CN110533042A - 一种基于yolo-v3的货车车尾放大号识别方法 - Google Patents
一种基于yolo-v3的货车车尾放大号识别方法 Download PDFInfo
- Publication number
- CN110533042A CN110533042A CN201910844610.2A CN201910844610A CN110533042A CN 110533042 A CN110533042 A CN 110533042A CN 201910844610 A CN201910844610 A CN 201910844610A CN 110533042 A CN110533042 A CN 110533042A
- Authority
- CN
- China
- Prior art keywords
- picture
- yolo
- model
- amplifying number
- truck tail
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO‑V3的货车车尾放大号识别方法,通过YOLO‑V3算法识别货车车尾是否喷涂放大号、以及放大号是否清晰,让人工只需对最终结果进行核验,以此大大降低人工工作量,并且能够提高每天的识别量;本发明将人工智能与现实应用结合,依据不断完善的算法模型提供核心支持,来实现对现实货车不喷涂放大号、放大号不清晰越来越精准的识别,以此降低监管大货车不喷涂放大号、放大号不清晰违法行为的成本,识别效率、检出率、准确率高。
Description
技术领域
本发明涉及智能交通控制技术领域,特别是一种基于YOLO-V3的货车车尾放大号识别方法。
背景技术
随着近年来道路上货车数量的增多,针对货车违法的监督越来越严格。根据《中华人民共和国道路交通安全法实施条例》第十三条规定:重型、中型载货汽车及其挂车车身或者车厢后部应当喷涂放大的牌号,字样应当端正并保持清晰。根据《中华人民共和国机动车号牌》(GA36—2007)规定:重型、中型载货汽车及其挂车的车身或者后厢后部喷涂的放大牌号的尺寸为机动车登记编号的2.5倍,应清晰、完整。同时,根据《中华人民共和国道路交通安全法》第十一条规定:驾驶机动车上道路行驶,应当悬挂机动车号牌,机动车号牌应当按照规定悬挂并保持清晰、完整,不得故意遮挡、污损。
而在现实生活中,很多货车司机对此项规定不重视,不喷涂放大号或放大号磨损不清晰后不进行再次喷涂,在黑夜和雨雾天气不易看清放大号,这样就容易引发交通事故,由此给交通管理带来很多不便。
在交通领域,对于货车是否喷涂放大号、以及放大号是否清晰可见的问题,目前还没有专业的技术去解决,只是靠人为的监督或者通过人工在道路交通电子监控设备中查看,该方式低效且需要耗费大量的人力。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种基于YOLO-V3的货车车尾放大号识别方法。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于YOLO-V3的货车车尾放大号识别方法,包括以下步骤:
S1、从道路交通电子监控设备中提取监控图片,对提取的监控图片中的货车图片进行筛选,选出大量的货车车尾图片;
S2、利用图片标注工具对货车车尾图片中的放大号进行标注,主要分为无放大号、清晰放大号、不清晰放大号三种类别;
S3、将已标注完成的货车车尾图片输入到YOLO-V3算法框架中,并训练出YOLO模型,记作模型M;
S4、对YOLO模型进行优化迭代;
S5、从道路交通电子监控设备中提取监控图片,并从中提取货车车尾图片上传至优化后的YOLO模型;
S6、优化后的YOLO模型对货车车尾图片进行识别处理,分类出无放大号、清晰放大号、不清晰放大号三类类别;
S7、对优化后的YOLO模型识别后的结构进行人工审核,对分类进行筛查,并对YOLO模型优化,更新;
S8、对审核过的无放大号及不清晰放大号的图片进行输出预警。
进一步,所述S3的具体步骤如下:
S31、将已标注完成的货车车尾图片大小调整为448*448;
S32、在已标注完成的货车车尾图片上运行YOLO卷积网络,提取图像中的特征;
S33、通过两个全连接层FC,预测类别的概率值和位置区域;
S34、损失函数计算预测结果和真实结果之间的损失值,通过梯度下降法,反向逐层更新权值;反复迭代,不断更新权值,训练出YOLO模型,记作模型M。
进一步,所述S4的对YOLO模型进行优化迭代过程如下:
S41、从道路交通电子监控设备中提取与S1中不重复的货车车尾图片,将货车车尾图片上传至模型M;
S42、经模型M算法分类后得到带有标签图片集X,对图片集X中各分类的图片进行人工筛选核查,对不正确的图片标签进行修改,得到图片集Y;
S43、将图片集Y输入到模型M中,进行再次学习并更新得到模型A;
S44、重复S41-S43,重复本优化过程。
