CN113705495B - 一种基于目标识别框的大小车分类方法及装置 - Google Patents

一种基于目标识别框的大小车分类方法及装置 Download PDF

Info

Publication number
CN113705495B
CN113705495B CN202111020890.9A CN202111020890A CN113705495B CN 113705495 B CN113705495 B CN 113705495B CN 202111020890 A CN202111020890 A CN 202111020890A CN 113705495 B CN113705495 B CN 113705495B
Authority
CN
China
Prior art keywords
target detection
target
detection frame
frame
road traffic
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.)
Active
Application number
CN202111020890.9A
Other languages
English (en)
Other versions
CN113705495A (zh
Inventor
许孝勇
顾超
仇世豪
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.)
Nanjing Hurys Intelligent Technology Co Ltd
Original Assignee
Nanjing Hurys Intelligent Technology Co Ltd
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 Nanjing Hurys Intelligent Technology Co Ltd filed Critical Nanjing Hurys Intelligent Technology Co Ltd
Priority to CN202111020890.9A priority Critical patent/CN113705495B/zh
Publication of CN113705495A publication Critical patent/CN113705495A/zh
Application granted granted Critical
Publication of CN113705495B publication Critical patent/CN113705495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种基于目标识别框的大小车分类方法及装置，通过获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；根据所述目标检测框四元组，构造每个车辆目标的特征向量；将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。由此可见，本申请提供的预设分类模型，可以通过目标识别框快速实现大小车的分类。

