【技术实现步骤摘要】
本专利技术涉及目标识别，具体为一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别方法及系统。
技术介绍
1、在我国，电动车或摩托车是一种主要的交通工具，但这类车辆的交通事故也频发。本专利技术将电动车和摩托车统称为机动两轮车。佩戴头盔可以大大降低在交通事故中机动两轮车驾驶员头部受伤的风险和死亡率。通过各种媒体和社区活动有望提高公众对骑行机动两轮车时佩戴头盔重要性的认知。但宣传教育并没有增加违规成本，部分驾驶员依然不会自觉佩戴头盔。各地交通部门设立检查点，交警通过口头教育或者罚款等方式对不佩戴头盔的骑行者进行处罚。这种人工检查的方式虽然效果很好，但费时费力。通过目标检测算法可以全天候、不间断地自动检测骑行者的头盔佩戴情况，确保违规行为能够及时被发现和处理。
2、yolo系列的目标检测算法具有高效的实时处理能力，不仅检测速度快，而且精度高。目前研究人员使用yolov5和yolov8在骑行者头盔检测任务上已经取得了一定的成效，但仅仅检测骑行人员的头盔佩戴情况，并且依赖nms(非极大值抑制)算法，增加了推理时间和计算开销。
技术实现思路
1、现有方法仅仅针对骑行者的头盔佩戴情况进行检测，本专利技术提出了一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别方法，进一步提出了车牌识别，为交通部门的监管与记录提供帮助；且与使用yolov5和yolov8的方法相比，推理时间和计算开销更少。
2、根据本专利技术的一方面，提出了一种基于yolov
3、s1：采集骑行机动两轮车的骑行者图像，构建骑行者图像数据集；
4、s2：通过在yolov10s模型添加coordatt注意力模块，构建yolov10s_ca模型，使用所述骑行者图像数据集对所述yolov10s_ca模型训练，识别所述骑行者图像是否穿戴头盔和对应的机动两轮车车牌区域；
5、s3：将待检测的骑行者图像输入到训练好的yolov10s_ca模型，检测并保存未穿戴头盔的骑行者图像对应的机动两轮车车牌区域；
6、s4：基于预训练的pp-ocrv4模型对检测到的机动两轮车车牌区域进行识别，输出车牌号码。
7、优选的，s2具体包括，通过在所述yolov10s模型的c2fcib_add模块与sppf模块中间添加了一个所述coordatt注意力模块构建所述yolov10s_ca模型。通过引入coordatt注意力模块关注位置信息，改进了yolov10s的通道注意力机制，增强了模型的特征表达能力。
8、优选的，所述骑行者图像数据集的类别标签包括机动两轮车、有头盔、无头盔和车牌。
9、优选的，所述pp-ocrv4模型包括字符检测模型，文本方向分类模型，字符识别模型。通过ocr(光学字符识别)进一步识别未佩戴头盔的机动两轮车的车牌，执法部门能够记录违规信息，并对车主进行处罚，如罚款或警告。同时，识别出的车牌信息可以存档，形成违规数据库，用于后续的管理和分析。这有助于对多次违规的车辆和人员进行重点监控和管理。
10、进一步优选的，s4具体包括:
11、s401，所述字符检测模型对检测所述机动两轮车车牌区域的字符区域进行检测，裁剪出车牌信息区域；
12、s402，所述文本方向分类模型对检测到的车牌信息区域进行校正；
13、s403，所述字符识别模型根据校正后的车牌信息区域识别车牌信息，输出车牌号码。
14、根据本专利技术的一方面，提出了一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别系统，包括以下模块：
15、图像采集模块：采集骑行机动两轮车的骑行者图像，构建骑行者图像数据集；
16、目标识别模型训练模块：通过在yolov10s模型添加coordatt注意力模块，构建yolov10s_ca模型，使用所述骑行者图像数据集对所述yolov10s_ca模型训练，识别所述骑行者图像是否穿戴头盔和对应的机动两轮车车牌区域；
17、目标识别模型检测模块：将待检测的骑行者图像输入到训练好的yolov10s_ca模型，检测并保存未穿戴头盔的骑行者图像对应的机动两轮车车牌区域；
18、车牌信息检测模块：基于预训练的pp-ocrv4模型对检测到的机动两轮车车牌区域进行识别，输出车牌号码。
19、根据本专利技术的一方面，提出了一种计算机可读介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实施如第一方面任一项所述的方法。
20、根据本专利技术的一方面，提出了一种计算系统，包括处理器和存储器，所述处理器被配置为执行如第一方面任一项所述的方法。
21、本专利技术的有益之处在于：
22、(1)基于yolov10s改进的yolov10s_ca模型具有高精度和高实时性的特点，它可以快速识别并定位骑行者的头盔佩戴情况。
23、(2)使用pp-ocrv4模型专门用于从yolov10s_ca模型检测到的车牌中提取车牌信息，确保违规车辆的信息被及时而准确的识别和记录。
24、(3)本专利技术结合yolov10s_ca和pp-ocrv4，能实现毫秒级的预测。两者的协同工作可以实现全面的交通监控，不仅能够实时检测并判断骑行者是否佩戴头盔，还能快速识别机动两轮车的车牌信息。本专利技术可以帮助交通部门制定更有效的管理和处罚措施。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv10s和PP-OCRv4的骑行者头盔检测与车牌识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于YOLOv10s和PP-OCRv4的骑行者头盔检测与车牌识别方法，其特征在于，S2具体包括，通过在所述YOLOv10s模型的C2fCIB_add模块与SPPF模块中间添加了一个所述CoordAtt注意力模块构建所述YOLOv10s_CA模型。
3.根据权利要求1所述的一种基于YOLOv10s和PP-OCRv4的骑行者头盔检测与车牌识别方法，其特征在于，所述骑行者图像数据集的类别标签包括机动两轮车、有头盔、无头盔和车牌。
4.根据权利要求1所述的一种基于YOLOv10s和PP-OCRv4的骑行者头盔检测与车牌识别方法，其特征在于，所述PP-OCRv4模型包括字符检测模型，文本方向分类模型，字符识别模型。
5.根据权利要求4所述的一种基于YOLOv10s和PP-OCRv4的骑行者头盔检测与车牌识别方法，其特征在于，S4具体包括:
6.一种基于YOLOv10s和PP-OCRv4的骑行者头盔检
7.一种计算机可读介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实施如权利要求1-5中任一项所述的方法。
8.一种计算系统，包括处理器和存储器，所述处理器被配置为执行如权利要求1-5中任一项所述的方法。
...【技术特征摘要】
1.一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别方法，其特征在于，s2具体包括，通过在所述yolov10s模型的c2fcib_add模块与sppf模块中间添加了一个所述coordatt注意力模块构建所述yolov10s_ca模型。
3.根据权利要求1所述的一种基于yolov10s和pp-ocrv4的骑行者头盔检测与车牌识别方法，其特征在于，所述骑行者图像数据集的类别标签包括机动两轮车、有头盔、无头盔和车牌。
4.根据权利要求1所述的一种基于yolov...
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。