
优选地，本实施例中的第一预设条件为C模型的各项参数满足上表。
S5，利用所述C模型检测新的图像内的车辆。
获取的图像包含道路才能通过图像对道路的交通情况进行分析，其中n>0；根据图像构建数据库后，能够通过数据库快速的对图像进行调用；对图像进行预处理后，能够减轻后续步骤的操作难度，从而节省处理时间，在数据库内选取m张图像经过预处理后作为训练集，可以选取数据库内所有图像或者部分图像作为训练集，也可以选取数据库内所有图像或者部分图像作为测试集；创建网络模型后，利用训练集监督训练过程，调整网络模型的参数，然后用测试集验证网络模型是否符合第一预设条件，网络模型训练成功后得到C模型，然后利用C模型对新的图像内的车辆进行检测。
在利用图像构建成数据库，然后根据数据库对网络模型进行训练得到C模型，C模型是经过训练的网络模型，训练过程无需另外进行编码，只需提供由图像构成的数据库，在需要扩展C模型的功能时，只需增加创建的网络模型的功能即可，相比现有的方式需要定义算法手动提取特征，组合特征以实现车辆识别，例如直接在图像内找特征点的方式，本方案的准确率更高，通过深度神经网络模型提取车辆特征时，即使车辆的尺寸发生很大的变化，仍然能稳定的识别车辆。
可选的，在一些其它实施例中，步骤S1中的图像获取方式还可以为多架无人机6协同采集或者一架无人机6采集，本实施例中的无人机6可以为Phantom4Adv/4Pro，3架无人机6协同采集。
利用无人机6采集视频有利于从广域的视角分析道路交通状态演变机理，相比其它的视频采集方式能够在不破坏路面结构的情况下获取多种交通参数，一架无人机6能够完成对道路的拍摄工作，相比多架无人机6协同采集成本更低；多架无人机6协同采集相比一架无人机6的采集更长的道路范围的图像。
可选的，在一些其它实施例中，步骤S1中，还可以包括：利用无人机6采集视频，然后将所述视频转换为所述图像。
采集视频相比直接采集图像，能够在发现图像不清晰或者没有将道路完整拍摄到时，能够手动截取需要的图像。
可选的，在一些其它实施例中，如图6所示，还可以包括，在道路上标记出拍摄边界8，所述拍摄边界8用于使无人机6根据拍摄范围7确定无人机本体悬停位置。
在利用多架无人机6进行协同采集时，能够根据拍摄边界8实现拍摄范围7的无缝衔接，达到在同样的图像采集范围下使用最少的无人机6的目的，从而节约了成本。
可选的，在一些其它实施例中，步骤S2中，具体包括：
S21，对全部n张所述图像进行灰度化处理，得到对应的n张灰度图像；
S22，如图2所示：分别在各个所述灰度图像内选择出感兴趣区域9，本实施例中的感兴趣区域9可以为人工选择，感兴趣区域9沿着道路边缘选择；
S23，根据全部所述感兴趣区域9生成骨架图像；
S24，如图3所示：将全部骨架图像进行膨胀和填充后得到连通域图像；
S25，根据所述连通域图像内的连通域10的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域10；
S26，对满足所述第二预设条件的所述连通域10进行闭运算、膨胀和腐蚀操作，获得多个子块；
S27，如图5所示：根据面积和等效椭圆短轴阈值对全部所述子块进行筛选，并将筛选后的全部所述子块转换为矩形子块11；
S28，提取出包含各所述矩形子块11的图像，构成所述数据库。
通过对图像进行灰度化处理，缩小图像体积，从而减少对图像处理的计算量；选择感兴趣区域9后，只对图像内感兴趣区域9进行处理，进一步减少计算量；生成骨架信息后，相比生成骨架信息前的图像信息去掉了不必要的信息，使得对骨架图像进行计算时能够略去不必要的信息进行计算，达到进一步减少计算量的目的；将骨架图像处理成连通域图像后，能够根据连通域图像内连通域10的矩形度、面积和等效椭圆短轴阈值筛选出符合第二预设条件的连通域10，符合第二预设条件的连通域10能够基本代表一个车辆，但仍然有可能不是车辆，根据这样的连通域10得到子块，并根据面积和等效椭圆短轴阈值对子块进行筛选，经过对连通域10的筛选和对子块的筛选后，获得的每个子块都能代表一个车辆，并转换为矩形子块11，矩形子块11和对应的图像一同构成数据库备用。
可选的，在一些其它实施例中，步骤S25中，具体包括：
S251：如图3所示：根据所述连通域图像内的连通域10的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域10，优选地，本实施例中的第二预设条件可以是面积大于第一阈值，矩形度在第二阈值到第三阈值之间，等效椭圆短轴长度在第四阈值到第五阈值之间。提取所述连通域图像内面积大于第一阈值，矩形度在第二阈值到第三阈值之间，等效椭圆短轴长度在第四阈值到第五阈值之间的所有连通域，获得连通域10。可选地，在本实施例中，第一阈值可以为50，第二阈值可以为0.1，第三阈值可以为1，第四阈值可以为5，第五阈值可以为200；
S252：如图4所示：剔除无关区域，所述无关区域包括：车道标线，和区域面积小于预设面积的区域。