Description

一种基于目标识别框的大小车分类方法及装置
技术领域
本申请涉及目标识别技术领域，特别的，尤其涉及一种基于目标识别框的大小车分类方法及装置。
背景技术
随着经济的高速发展，全国汽车保有量飞速增长，与此同时城市道路拥堵加重、通行效率降低，交通管理成本急剧上升。随着计算机技术的火热发展与社会重视智能化的发展，图像识别与目标检测等技术近年来也发展迅速，不断为人们的生活带来便捷。
当前深度学习在图像目标检测中应用广泛，在雷达和视频信息融合中，毫米波雷达很难高准确率的分辨大小车，需要从视频信息获取对应目标的大小车信息作为补充。在交通场景下，实时性要求较高但硬件算力有限，很难做到快速检测目标并进行分类。
发明内容
鉴于上述内容中存在的问题，本申请提供了一种基于目标识别框的大小车分类方法及装置，通过目标识别框快速进行大小车分类。
为了实现上述目的，本申请提供了以下技术方案：
一种基于目标识别框的大小车分类方法，包括：
获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；
根据所述目标检测框四元组，构造每个车辆目标的特征向量；
将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
进一步的，所述预设分类模型的训练过程，包括：
将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；
对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；
使用所述训练集对分类模型进行训练，得到所述预设分类模型。
进一步的，所述获取道路交通车辆图像数据，包括：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；
对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
进一步的，还包括：
将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
一种基于目标识别框的大小车分类装置，包括：
第一处理单元，用于获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；
第二处理单元，用于根据所述目标检测框四元组，构造每个车辆目标的特征向量；
第三处理单元，用于将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
进一步的，所述第三处理单元还用于：
将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；
对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；
使用所述训练集对分类模型进行训练，得到所述预设分类模型。
进一步的，所述第一处理单元具体用于：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；
对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
进一步的，还包括：
第四处理单元，用于将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如上述所述的基于目标识别框的大小车分类方法。
一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述所述的基于目标识别框的大小车分类方法。
本申请所述的基于目标识别框的大小车分类方法及装置，通过获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；根据所述目标检测框四元组，构造每个车辆目标的特征向量；将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。由此可见，本申请提供的预设分类模型，可以通过目标识别框快速实现大小车的分类。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种目标识别框的大小车分类方法的流程示意图；
图2为本申请实施例公开的一种目标识别框的大小车分类装置的结构示意图；
图3为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见附图1，为本申请实施例提供的一种目标识别框的大小车分类方法流程示意图。如图1所示，本申请实施例提供了一种目标识别框的大小车分类方法，该方法包括如下步骤：
S101：获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组。
本步骤中，上述所述道路交通车辆图像数据包括大车类(大货车、大客车)、小车类(轿车、面包车、小货车)、非机动车(人、自行车、摩托车)。
本申请实施例中，上述所述获取道路交通车辆图像数据，包括：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
具体的，通过人工截取出不同时段、不同道路的视频帧，为了尽量避免采集到的样本中含有过多相似的正样本，本申请实施例中对采集到的视频至少每隔10帧图像取出一帧来作为道路交通车辆图像数据。
更进一步的，在其他实施例中，上述道路交通车辆图像数据可以是利用监控设备采集所需检测的道路上的交通车辆图片。
本步骤中，通过已知训练好的yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标(大车、小车、非机动车这三类目标)，并输出像素坐标下目标检测框四元组(Pu，Pv，H，W)，需要说明的是，Pu、Pv是目标检测框左上角在像素坐标系下的坐标值，H、W分别表示检测框的高、宽的像素值。
S102：根据所述目标检测框四元组，构造每个车辆目标的特征向量。
本步骤中，根据所述目标检测框四元组，构造每个车辆目标的特征向量(Pv+H，H，W，H/W，H*W/(Pu+H))。
需要说明的是，在视频中，目标检测框与目标离摄像机距离有着相关性，集合目标检测框四元组(Pu，Pv，H，W)，初步设定一个特征集A＝{框距离u轴的距离，检测框高，检测框宽，检测框面积，检测框面积除以框距离u轴的距离，检测框高度除以宽度，检测框周长}，之后使用包裹式LVW方法进行特征选择，考虑到计算效率问题，对LVW稍作修改，具体算法如下：
输入：样本集D；
特征集A；
识别算法SVM，记作Γ；
停止条件控制参数C.
过程：E＝∞；T＝∞；d＝|A|；A*＝A；c＝0；
其中，Cross Valid ation(Γ(DA’))为在训练集D上的交叉验证估算SVM分类误差，为计算数据集D在特征子集A’上的分类平均时间消耗。
经过实际计算，最后选择的最佳特征集为：{框距离u轴的距离，检测框高，检测框宽，检测框高度除以宽度，检测框面积除以框距离u轴的距离}。
S103：将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
