【技术实现步骤摘要】
本专利技术属于交通运输，具体涉及一种车辆识别与统计方法、系统、设备及存储介质。
技术介绍
1、车辆智能识别方法在统计公路交通各种车型的车流量方面具有重要意义。现有的方法主要基于图像处理和机器学习技术，通过分析交通摄像头拍摄到的车辆图像统计车辆数量或直接进行人工统计。然而目前的识别方式仍然存在一定的缺陷：在一些复杂的交通情境车辆统计的准确度较低，而且人工24小时交通量统计成本较高，又因为缺乏完善的审核和校验机制，人工统计的精度较低，对于夜间统计而言，人工统计的精度更加难以保证。
2、在道路安装可接触式或不可接触式的传感器对车流量进行统计，可接触式传感器一般铺设于道路下方，当车辆经过时，传感器内部的电压、磁场或压力会发生变化，由此对车辆进行计数。这类传感器的安装和维护费用较高，现在已不再大量铺设。不可接触式传感器包括超声，红外，雷达传感器等。不可接触式传感器无需进行实物安装和维护，减少了设备损坏和维修的风险，同时具备高精度以及较好的实时性，但这类传感器容易受到恶劣天气的影响，导致检测精度降低。
技术实现思路
1、本专利技术的目的在于提供一种车辆识别与统计方法、系统、设备及存储介质，以解决现有车辆识别及车流量统计精度低、成本高的技术问题。
2、为达到上述目的，本专利技术采用如下技术方案：
3、一种车辆识别与统计方法，包括以下步骤：
4、利用训练好的车型识别模型得到车辆的目标框坐标及类别信息；
5、基于得到的车辆的目标框坐标及类别
6、所述车型识别模型采用yolov8+efficientnetv2模型。
7、进一步的，所述训练好的车型识别模型的训练过程为：
8、采集道路交通流视频数据；
9、对采集到的道路交通流视频数据进行处理，获得视频每帧的道路交通图像作为原始图像集；
10、以原始图像集作为输入，车辆的目标框坐标及类别信息作为输出，应用yolov8+efficientnetv2目标检测算法训练车型识别模型。
11、进一步的，所述yolov8+efficientnetv2模型采用在yolov8模型中引入参考卷积网络efficientnetv2，引进卷积网络efficientnetv2的渐进式学习方式。
12、进一步的，所述车流量计算的具体步骤为：
13、设置历史字典、备用字典1、备用字典2、备用字典3统计车辆目标框信息，所述车辆目标框信息包括车辆目标框坐标、类别以及置信度；
14、设置标识符matched＝false，采用训练好的车型识别模型连续识别的帧数时，比较前后帧数车辆目标框识别数量；
15、分别对车辆目标框识别数量减少、不变和增加时进行匹配，对减少的车辆类别进行统计，时间段内所有类别的车辆之和即为该段时间的车流量。
16、进一步的，所述车辆目标框识别数量减少即当前帧车辆目标框识别数量小于前一帧车辆目标框识别数量时：
17、若备用字典1为空或较上次目标框减少时帧数差超过2帧，将目标框识别数量减少前一帧的目标框信息统计入备用字典1，统计当前帧目标框信息更新入历史字典；
18、若备用字典1不为空且较上次目标框减少时帧数差为2帧，则匹配备用字典1与历史字典(当前帧位置的前一帧目标框信息)，若匹配成功，则更新历史字典(当前帧)中目标框置信度，选择置信度最高车型作为该目标框最终类别；若目标框匹配失败，则对备用字典1中匹配失败目标框进行统计并清空备用字典1，最后以当前帧目标框信息更新历史字典。
19、进一步的，所述车辆目标框识别数量不变即当前帧车辆目标框识别数量等于前一帧车辆目标框识别数量时：
20、统计历史字典目标框入备用字典2，更新当前帧目标框信息入历史字典，则匹配备用字典2与历史字典目标框，若所有目标框成功匹配，则更新历史字典目标框置信度，选择置信度最高车型作为该目标框最终类别；若目标框匹配失败，则继续匹配备用字典1与历史字典目标框，对匹配失败的备用字典1中的目标框车辆进行统计，随后清空备用字典1并设置标识符matched＝true。
21、进一步的，所述车辆目标框识别数量增加即当前帧车辆目标框识别数量大于前一帧车辆目标框识别数量时：
22、若标识符matched＝true，则统计历史字典目标框信息入备用字典3，再以当前帧目标框信息更新入历史字典，随后匹配备用字典3与历史字典目标框，若备用字典3所有目标框成功匹配，则更新历史字典目标框置信度，选择置信度最高车型作为该目标框最终类别，再设置标识符matched＝false；若目标框匹配失败，则对备用字典3中对应的目标框车辆进行计数，再设置标识符matched＝false；
