一种基于空间先验的车辆安全警示装置检测方法制造方法及图纸

本发明专利技术涉及车辆安全警示装置检测领域，特别涉及一种基于空间先验的车辆安全警示装置检测方法。本发明专利技术提出了基于深度学习和空间先验的车辆安全警示装置检测方法，S1：已有的数据集进行标注；S2：使用标注好的数据集对YOLOv3目标识别框架进行训练；S3：利用训练集及其标签计算距离基准量和面积基准量；S4：使用YOLOv3框架对待预测图片进行识别，之后得到一个存有警示标志信息的数组；S5：使用该数组中的信息计算待预测图片中警示装置的距离得分和面积得分；S6：如果距离得分与面积得分之和大于预先设定的阈值，则输出并同时标记为重点目标。点目标。点目标。

【技术实现步骤摘要】
一种基于空间先验的车辆安全警示装置检测方法


[0001]本专利技术涉及车辆安全警示装置检测领域，特别涉及一种基于空间先验的车辆安全警示装置检测方法。

技术介绍

[0002]近年来，机动车数量持续高位增长，带来了显著的交通压力和车辆管理上的挑战。其中车辆年检制度是消除机动车安全隐患，减少交通事故的重要手段。
[0003]根据我国交通法律法规，行驶过程中的车辆出现故障需要安置三角警告牌，在一定距离内提示后方来车；而《机动车运行安全技术条件》规定，中型以上客车应装备灭火器，对普通小车虽无强制规定，但各地制定的《道路交通安全法》实施条例或办法中有需要配置灭火器的相关条款。三角警示牌和灭火器也成为了车辆年检制度中的两项指标。
[0004]车辆警示标志检测即三角警示牌和灭火器的检测是一个计算机模式识别(Pattern Recognition)和目标检测(Object Detection)问题，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个车检四通的一项重要能力，而检测车辆是否带有三角警示牌和灭火器是车检流程中的两项重要检测指标。
[0005]现有目标检测流程中常用最大框法来确定检测的重点目标，最大框法简单来说就是在检测时使用目标框对图片上的目标进行标注，而哪个目标使用的目标框最大，哪个目标就是重点目标，这样极易出现判断错误的情况，因为在实际车检场景中，摄像头不一定是正对目标车辆的车头位置，而是经常倾斜45度对车辆进行拍摄，所以当其他非目标车辆的右方也摆放了安全警示装置时，即使这些装置没有完全入镜，也可能因为拍摄中的透视关系，出现非目标车辆上的警示装置的目标框大于目标车辆上警示装置的目标框，这样就造成了对非目标车辆的拍摄程度大于对目标车辆的拍摄程度，从而影响结果的准确性。