本步骤中，上述所述预设分类模型的训练过程，包括：将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；使用所述训练集对分类模型进行训练，得到所述预设分类模型。
本申请实施例中，预设分类模型的训练过程为：首先视频分帧图像进入YOLO网络进行机动车检测，输入目标识别框四元组信息；然后，对输出目标识别框信息进行保存，根据本方案所述提取目标的特征向量(Pv+H，H，W，H/W，H*W/(Pu+H))，并进行大小车打标签作为训练集；最后使用收集的训练集对SVM进行训练进而获得预设分类模型。项目中根据实际业务需求把公交车、大货车、中巴车定义为大车，小车(小货车、轿车、面包车)、非机动车(人、自行车、摩托车)；训练样本选择要包含近、远、横向、左转、右转的大小车。实际应用中，需要提取不同车型、不同状态的8000组特征向量。
需要说明的是，由于在实际应用中是雷视融合项目，则训练样本收集可以使用程序完成，且有雷达跟踪功能，所以样本采集非常快速，人工打标只要选择目标打上大小车标签之后车辆整个轨迹的目标识别框都会被收集，这8000组数据的产生只用了20量大车、40量小车和30个非机动车。
S104：将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
本步骤中，对视频提供分类信息和雷达的位置速度信息进行融合，最后进行在模拟器上进行模拟输出实时的道路交通情况给交管部门。
具体的应用实例：在雷达和视频信息融合中，毫米波雷达很难分辨大小车，需要从视频信息获取对应目标的大小车信息作为补充。在交通场景下，实时性要求较高但硬件算力有限，为此训练了一个简单的可检测机动车的YOLO网络，可实现50毫秒每帧图片的处理能力；路口模式下需要模拟机动车辆排队，此时大小车分类准确度直接影响到模拟排队的真实性。在使用本方案后，可使用目标识别框快速区分出大小车。
需要说明的是，经过实际测试，通过本申请实施例提供的大小车分类方法，分类准确率可达到95％以上，实现分类计算速度快，准确率高。
本申请实施例提供一种基于目标识别框的大小车分类方法，通过获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；根据所述目标检测框四元组，构造每个车辆目标的特征向量；将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。由此可见，本申请实施例提供的预设分类模型，可以通过目标识别框快速实现大小车的分类。
请参阅图2，基于上述实施例公开的一种目标识别框的大小车分类方法，本实施例对应公开了一种目标识别框的大小车分类装置，该装置包括：
第一处理单元21，用于获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组。
上述所述道路交通车辆图像数据包括大车类(大货车、大客车)、小车类(轿车、面包车、小货车)、非机动车(人、自行车、摩托车)。
本申请实施例中，上述所述获取道路交通车辆图像数据，包括：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
具体的，通过人工截取出不同时段、不同道路的视频帧，为了尽量避免采集到的样本中含有过多相似的正样本，本申请实施例中对采集到的视频至少每隔10帧图像取出一帧来作为道路交通车辆图像数据。
更进一步的，在其他实施例中，上述道路交通车辆图像数据可以是利用监控设备采集所需检测的道路上的交通车辆图片。
第一处理单元21通过已知训练好的yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标(大车、小车、非机动车这三类目标)，并输出像素坐标下目标检测框四元组(Pu，Pv，H，W)，需要说明的是，Pu、Pv是目标检测框左上角在像素坐标系下的坐标值，H、W分别表示检测框的高、宽的像素值。
第二处理单元22，用于根据所述目标检测框四元组，构造每个车辆目标的特征向量。
第二处理单元22根据所述目标检测框四元组，构造每个车辆目标的特征向量(Pv+H，H，W，H/W，H*W/(Pu+H))。
需要说明的是，在视频中，目标检测框与目标离摄像机距离有着相关性，集合目标检测框四元组(Pu，Pv，H，W)，初步设定一个特征集A＝{框距离u轴的距离，检测框高，检测框宽，检测框面积，检测框面积除以框距离u轴的距离，检测框高度除以宽度，检测框周长}，之后使用包裹式LVW方法进行特征选择，考虑到计算效率问题，对LVW稍作修改。
经过实际计算，最后选择的最佳特征集为：{框距离u轴的距离，检测框高，检测框宽，检测框高度除以宽度，检测框面积除以框距离u轴的距离}。
第三处理单元23，用于将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
第三处理单元23还用于所述预设分类模型的训练，具体过程，包括：将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；使用所述训练集对分类模型进行训练，得到所述预设分类模型。
本申请实施例中，预设分类模型的训练过程为：首先视频分帧图像进入YOLO网络进行机动车检测，输入目标识别框四元组信息；然后，对输出目标识别框信息进行保存，根据本方案所述提取目标的特征向量(Pv+H，H，W，H/W，H*W/(Pu+H))，并进行大小车打标签作为训练集；最后使用收集的训练集对SVM进行训练进而获得预设分类模型。项目中根据实际业务需求把公交车、大货车、中巴车定义为大车，小车(小货车、轿车、面包车)、非机动车(人、自行车、摩托车)；训练样本选择要包含近、远、横向、左转、右转的大小车。实际应用中，需要提取不同车型、不同状态的8000组特征向量。
需要说明的是，由于在实际应用中是雷视融合项目，则训练样本收集可以使用程序完成，且有雷达跟踪功能，所以样本采集非常快速，人工打标只要选择目标打上大小车标签之后车辆整个轨迹的目标识别框都会被收集，这8000组数据的产生只用了20量大车、40量小车和30个非机动车。
第四处理单元24，用于将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
第四处理单元24对视频提供分类信息和雷达的位置速度信息进行融合，最后进行在模拟器上进行模拟输出实时的道路交通情况给交管部门。
具体的应用实例：在雷达和视频信息融合中，毫米波雷达很难分辨大小车，需要从视频信息获取对应目标的大小车信息作为补充。在交通场景下，实时性要求较高但硬件算力有限，为此训练了一个简单的可检测机动车的YOLO网络，可实现50毫秒每帧图片的处理能力；路口模式下需要模拟机动车辆排队，此时大小车分类准确度直接影响到模拟排队的真实性。在使用本方案后，可使用目标识别框快速区分出大小车。
需要说明的是，经过实际测试，通过本申请实施例提供的大小车分类方法，分类准确率可达到95％以上，实现分类计算速度快，准确率高。
所述目标识别框的大小车分类装置包括处理器和存储器，上述第一处理单元、第二处理单元、第三处理单元和第四处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来达到通过目标识别框快速进行大小车分类的目的。