与现有技术相比,本发明通过YOLO-V3算法识别货车车尾是否喷涂放大号、以及放大号是否清晰,让人工只需对最终结果进行核验,以此大大降低人工工作量,并且能够提高每天的识别量;本发明将人工智能与现实应用结合,依据不断完善的算法模型提供核心支持,来实现对现实货车不喷涂放大号、放大号不清晰越来越精准的识别,以此降低监管大货车不喷涂放大号、放大号不清晰违法行为的成本,识别效率、检出率、准确率高。
附图说明
图1为本发明的识别流程图。
图2为YOLO-V3算法的训练过程图。
图3为本发明的识别结果图:(a)表示识别结果为清晰放大号;(b)表示识别结果为不清晰放大号;(c)表示识别结果为无放大号。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
如图1所示,本实施例的提供了一种基于YOLO-V3的货车车尾放大号识别方法,具体步骤如下:
S1、从道路交通电子监控设备中提取监控图片,对提取的监控图片中的货车图片进行筛选,选出大量的货车车尾图片;
S2、利用图片标注工具(Photoshop软件)对货车车尾图片中的放大号进行标注,主要分为无放大号、清晰放大号、不清晰放大号三种类别;
S3、将已标注完成的货车车尾图片输入到YOLO-V3算法中,进行算法的训练,算法训练过程如图2所示:
S31、将输入图像大小调整为448*448;
S32、在图像上运行YOLO卷积网络,提取图像中的特征;
S33、通过两个全连接层(FC),预测类别的概率值和位置区域;
S34、损失函数计算预测结果和真实结果之间的损失值,通过梯度下降法,反向逐层更新权值;反复迭代,不断更新权值,训练出YOLO模型,记作模型M;
S4、对YOLO模型进行优化迭代:
S41、从道路交通电子监控设备中提取与S1中不重复的货车车尾图片,将货车车尾图片上传至模型M;
S42、经模型M算法分类后得到带有标签图片集X,对图片集X中各分类的图片进行人工筛选核查,对不正确的图片标签进行修改,得到图片集Y;
S43、将图片集Y输入到模型M中,进行再次学习并更新得到模型A;
S44、重复S41-S43,重复本优化过程;
S5、从道路交通电子监控设备中提取监控图片,并从中提取货车车尾图片上传至优化后的YOLO模型;
S6、优化后的YOLO模型对货车车尾图片进行识别处理,分类出无放大号、清晰放大号、不清晰放大号三类类别;
S7、对优化后的YOLO模型识别后的结构进行人工审核,对分类进行筛查,并对YOLO模型优化,更新;
S8、对审核过的无放大号及不清晰放大号的图片进行输出预警。如图3所示,图3(a)表示识别结果为清晰放大号,图3(b)表示识别结果为不清晰放大号,图3(c)表示识别结果为无放大号。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.一种基于YOLO-V3的货车车尾放大号识别方法,其特征在于,包括以下步骤:
S1、从道路交通电子监控设备中提取监控图片,对提取的监控图片中的货车图片进行筛选,选出大量的货车车尾图片;
S2、利用图片标注工具对货车车尾图片中的放大号进行标注,主要分为无放大号、清晰放大号、不清晰放大号三种类别;
S3、将已标注完成的货车车尾图片输入到YOLO-V3算法框架中,并训练出YOLO模型,记作模型M;
S4、对YOLO模型进行优化迭代;
S5、从道路交通电子监控设备中提取监控图片,并从中提取货车车尾图片上传至优化后的YOLO模型;
S6、优化后的YOLO模型对货车车尾图片进行识别处理,分类出无放大号、清晰放大号、不清晰放大号三类类别;
S7、对优化后的YOLO模型识别后的结构进行人工审核,对分类进行筛查,并对YOLO模型优化,更新;
S8、对审核过的无放大号及不清晰放大号的图片进行输出预警。
2.根据权利要求1所述的基于YOLO-V3的货车车尾放大号识别方法,其特征在于,所述S3的具体步骤如下:
S31、将已标注完成的货车车尾图片大小调整为448*448;
S32、在已标注完成的货车车尾图片上运行YOLO卷积网络,提取图像中的特征;
S33、通过两个全连接层FC,预测类别的概率值和位置区域;
S34、损失函数计算预测结果和真实结果之间的损失值,通过梯度下降法,反向逐层更新权值;反复迭代,不断更新权值,训练出YOLO模型,记作模型M。
3.根据权利要求1所述的基于YOLO-V3的货车车尾放大号识别方法,其特征在于,所述S4的对YOLO模型进行优化迭代过程如下:
S41、从道路交通电子监控设备中提取与S1中不重复的货车车尾图片,将货车车尾图片上传至模型M;
S42、经模型M算法分类后得到带有标签图片集X,对图片集X中各分类的图片进行人工筛选核查,对不正确的图片标签进行修改,得到图片集Y;
S43、将图片集Y输入到模型M中,进行再次学习并更新得到模型A;