23、若标识符matched＝false，以当前帧目标框信息更新入历史字典，匹配备用字典1与历史字典目标框，若目标框匹配失败，则对匹配失败目标框车辆进行统计；若成功匹配，则更新历史字典目标框置信度，选择置信度最高车型作为该目标框最终类别并清空备用字典1。
24、一种车辆识别与统计系统，包括车辆信息获取模块和车流量输出模块，其中：
25、车辆信息获取模块：用于利用训练好的车型识别模型得到车辆的目标框坐标及类别信息；
26、车流量输出模块，用于基于得到的车辆的目标框坐标及类别信息，比较连续相邻帧数中车辆目标框数量变化，并对连续相邻帧数中车辆的目标框坐标及类别信息进行匹配，计算得到车流量；
27、所述车型识别模型采用yolov8+efficientnetv2模型。
28、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
29、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
30、与现有技术相比，本专利技术具有以下有益的技术效果：
31、本专利技术一种车辆识别与统计方法，通过利用训练好的车型识别模型得到某段时间内车辆的目标框坐标及类别信息，基于得到的车辆的目标框坐标及类别信息，比较连续相邻帧数中车辆目标框数量变化，并对连续相邻帧数中车辆的目标框坐标及类别信息进行匹配，计算得到车流量，与现有的通过在道路安装可接触式或不可接触式的传感器对车流量进行统计相比，能够快速、简便、准确地实现车流量的统计，检测成本低，检测精度更高。
32、优选的，本专利技术提供了一种车辆类别识别方法，采用目标检测算法yolov8+efficientnetv2利用训练样本进行车辆识别模型的训练，相比于传统方法，准确性更高、识别速度更快，采用实际测得的交通状况训练车辆识别模型，能够更加符合国内公路的交通状况，有效弥补了现有本文档来自技高网...
【技术保护点】
1.一种车辆识别与统计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车辆识别与统计方法，其特征在于，所述训练好的车型识别模型的训练过程为：
3.根据权利要求1或2所述的一种车辆识别与统计方法，其特征在于，所述YOLOV8+EfficientNetV2模型采用在YOLOV8模型中引入参考卷积网络EfficientNetV2，引进卷积网络EfficientNetV2的渐进式学习方式。
4.根据权利要求1所述的一种车辆识别与统计方法，其特征在于，所述车流量计算的具体步骤为：
5.根据权利要求4所述的一种车辆识别与统计方法，其特征在于，所述车辆目标框识别数量减少即当前帧车辆目标框识别数量小于前一帧车辆目标框识别数量时：
6.根据权利要求4所述的一种车辆识别与统计方法，其特征在于，所述车辆目标框识别数量不变即当前帧车辆目标框识别数量等于前一帧车辆目标框识别数量时：
7.根据权利要求4所述的一种车辆识别与统计方法，其特征在于，所述车辆目标框识别数量增加即当前帧车辆目标框识别数量大于前一帧车辆目标框识别数量
8.一种车辆识别与统计系统，其特征在于，包括车辆信息获取模块和车流量输出模块，其中：
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种车辆识别与统计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车辆识别与统计方法，其特征在于，所述训练好的车型识别模型的训练过程为：
3.根据权利要求1或2所述的一种车辆识别与统计方法，其特征在于，所述yolov8+efficientnetv2模型采用在yolov8模型中引入参考卷积网络efficientnetv2，引进卷积网络efficientnetv2的渐进式学习方式。
4.根据权利要求1所述的一种车辆识别与统计方法，其特征在于，所述车流量计算的具体步骤为：
5.根据权利要求4所述的一种车辆识别与统计方法，其特征在于，所述车辆目标框识别数量减少即当前帧车辆目标框识别数量小于前一帧车辆目标框识别数量时：
6.根据权利要求4所述的一种车辆...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。