提取出满足第二预设条件的连通域10后，其它的连通域10作为无关区域已经没有用处，剔除后能够节省图像的存储空间已经增加对图像的后续计算的速度。
可选的，在一些其它实施例中，步骤S3中，具体包括：
S31：调用所述数据库内k张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到训练集，其中，k≤n，本实施例中的k可以为7726；
S32：调用所述数据库内h张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到测试集，其中，k≥h，本实施例中的h可以为7726。
将图像进行灰度转换或者统一尺寸后能够减少对图像进行后续计算的计算量，对图像编号后方便对图像进行管理，训练集用于对深度神经网络模型进行训练，测试集用于测试经过训练集的训练后是否满足第一预设条件，测试集中的图像少于训练集也能达到测试的效果，因此k≥h。
可选的，在一些其它实施例中，步骤S3中，还包括：复制所述数据库内a张图像得到验证集，其中a<n，本实施例中a可以为500；
步骤S4中，具体包括：
S41:获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型,当所述C模型的各项参数满足第一预设条件后执行S42；
S42：根据所述验证集对所述C模型进行测试，测试达到第三预设条件后进行步骤S5优选的，本实施例中的第三预设条件可以为准确率达到95％。
深度神经网络模型在经过训练集的训练时，不停通过测试集检查深度神经网络模型是否达到第一预设条件，再通过验证集对C模型进行测试，当C模型满足第三预设条件后再进行步骤S5，使得深度神经网络模型在经过训练后，需要经过两次检测，以保证优化程度足够。
可选的，在一些其它实施例中，步骤S41中，具体包括：
S411，根据所述测试集和所述训练集内的各所述图像的类型，对全部所述图像进行分类和标记，本实施例中可以将图像分为3类，分别为bus类、car类和lanemarking类，其中训练集中bus类的数量可以为2116，car类的数量可以为3201，lanemarking类的数量可以为2409；
S412，根据分类和标记后的所述图像生成分类lmdb文件；
S413，根据预设图像转换工具将所述图像数据转换成数据lmdb文件；
S414，根据预设脚本创建均值文件，本实施例中的预设脚本可以为make_imagenet_mean.sh；
S415，根据所述分类lmdb文件、所述数据lmdb文件和所述均值文件训练所述深度神经网络模型得到C模型。
对测试集和训练集内的图像进行分类后，经过训练的深度神经网络模型也能分类对车辆进行识别，例如识别车辆为货车或者小汽车，并通过标记的方式保存分类的结果；通过分类的结果生成分类lmdb文件，再根据图像生成数据lmdb文件；将分类的结果和图像放入数据库中方便深度神经网络模型访问，再结合均值文件一同对深度神经网络进行优化得到C模型。
可选的，在一些其它实施例中，步骤S3中，还包括：复制所述数据库内a张图像得到验证集，a可以为500，a张图像分为3类，分别为166张bus图像，167张car图像，167张lanemarking图像。
本实施中在执行步骤S42时，根据验证集对C模型进行测试后，“bus”的验证准确率为100％，“car”的验证准确率为98.80％，“lanemarking”的验证准确率为100％，模型继续优化后准确率可能会有提升。
可选的，在一些其它实施例中，步骤S4中，所述深度神经网络模型为CaffeNet模型。
CaffeNet模型能够在Caffe平台上使用平台上的各种网络模型对数据进行训练，便于扩展训练内容。
在一些其它实施例中，本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述实施例中所述的任一方法。
在一些其它实施例中，结合图7，本发明还提供一种基于图像的车辆检测系统，包括：
获取单元1，用于获取道路的n张图像；
图像处理单元2，用于将n张所述图像构建成数据库；
预处理单元3，用于对所述数据库内m张图像进行预处理，分别得到训练集和测试集，其中，m≤n；
训练单元4，用于创建深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行模型训练，得到C模型；
识别单元5，用于当所述C模型的各项参数满足所述第一预设条件后，利用所述C模型检测新的图像内的车辆。
需要说明的是，本实施例中与上述方法实施例相同的特征的说明，可以参考上述实施例中的对应说明，在此不再赘述。
可以理解，可选地，在一些实施例中，本实施例提供的系统可以实现如上述各实施例中所述的部分或全部步骤。通过获取单元1获取包含道路的图像，然后通过图像处理单元2根据图像构建数据库，预处理单元3将数据库内的图像数据进行预处理，从而减轻后续操作的计算量，并将经过预处理的图像分为训练集和测试集，训练单元4创建深度神经网络模型，并通过训练集和测试集将深度神经网络模型训练成C模型，识别单元5利用C模型对新的图像内的车辆进行识别。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像的车辆检测方法，其特征在于，包括以下步骤：
