一种车辆姿态检测方法及系统与流程

本发明涉及交通监管技术领域，特别涉及一种车辆姿态检测方法及系统。

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，机动车车辆检测以及行人检测工作量也随之迅速增大，这对于交通监管领域造成了很大的压力。

随着人工智能技术的发展，图像场景分割技术被引入交通监管领域内，为其场景分割等提供了技术基础。然而，现有的技术并不能满足交通监管的需求。

现有技术中，在对场景进行分割时，需要先将视频数据中的每一帧图像作为单独帧图像进行场景分割，从而得到每一帧图像的场景分割结果。然而，这种处理方法的处理速度慢，花费时间长，且在背景情况复杂时识别的准确度较差，后期仍需要人工进行校验检查。

因此，如何准确、快速地对车辆姿态进行检测，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。

技术实现要素：

本发明目的是：提出一种车辆姿态检测方法及系统，其能够自动检测出车辆姿态，以满足交通管理中对于车辆检测工作效率和准确率的需求。

本发明解决其技术问题所采用的技术方案是：

一种车辆姿态检测方法，其特征在于，包括如下步骤：

s1、获取待检测图像，所述待检测图像中包含目标车辆；

s2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；

s3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；

s4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；

s5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。

进一步优化技术方案，在本方案的方法中还包括：

获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；

采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。

进一步优化技术方案，在获取待检测图像之前，本方案的方法还包括以下步骤：

预构建基于深度学习的目标检测网络模型；

预构建基于深度学习的实例分割网络模型；

预构建基于深度学习的车辆姿态分类模型。

进一步优化技术方案，所述预构建基于深度学习的目标检测网络模型的步骤包括：

分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；

采用卷积神经网络vgg16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。

进一步优化技术方案，所述采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：

将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；

获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；

根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。

进一步优化技术方案，所述构建基于深度学习的实例分割网络模型的步骤包括：

对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；

对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；

将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；

采用卷积神经网络vgg16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。

进一步优化技术方案，所述采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：

将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；

获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；

其中，实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。

进一步优化技术方案，所述预构建基于深度学习的车辆姿态分类模型的步骤包括：

对有效标记数据集中的每个车辆图像样本中被矩形框标记出的车辆的图像区域进行实例分割，获取相应的分割掩码，得到实例分割后的车辆图像样本中的车辆的图像区域；

设置n个车辆姿态标签，每个车辆姿态标签分别用于标识一种车辆姿态；

使用所述车辆姿态标签对得到的实例分割后的车辆图像样本中的车辆的图像区域进行标记；

以得到的实例分割后的车辆图像样本中的车辆的图像区域及标记该车辆的图像区域的车辆姿态标签作为一组训练数据，形成第三训练数据集；

采用深度学习卷积神经网络googlenet搭建车辆姿态分类深度学习网络，使用所述第三训练数据集训练所述车辆姿态分类深度学习网络，获得基于深度学习的车辆姿态分类模型。

进一步优化技术方案，在步骤s4中所述获取姿态分类结果包括：

获取所述基于深度学习的车辆姿态分类模型响应于被进行实例分割后的目标车辆的图像区域的输入进而输出的实例分割后的目标车辆的图像区域在n个所述车辆姿态标签上的分布概率；

进一步优化技术方案，在步骤s5中所述根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态包括：

将分布概率最大的车辆姿态标签所标识的车辆姿态作为目标车辆的车辆姿态。

一种车辆姿态检测系统，包括：

存储器，被配置为存储数据及计算机程序指令；

与所述存储器建立通信的处理器，所述处理器执行所述计算机程序指令以执行权利要求1至9任一项所述一种车辆姿态检测方法的步骤。

本发明的有益效果是：本发明主要应用于交通监管以及重点区域监控领域中，其通过场景分割技术实现了车辆姿态的自动检测以及分析，且本方案的属性分析效率和准确度更高。

附图说明

图1是基于深度学习的目标检测网络模型的获取流程图。

图2是基于深度学习的实例分割网络模型的获取流程图。

图3是基于深度学习的车辆姿态分类模型的获取流程图。

图4是本发明中车辆姿态检测方法的流程图。

图5是本发明中车辆姿态检测系统的框图。

具体实施方式

以下结合附图。对本发明做进一步说明。

在具体实施本方案的方法时，需预先采集数据集，然后利用数据集预先构建网络模型。具体步骤如下：

预先采集数据集：获取不同角度、光照、种类和图像质量的包含车辆的车辆图像样本；采用矩形框分别对每个车辆图像样本中每张车辆的图像区域进行标记，得到有效标记数据集；其中，每个矩形框在每张样本图像中的位置以坐标值的方式标识出。

预先构建网络模型：

预构建基于深度学习的目标检测网络模型，如图1所示，包括如下步骤：

分别将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值作为一组训练数据，形成第一训练数据集；

采用卷积神经网络vgg16搭建目标检测深度学习网络，并利用所述第一训练数据集训练所述目标检测深度学习网络，获得基于深度学习的目标检测网络模型。

预构建基于深度学习的实例分割网络模型，如图2所示，包括如下步骤：

对所述有效标记数据集中每张样本图像中的每个矩形框内的区域逐像素分割出车辆本体和背景；

对于每个矩形框内的区域进行实例分割，在矩形框的区域内属于车辆本体的像素值保持不变，将不属于车辆本体的像素值变为0，得到分割掩码；

将所述有效标记数据集中的每张图像样本和该张图像样本中每个矩形框的坐标值以及该张图像样本中每个矩形框内区域对应的分割掩码作为一组训练数据，形成第二训练数据集；

采用卷积神经网络vgg16搭建实例分割深度学习网络，使用所述第二训练数据集训练所述实例分割深度学习网络，获得基于深度学习的实例分割网络模型。

预构建基于深度学习的车辆姿态分类模型，如图3所示，包括如下步骤：

对有效标记数据集中的每个车辆图像样本中被矩形框标记出的车辆的图像区域进行实例分割，获取相应的分割掩码，得到实例分割后的车辆图像样本中的车辆的图像区域；

设置n个车辆姿态标签，每个车辆姿态标签分别用于标识一种车辆姿态；

使用所述车辆姿态标签对得到的实例分割后的车辆图像样本中的车辆的图像区域进行标记；

以得到的实例分割后的车辆图像样本中的车辆的图像区域及标记该车辆的图像区域的车辆姿态标签作为一组训练数据，形成第三训练数据集；

采用深度学习卷积神经网络googlenet搭建车辆姿态分类深度学习网络，使用所述第三训练数据集训练所述车辆姿态分类深度学习网络，获得基于深度学习的车辆姿态分类模型。

当完成上述准备工作后，正式开始检测步骤：

如图4所示，本发明中车辆姿态检测方法，包括如下步骤：

s1、获取待检测图像，所述待检测图像中包含目标车辆；

s2、采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域；

s3、采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割；

s4、将被进行实例分割后的目标车辆的图像区域输入至预构建的基于深度学习的车辆姿态分类模型，获取姿态分类结果；

s5、根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态。

其中，步骤s2中采用基于深度学习的目标检测网络模型，检测出所述待检测图像中目标车辆的图像区域包括：

将包含目标车辆的待检测图像输入所述基于深度学习的目标检测网络模型；

获取所述基于深度学习的目标检测网络模型输出标记目标车辆的图像区域的矩形框的坐标值；

根据目标车辆的图像区域的矩形框的坐标值，确定矩形框的位置并显示；其中，所述矩形框内的图像区域即为目标车辆的图像区域。

其中，步骤s3中采用基于深度学习的实例分割网络模型，对所述目标车辆的图像区域进行实例分割包括：

将被矩形框标记出目标车辆的图像区域的待检测图像输入所述基于深度学习的实例分割网络模型；

获取目标车辆的图像区域的分割掩码，得到实例分割后的目标车辆的图像区域；

在实例分割后的目标车辆的图像区域中，属于目标车辆的像素值保持不变，不属于车辆本体的像素值变为0。

其中，在步骤s4中获取姿态分类结果包括：

获取所述基于深度学习的车辆姿态分类模型响应于被进行实例分割后的目标车辆的图像区域的输入进而输出的实例分割后的目标车辆的图像区域在n个所述车辆姿态标签上的分布概率；

其中，在步骤s5中根据姿态分类结果，确定出所述待检测图像中的目标车辆的姿态包括：

将分布概率最大的车辆姿态标签所标识的车辆姿态作为目标车辆的车辆姿态。

一种车辆姿态检测系统，如图5所示，包括：

存储器，被配置为存储数据及计算机程序指令；

与存储器建立通信的处理器，处理器执行所述计算机程序指令以执行任一项所述车辆姿态检测方法的步骤。

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。