CN109784326A - 一种基于深度学习的车辆底盘检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的车辆底盘检测方法，包括如下步骤：获取待检测车辆底盘图像；采用车辆目标检测模型检测车辆底盘图像，判断并提取车辆区域图像；采用车牌目标检测模型检测所述车辆区域图像，判断并提取车牌区域图像；采用字符分割识别模型检测所述车牌号码区域识别车牌号，并将识别结果与档案车牌号码匹对；采用工作人员目标检测模型检测所述车辆底盘图像，并判断其中是否存在工作人员；对整个过程的动作结果进行统计分析。本发明实现了车牌号码自动校验匹配检查和底盘工位工作人员检查，同时可以将未通过的校验图像及原因传回服务器保存留待取证，既节约了人力，又保证了校验工作的公正、公开。

Description

一种基于深度学习的车辆底盘检测方法

技术领域

本发明涉及车辆年检智能检测技术领域，特别涉及一种基于深度学习的车辆底盘检测方法。

背景技术

随着社会经济的不断发展和人民生活水平的持续提高，城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。传统的车辆年检中车辆底盘检测主要是通过人工检测，对于核对车牌号码和判断工作人员是否存在的重复性工作比较乏味且容易疲劳影响判别的准确度。

如何准确、快速地对检测底盘工位照片，同时避免人工校验成本高，易疲劳，易疏忽等弊端，是急需解决的技术问题。

发明内容

本发明的目的是：提出一种基于深度学习的车辆底盘检测方法，自动审核车辆车牌号码是否与服务器存档内容一致，是否有工作人员在底盘工位，以满足如今对车辆年检工作效率、准确率的需求。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习的车辆底盘检测方法，

S1、获取待检测车辆底盘图像；

S2、采用基于深度学习的车辆目标检测模型检测所述车辆底盘图像，判断所述车辆底盘图像中是否存在车辆，若存在则记录此条标志为1，并提取车辆区域图像；若不存在则记录此条标志为0，并保存相关图片；

S3、采用基于深度学习的车牌目标检测模型检测所述车辆区域图像，判断其中是否有车牌，若存在记录此条标志为1，并提取车牌区域图像；若不存在则记录此条标记为0，保存相关图片；

S4、采用基于深度学习的字符分割识别模型检测所述车牌号码区域识别车牌号，并将识别结果与档案车牌号码匹对，若一致则记录此条标志为1，若不一致，车牌号码与档案号码不符合，记录标志为0并保存图片；

S5、采用基于深度学习的工作人员目标检测模型检测所述车辆底盘图像，并判断车辆底盘工位中是否存在工作人员，若存在记录此条标志为1，若不存在，则记录此条标志为0；

S6、对整个过程的动作结果进行统计分析，若记录标志全部为1，则车辆底盘检测通过；若存在标志0，则车辆底盘检测不通过；同时，根据标志0出现的位置获取校验不通过的原因及问题图片。

进一步，所述车辆目标检测模型的获取步骤如下：

S21、获取不同角度、光照、种类和图像质量的车辆底盘图像；

S22、采用矩形框标记车辆区域所在位置；

S23、使用区域图像训练目标检测深度学习网络模型，获得车辆目标检测模型。

进一步，所述车牌目标检测模型的获取步骤如下：

S31、获取不同角度、光照、种类和图像质量的车牌图像；

S32、采用矩形框标记车牌位置；

S33、使用区域图像训练目标检测深度学习网络模型，获得车牌目标检测模型。

进一步，所述字符分割识别模型的获取步骤如下：

S41、基于步骤S32用矩形标注的车牌位置，得到车牌图像，作为标注样本；

S42、采用矩形框在所述车牌图像上标记车牌的所有字符的位置和类别；

S43、根据标注字符的位置和类别，计算出水印日期图像上每个像素点所属的类别，生成一幅和水印日期图像尺寸相同的标签图像；

S44、使用所述车牌图像和所述标签图像构成的数据集，训练场景分割深度神经网络模型，获得字符分割识别模型。

进一步，所述工作人员目标检测模型的获取步骤如下：

S51、获取不同角度、光照、种类和图像质量的在车辆底盘图像；

S52、采用矩形框标记工作人员所在位置；

S53、使用区域图像训练目标检测深度学习网络模型，获得工作人员目标检测模型。

本发明的有益效果是：本发明主要应用于机动车车辆年检中车辆底盘检测，其实现了车牌号码自动校验匹配检查，底盘工位工作人员检查，同时可以将未通过的校验图像及原因传回服务器保存留待取证。既节约了人力，又保证了校验工作的公正、公开。