本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述目标识别框的大小车分类方法。
本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述目标识别框的大小车分类方法。
本申请实施例提供了一种电子设备，如图3所示，该电子设备30包括至少一个处理器301、以及与所述处理器连接的至少一个存储器302、总线303；其中，所述处理器301、所述存储器302通过所述总线303完成相互间的通信；处理器301用于调用所述存储器302中的程序指令，以执行上述的所述目标识别框的大小车分类方法。
本文中的电子设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组；
根据所述目标检测框四元组，构造每个车辆目标的特征向量；
将所述特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
进一步的，所述预设分类模型的训练过程，包括：
将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；
对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；
使用所述训练集对分类模型进行训练，得到所述预设分类模型。
进一步的，所述获取道路交通车辆图像数据，包括：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；
对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
进一步的，还包括：
将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
本申请是根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于目标识别框的大小车分类方法，其特征在于，包括：
获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组，所述四元组包括目标检测框的左上角在像素坐标系下的坐标值、所述目标检测框的高和所述目标检测框的宽；
构造特征集，所述特征集包括所述目标框距离u轴的距离、所述目标检测框高、所述目标检测框宽、所述目标检测框的面积，所述目标检测框面积与所述目标检测框距离u轴的距离的比值、所述目标检测框高与宽的比值，所述目标检测框的周长；
根据所述目标检测框四元组，在所述特征集中确定每个车辆目标的最佳特征向量，所述最佳特征向量包括所述目标框距离u轴的距离、所述目标检测框高、所述目标检测框宽、所述目标检测框高与宽的比值、所述目标检测框面积与所述目标检测框距离u轴的距离的比值，所述u轴是所述像素坐标系的坐标轴；
将所述最佳特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
2.根据权利要求1所述的方法，其特征在于，所述预设分类模型的训练过程，包括：
将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；
对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；
使用所述训练集对分类模型进行训练，得到所述预设分类模型。
3.根据权利要求1所述的方法，其特征在于，所述获取道路交通车辆图像数据，包括：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；
对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
4.根据权利要求1所述的方法，其特征在于，还包括：
将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
5.一种基于目标识别框的大小车分类装置，其特征在于，包括：
第一处理单元，用于获取道路交通车辆图像数据，并通过yolo目标检测网络对所述道路交通车辆图像数据进行目标检测，确定待分类的车辆目标，并输出像素坐标下目标检测框四元组，所述四元组包括目标检测框的左上角在像素坐标系下的坐标值、所述目标检测框的高和所述目标检测框的宽；
构造特征集，所述特征集包括所述目标框距离u轴的距离、所述目标检测框高、所述目标检测框宽、所述目标检测框的面积，所述目标检测框面积与所述目标检测框距离u轴的距离的比值、所述目标检测框高与宽的比值，所述目标检测框的周长；
第二处理单元，用于根据所述目标检测框四元组，在所述特征集中确定每个车辆目标的最佳特征向量，所述最佳特征向量包括所述目标框距离u轴的距离、所述目标检测框高、所述目标检测框宽、所述目标检测框高与宽的比值、所述目标检测框面积与所述目标检测框距离u轴的距离的比值，所述u轴是所述像素坐标系的坐标轴；
第三处理单元，用于将所述最佳特征向量输入至预设分类模型进行大小车分类，并输出所述道路交通车辆图像数据中各车辆目标的分类标签。
6.根据权利要求5所述的装置，其特征在于，所述第三处理单元还用于：
将视频分帧图像输入至所述yolo目标检测网络进行机动车检测，并输入目标识别框四元组信息，输出对应的目标识别框信息；
对所述目标识别框信息进行保存，并根据预设提取方法提取车辆目标的特征向量，进行大小车打标签作为训练集；
使用所述训练集对分类模型进行训练，得到所述预设分类模型。
7.根据权利要求5所述的装置，其特征在于，所述第一处理单元具体用于：
利用道路监控设备采集不同的待检测的道路上以及不同时段的道路交通车辆视频数据；
对所述道路交通车辆视频数据以预设间隔的视频帧进行视频帧提取，得到道路交通车辆图像数据。
8.根据权利要求5所述的装置，其特征在于，还包括：
第四处理单元，用于将所述分类标签和雷达的位置速度信息进行融合，并通过模拟器进行模拟输出实时道路交通情况。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至4中任一项所述的基于目标识别框的大小车分类方法。
10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至4中任一项所述的基于目标识别框的大小车分类方法。
CN202111020890.9A 2021-09-01 2021-09-01 一种基于目标识别框的大小车分类方法及装置 Active CN113705495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020890.9A CN113705495B (zh) 2021-09-01 2021-09-01 一种基于目标识别框的大小车分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020890.9A CN113705495B (zh) 2021-09-01 2021-09-01 一种基于目标识别框的大小车分类方法及装置