S1，获取道路的n张图像；
S2，根据n张所述图像构建成数据库；
S3，调用所述数据库内m张所述图像进行预处理，分别得到训练集和测试集，其中，m≤n；
S4，获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型，当所述C模型的各项参数满足第一预设条件后执行S5；
S5，利用所述C模型检测新的图像内的车辆。
2.根据权利要求1所述的基于图像的车辆检测方法，其特征在于，步骤S1中的图像获取方式为多架无人机协同采集或者一架无人机采集。
3.根据权利要求1所述的基于图像的车辆检测方法，其特征在于，步骤S2中，具体包括：
S21，对全部n张所述图像进行灰度化处理，得到对应的n张灰度图像；
S22，分别在各个所述灰度图像内选择出感兴趣区域；
S23，根据全部所述感兴趣区域生成骨架图像；
S24，将全部骨架图像进行膨胀和填充后得到连通域图像；
S25，根据所述连通域图像内的连通域的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域；
S26，对满足所述第二预设条件的所述连通域进行闭运算、膨胀和腐蚀操作，获得多个子块；
S27，根据面积和等效椭圆短轴阈值对全部所述子块进行筛选，并将筛选后的全部所述子块转换为矩形子块；
S28，提取出包含各所述矩形子块的图像，构成所述数据库。
4.根据权利要求3所述的基于图像的车辆检测方法，其特征在于，步骤S25中，具体包括：
S251：根据所述连通域图像内的连通域的矩形度、面积和等效椭圆短轴阈值提取满足第二预设条件的连通域；
S252：剔除无关区域，所述无关区域包括：车道标线，和区域面积小于预设面积的区域。
5.根据权利要求1所述的基于图像的车辆检测方法，其特征在于，步骤S3中，具体包括：
S31：调用所述数据库内k张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到训练集，其中，k≤n；
S32：调用所述数据库内h张所述图像进行灰度转换、改变尺寸、编号和计算均值文件处理，得到测试集，其中，k≥h。
6.根据权利要求5所述的基于图像的车辆检测方法，其特征在于，步骤S3中，还包括：复制所述数据库内a张图像得到验证集，其中a<n；
步骤S4中，具体包括：
S41:获取深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行训练，得到C模型,当所述C模型的各项参数满足第一预设条件后执行S42；
S42：根据所述验证集对所述C模型进行测试，测试达到第三预设条件后进行步骤S5。
7.根据权利要求6所述的基于图像的车辆检测方法，其特征在于，步骤S41中，具体包括：
S411，根据所述测试集和所述训练集内的各所述图像的类型，对全部所述图像进行分类和标记；
S412，根据分类和标记后的所述图像生成分类lmdb文件；
S413，根据预设图像转换工具将所述图像数据转换成数据lmdb文件；
S414，根据预设脚本创建均值文件；
S415，根据所述分类lmdb文件、所述数据lmdb文件和所述均值文件训练所述深度神经网络模型得到C模型。
8.根据权利要求1-7中任一项所述的基于图像的车辆检测方法，其特征在于，步骤S4中，所述深度神经网络模型为CaffeNet模型。
9.一种基于图像的车辆检测系统，其特征在于，包括：
获取单元，用于获取道路的n张图像；
图像处理单元，用于将n张所述图像构建成数据库；
预处理单元，用于对所述数据库内m张图像进行预处理，分别得到训练集和测试集，其中，m≤n；
训练单元，用于创建深度神经网络模型，根据所述训练集、所述测试集对所述深度神经网络模型进行模型训练，得到C模型；
识别单元，用于当所述C模型的各项参数满足所述第一预设条件后，利用所述C模型检测新的图像内的车辆。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至8中任一项所述的方法。
CN201810399235.0A 2018-04-28 2018-04-28 一种基于图像的车辆检测方法及系统 Pending CN108764293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810399235.0A CN108764293A (zh) 2018-04-28 2018-04-28 一种基于图像的车辆检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810399235.0A CN108764293A (zh) 2018-04-28 2018-04-28 一种基于图像的车辆检测方法及系统