附图说明

图1是本发明的***结构示意图。

图2是本发明的流程图。

具体实施方式

以下结合附图，对本发明做进一步说明。

如图1所示，本发明的***结构包括目标检测模块、初步判断模块、字符分割识别模块和综合判断模块。其中，目标检测模块包括：车辆目标检测模块、车牌目标检测模块和工作人员目标检测模块。初步判断模块包括：第一判断模块、第二判断模块和第三判断模块。

各模块之间的通信连接关系是：利用车辆目标检测模块对车辆底盘图像进行检测，并将检测结果发送至第一判断模块，第一判断模块从中提取车辆区域图像，并对其进行标记，然后将车辆区域图像发送至车牌目标检测模块进行检测，并将检测结果发送至第二判断模块，第二判断模块从中提取车牌图像，并对其进行标记，然后将车牌图像发送至字符分割识别模块进行车牌号码检测识别，并将识别结果发送至第三判断模块，第三判断模块将识别得到的车牌号与档案中保存的车牌号进行比对，并对其进行标记；此外，工作人员目标检测模块对车辆底盘图像进行检测，并将检测结果发送至第四判断模块，第四判断模块从检测结果中分析是否存在工作人员，并对其进行标记；其中，综合判断模块用于接收所有的标记信息，并对其进行综合分析，若所有标记都通过，则车辆底盘检测通过。

其中，目标检测模块的具体检测方法如下：

检测模块将底盘工位图像输入目标检测模型，首先得到N个一维数组[class，x，y，width，height]，数组第一个元素代表对象类别，是车辆则为1，不是则为0，数组后四个元素表征目标对象所在矩形区域，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。每个数组均对应一个区域，利用区域矩形框面积大小构建区域远近信息，以矩形框面积最大的数组作为检测模块输出，然后通过矩形框位置信息从图像中提取车辆区域。此方法可有效地剔出背景中其它干扰区域。

本发明的具体检测流程如图2所示：

一种基于深度学习的车辆底盘检测方法，

S1、获取待检测车辆底盘图像；

S2、采用基于深度学习的车辆目标检测模型检测所述车辆底盘图像，判断所述车辆底盘图像中是否存在车辆，若存在则记录此条标志为1，并提取车辆区域图像；若不存在则记录此条标志为0，并保存相关图片；

其中，车辆目标检测模型的获取步骤如下：

S21、获取不同角度、光照、种类和图像质量的车辆底盘图像；

S22、采用矩形框标记车辆区域所在位置；

S23、使用区域图像训练目标检测深度学习网络模型，获得车辆目标检测模型。

S3、采用基于深度学习的车牌目标检测模型检测所述车辆区域图像，判断其中是否有车牌，若存在记录此条标志为1，并提取车牌区域图像；若不存在则记录此条标记为0，保存相关图片；

其中，车牌目标检测模型的获取步骤如下：

S31、获取不同角度、光照、种类和图像质量的车牌图像；

S32、采用矩形框标记车牌位置；

S33、使用区域图像训练目标检测深度学习网络模型，获得车牌目标检测模型。

S4、采用基于深度学习的字符分割识别模型检测所述车牌号码区域识别车牌号，并将识别结果与档案车牌号码匹对，若一致则记录此条标志为1，若不一致，车牌号码与档案号码不符合，记录标志为0并保存图片；

其中，字符分割识别模型的获取步骤如下：

S41、基于步骤S32用矩形标注的车牌位置，得到车牌图像，作为标注样本；

S42、采用矩形框在所述车牌图像上标记车牌的所有字符的位置和类别；

S43、根据标注字符的位置和类别，计算出水印日期图像上每个像素点所属的类别，生成一幅和水印日期图像尺寸相同的标签图像；

S44、使用所述车牌图像和所述标签图像构成的数据集，训练场景分割深度神经网络模型，获得字符分割识别模型。

上述步骤中注意：标注的矩形框应完整包含车牌字符的内容，但标注时相邻字符的矩形框不应有任何重叠。对于字符类别的标注，日期内容中共含有“0”到“9”以及除了“O”和“I”的24个字母的字符，对应的标签依次标记为1到34。根据已标注好字符位置和类别，计算出车牌图像上每个像素点所属的类别，其中，矩形框内的像素点都标记为所属字符的类别标签，即1到34之中的值。矩形框外的像素点为背景，标签为0。如此生成一幅和车牌图像尺寸相同的标签图像。

此外，字符分割识别模型的输出结果可表示为和车牌图像尺寸相同的灰度图像。

在上述灰度图像中，每一个点的灰度值只有N+1种可能的取值，其中N表示字符的类别数，此外，背景类也占有一种灰度值。本方案中，字符的类别包括“0”到“9”十个数字以及除了“O”和“I”的字母共24个字母，故N的取值为34，则灰度图中每个点的取值有34种可能，对应训练字符分割识别模型的34个标签，灰度值为0表示该点属于背景，灰度值1至10分别表示该点属于字符“0”到“9”，灰度值11到34表示除了“O”和“I”的24个字母。至此预测出每个像素点的类别，再根据像素点的分布关系，即可预测出字符的位置和类别。

其更为具体操作如下：

首先对字符分割识别模型输出的灰度图分别用上述34种灰度值过滤，得到34张二值掩码图，例如过滤灰度值为3，则将灰度值为3的点的掩码值置为255，其余的点都置为0。

再对二值掩码图做形态学膨胀，膨胀操作核选择矩形核，其长宽均设置为掩码图宽度的百分之一。根据8邻域的连通性，将掩码值为255的点分成若干个互不相连的点集，计算点集内点的个数及其外接矩形，并记录对应的灰度值标签。按照点集内点的个数从大到小排序，前六个点集对应的外接矩形即水印日期字符的位置，其灰度值标签即识别出的字符类别。

S5、采用基于深度学习的工作人员目标检测模型检测所述车辆底盘图像，并判断车辆底盘工位中是否存在工作人员，若存在记录此条标志为1，若不存在，则记录此条标志为0；

工作人员目标检测模型的获取步骤如下：

S51、获取不同角度、光照、种类和图像质量的在车辆底盘图像；

S52、采用矩形框标记工作人员所在位置；

S53、使用区域图像训练目标检测深度学习网络模型，获得工作人员目标检测模型。

S6、对整个过程的动作结果进行统计分析，若记录标志全部为1，则车辆底盘检测通过；若存在标志0，则车辆底盘检测不通过；同时，根据标志0出现的位置获取校验不通过的原因及问题图片。

以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于深度学习的车辆底盘检测方法，其特征在于，包括如下步骤：

S1、获取待检测车辆底盘图像；

S2、采用基于深度学习的车辆目标检测模型检测所述车辆底盘图像，判断所述车辆底盘图像中是否存在车辆，若存在则记录此条标志为1，并提取车辆区域图像；若不存在则记录此条标志为0，并保存相关图片；

S3、采用基于深度学习的车牌目标检测模型检测所述车辆区域图像，判断其中是否有车牌，若存在记录此条标志为1，并提取车牌区域图像；若不存在则记录此条标记为0，保存相关图片；

S4、采用基于深度学习的字符分割识别模型检测所述车牌号码区域识别车牌号，并将识别结果与档案车牌号码匹对，若一致则记录此条标志为1，若不一致，车牌号码与档案号码不符合，记录标志为0并保存图片；

S5、采用基于深度学习的工作人员目标检测模型检测所述车辆底盘图像，并判断车辆底盘工位中是否存在工作人员，若存在记录此条标志为1，若不存在，则记录此条标志为0；

S6、对整个过程的动作结果进行统计分析，若记录标志全部为1，则车辆底盘检测通过；若存在标志0，则车辆底盘检测不通过；同时，根据标志0出现的位置获取校验不通过的原因及问题图片。

2.如权利要求1所述的车辆底盘检测方法，其特征在于，所述车辆目标检测模型的获取步骤如下：

S21、获取不同角度、光照、种类和图像质量的车辆底盘图像；

S22、采用矩形框标记车辆区域所在位置；

S23、使用区域图像训练目标检测深度学习网络模型，获得车辆目标检测模型。

3.如权利要求1所述的车辆底盘检测方法，其特征在于，所述车牌目标检测模型的获取步骤如下：

S31、获取不同角度、光照、种类和图像质量的车牌图像；

S32、采用矩形框标记车牌位置；

S33、使用区域图像训练目标检测深度学习网络模型，获得车牌目标检测模型。

4.如权利要求1所述的车辆底盘检测方法，其特征在于，所述字符分割识别模型的获取步骤如下：

S41、基于步骤S32用矩形标注的车牌位置，得到车牌图像，作为标注样本；

S42、采用矩形框在所述车牌图像上标记车牌的所有字符的位置和类别；

S43、根据标注字符的位置和类别，计算出水印日期图像上每个像素点所属的类别，生成一幅和水印日期图像尺寸相同的标签图像；

S44、使用所述车牌图像和所述标签图像构成的数据集，训练场景分割深度神经网络模型，获得字符分割识别模型。

5.如权利要求1所述的车辆底盘检测方法，其特征在于，所述工作人员目标检测模型的获取步骤如下：

S51、获取不同角度、光照、种类和图像质量的在车辆底盘图像；

S52、采用矩形框标记工作人员所在位置；

S53、使用区域图像训练目标检测深度学习网络模型，获得工作人员目标检测模型。