Publications (2)

Publication Number Publication Date
CN113705495A CN113705495A (zh) 2021-11-26
CN113705495B true CN113705495B (zh) 2024-04-16

Family

ID=78658762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020890.9A Active CN113705495B (zh) 2021-09-01 2021-09-01 一种基于目标识别框的大小车分类方法及装置

Country Status (1)

Country Link
CN (1) CN113705495B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416686B (zh) * 2021-12-06 2023-04-14 广州天长信息技术有限公司 一种车辆设备指纹carid识别系统及识别方法
CN115273368B (zh) * 2022-07-20 2024-06-25 云南电网有限责任公司电力科学研究院 输电线路走廊施工车辆入侵告警方法、介质、设备及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875560A (zh) * 2018-04-27 2018-11-23 淘然视界(杭州)科技有限公司 面向无人驾驶的交通标志检测方法、设备、介质及系统
CN109615870A (zh) * 2018-12-29 2019-04-12 南京慧尔视智能科技有限公司 一种基于毫米波雷达和视频的交通检测系统
CN109948523A (zh) * 2019-03-18 2019-06-28 中国汽车工程研究院股份有限公司 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用
US11062156B1 (en) * 2020-03-19 2021-07-13 Cdw Llc Available vehicle parking space detection using machine learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10949799B2 (en) * 2018-06-29 2021-03-16 Focal Systems, Inc. On-shelf image based out-of-stock detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875560A (zh) * 2018-04-27 2018-11-23 淘然视界(杭州)科技有限公司 面向无人驾驶的交通标志检测方法、设备、介质及系统
CN109615870A (zh) * 2018-12-29 2019-04-12 南京慧尔视智能科技有限公司 一种基于毫米波雷达和视频的交通检测系统
CN109948523A (zh) * 2019-03-18 2019-06-28 中国汽车工程研究院股份有限公司 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用
US11062156B1 (en) * 2020-03-19 2021-07-13 Cdw Llc Available vehicle parking space detection using machine learning

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automated detection and classification of thyroid nodules in ultrasound images using clinical-knowledge-guided convolutional neural networks;Tianjiao Liu et al.;《Medical Image Analysis》;全文 *
基于机器视觉的露天矿无人卡车防碰撞检测研究;齐凡;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;全文 *

Also Published As

Publication number Publication date
CN113705495A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Devi et al. A comprehensive survey on autonomous driving cars: A perspective view
Şentaş et al. Performance evaluation of support vector machine and convolutional neural network algorithms in real-time vehicle type and color classification
CN113705495B (zh) 一种基于目标识别框的大小车分类方法及装置
Ohgushi et al. Road obstacle detection method based on an autoencoder with semantic segmentation
CN109993138A (zh) 一种车牌检测与识别方法及装置
KR20210052031A (ko) 딥러닝 기반 교통 흐름 분석 방법 및 시스템
CN112613434B (zh) 道路目标检测方法、装置及存储介质
CN111091023A (zh) 一种车辆检测方法、装置及电子设备
US20200298847A1 (en) Systems for determining object importance in on-road driving scenarios and methods thereof
Arunpriyan et al. Real-time speed bump detection using image segmentation for autonomous vehicles
CN103455795A (zh) 一种基于交通视频数据图像的确定交通目标所在区域的方法
Appiah et al. Object detection in adverse weather condition for autonomous vehicles
CN114037976A (zh) 一种道路交通标志识别方法及装置
CN110909656A (zh) 一种雷达与摄像机融合的行人检测方法和系统
CN109726621A (zh) 行人检测方法、装置及设备
Greer et al. Language-Driven Active Learning for Diverse Open-Set 3D Object Detection
Hamzah et al. Parking Violation Detection on The Roadside of Toll Roads with Intelligent Transportation System Using Faster R-CNN Algorithm
Namazi et al. Identifying and counting vehicles in multiple lanes by using a low-cost vehicle-mounted sensor for intelligent traffic management systems
Khalid et al. An Android Application for Unwanted Vehicle Detection and Counting
Farag et al. Finding and Tracking Automobiles on Roads for Self-Driving Car Systems
Candradewi et al. Intelligent traffic monitoring systems: Vehicle type classification using support vector machine
Paysan Stereovision based vehicle classification using support vector machines
Dang et al. Comprehensive Evaluation of Regional Road Transport Safety Service Level
Ahmed et al. TOWARDS THE NEXT GENERATION INTELLIGENT TRANSPORTATION SYSTEM: A VEHICLE DETECTION AND COUNTING FRAMEWORK FOR UNDISCIPLINED TRAFFIC CONDITIONS.
Yuan et al. Vehicle detection based on area and proportion prior with faster-RCNN

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
GR01 Patent grant
GR01 Patent grant