Publications (1)

Publication Number Publication Date
CN108764293A true CN108764293A (zh) 2018-11-06

Family

ID=64012228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810399235.0A Pending CN108764293A (zh) 2018-04-28 2018-04-28 一种基于图像的车辆检测方法及系统

Country Status (1)

Country Link
CN (1) CN108764293A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178743A (zh) * 2019-12-25 2020-05-19 中国人民解放军军事科学院国防科技创新研究院 一种无人机群自主协同观测与协同作业的方法
CN111680683A (zh) * 2019-03-30 2020-09-18 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
WO2021129712A1 (zh) * 2019-12-24 2021-07-01 北京嘀嘀无限科技发展有限公司 一种车辆验证方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置
CN106407369A (zh) * 2016-09-09 2017-02-15 华南理工大学 一种基于深度学习人脸识别的照片管理方法和系统
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN106611169A (zh) * 2016-12-31 2017-05-03 中国科学技术大学 一种基于深度学习的危险驾驶行为实时检测方法
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN107220603A (zh) * 2017-05-18 2017-09-29 惠龙易通国际物流股份有限公司 基于深度学习的车辆检测方法及装置
CN107341810A (zh) * 2017-06-16 2017-11-10 重庆交通大学 一种车辆自动识别方法、装置及电子设备
CN107704840A (zh) * 2017-10-24 2018-02-16 汕头大学 一种基于深度学习的遥感图像道路检测方法
CN107766842A (zh) * 2017-11-10 2018-03-06 济南大学 一种手势识别方法及其应用
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654067A (zh) * 2016-02-02 2016-06-08 北京格灵深瞳信息技术有限公司 一种车辆检测方法及装置
CN106469299A (zh) * 2016-08-31 2017-03-01 北京邮电大学 一种车辆搜索方法及装置
CN106407369A (zh) * 2016-09-09 2017-02-15 华南理工大学 一种基于深度学习人脸识别的照片管理方法和系统
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN106611169A (zh) * 2016-12-31 2017-05-03 中国科学技术大学 一种基于深度学习的危险驾驶行为实时检测方法
CN107220603A (zh) * 2017-05-18 2017-09-29 惠龙易通国际物流股份有限公司 基于深度学习的车辆检测方法及装置
CN107341810A (zh) * 2017-06-16 2017-11-10 重庆交通大学 一种车辆自动识别方法、装置及电子设备
CN107704840A (zh) * 2017-10-24 2018-02-16 汕头大学 一种基于深度学习的遥感图像道路检测方法
CN107766842A (zh) * 2017-11-10 2018-03-06 济南大学 一种手势识别方法及其应用
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680683A (zh) * 2019-03-30 2020-09-18 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
CN111680683B (zh) * 2019-03-30 2023-06-02 上海铼锶信息技术有限公司 一种roi参数的获取方法及系统
WO2021129712A1 (zh) * 2019-12-24 2021-07-01 北京嘀嘀无限科技发展有限公司 一种车辆验证方法和系统
CN111178743A (zh) * 2019-12-25 2020-05-19 中国人民解放军军事科学院国防科技创新研究院 一种无人机群自主协同观测与协同作业的方法

Similar Documents

Publication Publication Date Title
Luo et al. Traffic sign recognition using a multi-task convolutional neural network
CN111444821B (zh) 一种城市道路标志自动识别方法
Ping et al. A deep learning approach for street pothole detection
CN109816024B (zh) 一种基于多尺度特征融合与dcnn的实时车标检测方法
CN108875624B (zh) 基于多尺度的级联稠密连接神经网络的人脸检测方法
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
CN110287849A (zh) 一种适用于树莓派的轻量化深度网络图像目标检测方法
CN104299008B (zh) 基于多特征融合的车型分类方法
CN107122777A (zh) 一种基于视频文件的车辆分析系统及分析方法
CN108764293A (zh) 一种基于图像的车辆检测方法及系统
CN108596338A (zh) 一种神经网络训练集的获取方法及其系统
CN109934255A (zh) 一种适用于饮料瓶回收机投递物分类识别的模型融合方法
Zhang et al. Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition
CN112837282A (zh) 一种基于云边协同和深度学习的小样本图像缺陷检测方法
CN109472193A (zh) 人脸检测方法及装置
CN104680193B (zh) 基于快速相似性网络融合算法的在线目标分类方法与系统
CN109871789A (zh) 一种基于轻量化神经网络的复杂环境下车辆检测方法
CN110390673A (zh) 一种监控场景下基于深度学习的香烟自动检测方法
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
KR102225753B1 (ko) 딥러닝 기반 파노라마 영상의 품질 평가 방법 및 그 장치
CN111339950B (zh) 一种遥感图像目标检测方法
Malini et al. An automatic assessment of road condition from aerial imagery using modified VGG architecture in faster-RCNN framework
CN106228106A (zh) 一种改进的实时车辆检测过滤方法及系统
CN117011563A (zh) 基于半监督联邦学习的道路损害巡检跨域检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication