[发明专利]一种基于道路车型的检测方法及检测设备

说明书

本发明提供一种基于道路车型的检测方法及检测设备，本发明属于智能交通领域，通过摄像头采集道路上的车辆数据，对车辆数据进行标注，并构建车辆数据集；将车辆数据集送入神经网络模型中，执行训练进程，对车辆数据集中的车辆数据进行解析；再将先验框与真实标注框之间的损失值进行计算，使用与训练集隔离的验证集对当前模型进行评价；在多轮训练之后，损失值趋于预设阈值时，结束训练；得到车辆数据预测结果后，若类别为三轮车、二轮车时，进行头盔检测和超载检测。本发明是基于YOLOv5改进的目标检测算法，在特征层中找到更大范围像素点之间的特征关系，弥补卷积神经网络只能学习小范围特征的局限性，提高了检测的精度。

技术领域

本发明属于智能交通领域，具体涉及一种基于道路车型的检测方法及检测设备。

背景技术

由于闯红灯自动记录系统（电子眼）无处不在，分布于各个十字路口，机动车驾驶员的行为得到了有效地控制。目前通过交警随机在路口设卡来对道路的三轮车、电动车进行监控，由于警力有限，很难有效的、实时的、进行车辆监控，也无法做到对一些关键区域进行重点监控。

而随着深度学习的快速发展，基于卷积神经网络的算法也随之快速迭代，为目标检测在智能交通领域的应用提供了夯实的基础与条件。目前针对上述背景提供了解决方案，但仍存在检测不出车型、误检车型等情况。这需对模型的性能提出更高的要求来解决上述问题。

发明内容

为了解决上述技术问题，本发明提供了一种基于道路车型的检测方法，该方法在YOLOv5的原有模型上，增加了注意力机制，通过该机制达到提升各类车型检测能力的目的。

基于道路车型的检测方法包括：

步骤一，基于预设位置安装的摄像头采集道路上的车辆数据，对车辆数据进行标注，并构建车辆数据集；

获取摄像头采集的图片信息，识别图片信息中的面部信息和车型信息；

在进行面部信息识别的图片信息配置面部边界框，对面部边界框进行面部标注，形成第一车辆数据，并构建第一车辆数据集；

在进行车型信息识别的图片信息配置车型边界框，对车型边界框进行车型标注，形成第二车辆数据，并构建第二车辆数据集；

步骤二，将车辆数据集送入神经网络模型中，执行多轮训练进程，对车辆数据集中的车辆数据进行解析；

每一轮训练进程为，在不同尺度图片的每个网格上预设先验框来包含所有需要预测的目标，分别计算真实框与每个先验框的宽与宽、高与高之比，选取宽之比和高之比中的最大值作为比例，当其小于预设的超参数时，将处在真实框中心点的网格上的该先验框纳为正样本，将临近中心网格的两个网格上符合相同要求的先验框也作为正样本，其余为负样本；

再将先验框与真实标注框之间的损失值进行计算，对网络中参数进行梯度下降，使用与训练集隔离的验证集对当前模型进行评价；在多轮训练之后，损失值趋于预设阈值时，结束训练；

步骤三，得到车辆数据预测结果后，判断为三轮车、或二轮车时，进行头盔检测和超载检测。

进一步需要说明的是，步骤一中，分别将第一车辆数据集和第二车辆数据集分解为训练集、验证集以及测试集；

训练集用以训练模型参数；验证集用以评估神经网络模型是否满足拟合条件；测试集用以计算评价指标。

进一步需要说明的是，在图片信息中配置坐标系。

进一步需要说明的是，步骤二中，分别计算真实框与每个先验框的宽与宽、高与高之比，选取宽之比和高之比中的最大值作为比例的方式包括：

基于如下公式进行计算：

其中为先验框与真实框的相交面积，为先验框和真实框的并面积；