技术实现思路

[0006]针对现有技术存在的上述问题，本专利技术要解决的技术问题是：如何避免拍摄现场环境因素的影响，更准确的检测图片中的重点目标。
[0007]为解决上述技术问题，本专利技术采用如下技术方案：一种基于空间先验的车辆安全警示装置检测方法，包括如下步骤：
[0008]S1：准备检测车辆安全警示装置时拍摄的车辆图片；
[0009]S2：从准备好的车辆图片中选出部分图片作为数据集，所述数据集中的每张车辆图片具有相同的宽高比，并且每张车辆图片的拍摄视角相同；
[0010]对数据集中车辆图片上的警示标志的位置进行标注，所述警示标志为三角警示牌和灭火器；
[0011]对所述每张车辆图片中的三角警示牌进行线框标注，并打上三角警示牌标签，对所述每张车辆图片中的灭火器进行线框标注，并打上灭火器标签；
[0012]S3：随机选取数据集中的部分车辆图片作为训练集；将训练集中的所有车辆图片作为YOLOv3目标识别框架的输入，对YOLOv3目标识别框架进行训练，当训练至YOLOv3目标识别框架得到的loss值不再下降时，则停止训练，此时得到训练好的YOLOv3目标检测模型；
[0013]S4：从训练集中随机选取N张无背景目标干扰的图片作为样本图片，并将该N张样本图片统一到1280*960大小，随后确定距离基准量和面积基准量；
[0014]所述距离基准量包括图片宽方向上的距离基准量和高度方向上的距离基准量，通过距离基准量得到警示标志分布的直线方程；
[0015]所述面积基准量包括三角警示牌面积基准量S
s
和灭火器面积基准量S
m
；
[0016]S5：使用训练好的YOLOv3目标检测模型对待预测图片进行识别，识别后得到一个存有警示标志信息的数组，警示标志信息由警示标志的宽、警示标志的高、警示标志数量和包含警示标志的线框中心四部分组成；
[0017]S6：设S5识别的警示标志的数量为I，计算第i个警示标志的面积，确定所述第i个警示标志面积的面积得分，计算第i个警示标志的距离得分；
[0018]S7：如果第i个警示标志的面积得分与距离得分之和大于预先设定的阈值，则认为该第i个警示标志是重点目标，执行S8；反之则认为第i个警示标志不是重点目标，并执行S9；
[0019]S8：在所述待预测图片中框出第i个警示标志，并打上有警示标志的标签，输出处理后的待预测图片和该待预测图片的日志报告；
[0020]S9：所述待预测图片中没有重点目标，输出待预测图片原图和该待预测图片的日志报告。
[0021]通过上述方法可以最大限度的排除干扰项，在尽可能小的范围内寻找重点目标，这样不仅可以降低环境因素的影响，而且因为识别范围的缩小，可以更准确的在有效范围内找到重点目标。
[0022]作为优选，所述S4中计算距离基准量方法如下：
[0023]1)获取所述N张样本图片，将所述每张样本图片上包含警示标志的线框中心坐标记为(x，y)，所述N个线框的中心坐标作为训练样本；
[0024]2)用sklearn中的LinearRegression模块构建线性回归模型，使用训练样本对线性回归模型进行自动迭代训练，训练结束后得到训练好的线性回归模型，并输出线性回归模型在宽方向上的截距D
x
和在高方向上的截距D
y
；
[0025]3)设D
x
＝D
w
W，D
y
＝D
h
H，其中，D
w
表示宽方向上的距离基准量，D
h
表示高方向上的距离基准量；D
x
表示在图片宽方向的截距，D
y
表示在图片高方向的截距；W表示图片的宽度，此处取值为1280，H表示图片的高度，此处取值为960。
[0026]用sklearn中的LinearRegression模块构建的线性回归模型，可以更加简单高效的实现目标计算结果，该方法为业内常用方法。
[0027]距离基准量表示线性回归模型截距占图片宽高像素大小的百分比，通过该基准量能够和图片宽高、目标框中心位置一并计算出待测样本中目标框中心距离线性回归所得直线的像素距离，并以该距离同图片原点到直线的距离对比，得出距离得分情况。
[0028]作为优选，所述S4中计算面积基准量的具体方法如下：
[0029]利用该N张样本图片上三角警示牌的面积计算三角警示牌面积平均值，将三角警
示牌面积平均值作为三角警示牌面积基准量S
s
，用该N张样本图片上灭火器的面积计算灭火器面积平均值，将灭火器面积平均值作为灭火器面积基准量S
m
。
[0030]面积基准量表示待测目标(三角警示牌、灭火器)的平均面积情况，以此作为同待测样本目标框面积的参考量，得出面积得分情况。
[0031]作为优选，所述步骤S6计算面积得分的具体方法如下：
[0032]通过面积基准量S
s
，S
m
，计算比例σ＝wh/S，第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间先验的车辆安全警示装置检测方法，其特征在于：包括如下步骤：S1：准备检测车辆安全警示装置时拍摄的车辆图片；S2：从准备好的车辆图片中选出部分图片作为数据集，所述数据集中的每张车辆图片具有相同的宽高比，并且每张车辆图片的拍摄视角相同；对数据集中车辆图片上的警示标志的位置进行标注，所述警示标志为三角警示牌和灭火器；对所述每张车辆图片中的三角警示牌进行线框标注，并打上三角警示牌标签，对所述每张车辆图片中的灭火器进行线框标注，并打上灭火器标签；S3：随机选取数据集中的部分车辆图片作为训练集，将训练集中的所有车辆图片作为YOLOv3目标识别框架的输入，对YOLOv3目标识别框架进行训练，当训练至YOLOv3目标识别框架得到的loss值不再下降时，则停止训练，此时得到训练好的YOLOv3目标检测模型；S4：从训练集中随机选取N张无背景目标干扰的图片作为样本图片，并将该N张样本图片统一到1280*960大小，随后确定距离基准量和面积基准量；所述距离基准量包括样本图片宽方向上的距离基准量和高度方向上的距离基准量，通过距离基准量得到警示标志分布的直线方程；所述面积基准量包括三角警示牌面积基准量S
s
和灭火器面积基准量S
m
；S5：使用训练好的YOLOv3目标检测模型对待预测图片进行识别，识别后得到一个存有警示标志信息的数组，警示标志信息由警示标志的宽、警示标志的高、警示标志数量和包含警示标志的线框中心四部分组成；S6：设S5识别的警示标志的数量为I，计算第i个警示标志的面积，确定所述第i个警示标志面积的面积得分,计算第i个警示标志的距离得分；S7：如果第i个警示标志的面积得分与距离得分之和大于预先设定的阈值，则认为该第i个警示标志是重点目标，执行S8；反之则认为第i个警示标志不是重点目标，并执行S9；S8：在所述待预测图片中框出第i个警示标志，并打上有警示标志的标签，输出处理后的待预测图片和该待预测图片的日志报告；S9：所述待预测图片中没有重点目标，输出待预测图片原图和该待预测图片的日志报告。2.如权利要求1所述的一种基于空间先验的车辆安全警示装置检测方法，其特征在于：所述S4中计算距离基准量方法如下：1)获取所述N张样本图片，将所述每张样本图片上包含警示标志的线框中心坐标记为(x,y)，所述N个线框的中心坐标作为训练样本；2)用sklearn中的LinearRegression模块构建线性回归模型，使用训练样本对线性回归模型进行自动迭代训练，训练结束后得到训练好的线性回归模型，并输出线性回归模型在宽方向上的截距D
x
和在高方向上的截距D
y
；3)设D
x
＝D
w
W，D
y<...

【专利技术属性】
技术研发人员：黄晟，徐嘉志，张小先，王磊，刘富强，葛永新，洪明坚，徐玲，张小洪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：