[发明专利]基于局部图像的高速公路车辆检测及多属性特征提取方法

说明书

本发明提供一种基于局部图像的高速公路车辆检测及多属性特征提取方法，涉及智能交通技术领域。视频采集终端实时读取高速公路监控视频并传输到边缘端，边缘端采用背景差分法对实时视频数据进行分析选取出关键帧；云端利用VOC2007数据集和高速公路采集的车辆图片训练YOLO_v3_tiny检测模型，边缘端加载训练好的YOLO_v3_tiny检测模型对选取的关键帧中的车辆边界框位置进行预测，进而获得车辆的局部图像，并传输到云端；云端利用带有多标签类型的训练集数据训练ResNet‑50残差神经网络模型，边缘端加载训练好的ResNet‑50残差神经网络模型，并将获取的车辆局部图像输入该神经网络模型实现车辆的多属性特征的提取；并将提取的车辆的多属性特征制成标签，上传至云端。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于局部图像的高速公路车辆检测及多属性特征提取方法。

背景技术

近些年，随着高速交通条件的改善，机动车数量随之急剧增加，对高速公路的监管造成了困难。各个城市的高速公路卡口部署了大量的摄像头，每天都能产生大量的视频数据，选取视频的关键帧能够有效地减少存储的数据量。在车辆的重识别过程中，有效的车辆检测和特征提取方法可以提高对目标车辆的匹配度。目前，传统的特征提取方法比如HOG特征、Haaris特征比较简单，易受外界环境的干扰，单一的特征在车辆识别上不具有鲁棒性。另外，传统的视频处理方法集中于云中心，导致了视频传输耗时长、网络带宽占用大和云中心计算负载大等问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于局部图像的高速公路车辆检测及多属性特征提取方法，实现对高速公路车辆的检测及多属性特征提取。

为解决上述技术问题，本发明所采取的技术方案是：基于局部图像的高速公路车辆检测及多属性特征提取方法，涉及视频采集终端、边缘端和云端，具体包括以下步骤：

步骤1：视频采集终端实时读取高速公路监控视频并传输到边缘端，边缘端采用背景差分法对实时视频数据进行分析，从视频数据中选取出关键帧；

步骤1.1：边缘端基于混合高斯背景建模法建立背景图像，并去除图像中因光照突变以及其他外界环境的影响造成的噪声；

读取高速公路监控视频，运用混合高斯模型对视频中每一帧进行处理进而建立背景图像，然后利用背景分割函数对每一帧处理去除噪音；

步骤1.2：利用计算目标轮廓的函数实时计算每一帧图像中车辆轮廓的面积大小，并设定一个阈值λ，当车辆轮廓的面积大于阈值λ时，选取该车辆所在帧为候选关键帧；

步骤1.3：根据实际场景中摄像头的视域大小，在摄像头的视域中心位置划定检测区域，当候选关键帧中车辆轮廓在划定的检测区域内，则判定此帧为关键帧；

设定(x,y,w,h)为预设定的摄像头视域内的检测区域左上角顶点坐标和矩形区域的宽、高，(x_i,y_i)表示第i个候选关键帧中车辆轮廓框左上角顶点坐标，i＝1,2,…,n，n为候选关键帧总数，(w_i,h_i)表示第i个候选关键帧中车辆轮廓的宽、高；当x_ix(x_i+w_i)(x+w)y_iy(y_i+h_i)(y+h)时，即候选的关键帧中车辆轮廓的框在设定的区域内，保存当前帧为关键帧；

步骤2：云端利用VOC2007数据集和高速公路采集的带有标注的车辆图片训练YOLO_v3_tiny检测模型，边缘端加载训练好的YOLO_v3_tiny检测模型对步骤1选取的关键帧中的车辆边界框位置进行预测，进而获得车辆的局部图像，并传输到云端；

步骤2.1：对YOLO_v3_tiny网络结构进行调整，使YOLO_v3_tiny网络对输入图像分别在32倍降采样和16倍降采样时进行检测；