S44、重复S41-S43,重复本优化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844610.2A CN110533042A (zh) | 2019-09-06 | 2019-09-06 | 一种基于yolo-v3的货车车尾放大号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844610.2A CN110533042A (zh) | 2019-09-06 | 2019-09-06 | 一种基于yolo-v3的货车车尾放大号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533042A true CN110533042A (zh) | 2019-12-03 |
Family
ID=68667524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844610.2A Pending CN110533042A (zh) | 2019-09-06 | 2019-09-06 | 一种基于yolo-v3的货车车尾放大号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533042A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN109409337A (zh) * | 2018-11-30 | 2019-03-01 | 公安部交通管理科学研究所 | 基于卷积神经网络的渣土车特征识别方法 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
-
2019
- 2019-09-06 CN CN201910844610.2A patent/CN110533042A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN109344886A (zh) * | 2018-09-17 | 2019-02-15 | 公安部交通管理科学研究所 | 基于卷积神经网络的遮挡号牌判别方法 |
CN109409337A (zh) * | 2018-11-30 | 2019-03-01 | 公安部交通管理科学研究所 | 基于卷积神经网络的渣土车特征识别方法 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、***及终端设备 | |
CN106611162B (zh) | 基于深度学习ssd框架的道路车辆实时检测方法 | |
CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
CN109409337B (zh) | 基于卷积神经网络的渣土车特征识别方法 | |
CN108009524A (zh) | 一种基于全卷积网络的车道线检测方法 | |
CN104408424A (zh) | 一种基于图像处理的多信号灯识别方法 | |
CN110969160A (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
CN107808392A (zh) | 开放场景的安检车辆自动跟踪定位方法及*** | |
CN106203346A (zh) | 一种面向智能车辆驾驶模式切换的道路环境图像分类方法 | |
CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
CN106919910B (zh) | 一种基于hog-cth组合特征的交通标志识别方法 | |
CN108052861A (zh) | 一种神经网络***及基于该神经网络***的车型识别方法 | |
CN103093249A (zh) | 一种基于高清视频的出租车识别方法及*** | |
CN106096504A (zh) | 一种基于无人机机载平台的车型识别方法 | |
CN111507413B (zh) | 一种基于字典学习的城市管理案件图像识别方法 | |
CN106971378A (zh) | 一种基于深度去噪自编码器的单幅图像去雨方法 | |
CN103390167A (zh) | 一种多特征的分层交通标志识别方法 | |
CN109271904B (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
CN104200670B (zh) | 一种基于车辆地磁感应特征的车辆车型识别方法 | |
CN106778646A (zh) | 基于卷积神经网络的车型识别方法及装置 | |
CN108764115A (zh) | 一种卡车危险提醒方法 | |
Supreeth et al. | An approach towards efficient detection and recognition of traffic signs in videos using neural networks | |
CN110569819A (zh) | 一种公交车乘客再识别方法 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |