一种强光抑制的隧道内危险品车辆识别方法与流程

本发明涉及危险品车辆识别，具体为一种强光抑制的隧道内危险品车辆识别方法。

背景技术：

1、危险货物的公路运输在中国化工行业中占有非常重要的地位。一旦发生事故，往往伤亡人数多，后果损失严重。然而，近年来，我国危险品运输事故时有发生，严重威胁着人们的生命安全。为了避免事故的发生，对道路上的危险化学品运输车辆（危化品车辆）进行实时监控是十分必要。

2、目前危化品车辆识别主要通过车辆外观上的专有标志进行识别：

3、从应用场景上，现有方法应用在路段门架摄像头、服务区高空摄像头上识别危化品车辆，但隧道内复杂光线，阻碍了现有方法的性能表现，为危化品车辆的准确识别，提出了挑战；

4、从模型结构上，现有方法采用了卷积神经网络、残差神经网络和特征金字塔网络等模型结构，缺少多视角下的车辆特征识别模块，多视角的危化品车辆特征提取模块还未充分应用；

5、从部署优化上，现有方法仅停留在模型设计层面，缺乏具备应用可行性的模型部署方法，特别对于边缘计算场景，现有方法忽视了在算力有限的条件下的部署方式；

6、因此，针对上述问题提出一种强光抑制的隧道内危险品车辆识别方法。

技术实现思路

1、本发明的目的在于提供一种强光抑制的隧道内危险品车辆识别方法,以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种强光抑制的隧道内危险品车辆识别方法，包括以下步骤：

4、步骤s1、获取卡口摄像头的车辆抓拍图片，通过构建视域内车脸边缘特征图和基于图层分解的车源强光抑制方法，增强车辆视觉特征；

5、步骤s2、累积增强后的车辆抓拍图片，通过数据驱动的微调方法，修正模型参数并进行危险品车辆识别，模型支持轻量化的边缘端部署。

6、作为一种优选方案，步骤s1具体包括以下步骤：

7、步骤s1.1、获取卡口摄像头正视视角下的车辆抓拍原始图片，将图像尺寸调整为统一的080，车脸在图片中的占比不低于80%，得到输入图片；

8、步骤s1.2、将图片放入专用卷积模块，得到图像中车脸的边缘特征图；

9、步骤s1.3、将图片放入强光抑制模块，通过图层分解后得到光源抑制后的特征图；

10、步骤s1.4、将边缘特征图和光源抑制后的特征图进行融合，得到效果增强的车辆图片。

11、专用卷积模块由卷积层，池化层与残差连接结构组成，其中卷积层的卷积核为高斯拉普拉斯算子，其定义如下：

12、。

13、强光抑制模块由两个分支组成，分别是光源层、背景层，其中，光源层的梯度是短尾分布，背景层的梯度是长尾分布的。

14、步骤s1.4中，边缘特征图和光源抑制后的特征图的融合方法是将两个特征图进行连接，并通过一个标准卷积层进行非线性转化。具体公式如下：

15、。

16、作为一种优选方案，步骤s2具体内容包括以下步骤：

17、步骤s2.1、车脸特征深度提取：获取步骤s1的结果，将放入基于深度残差网络构建的骨干网络中，得到深度特征图。骨干网络能够在保证较高危险品车辆识别检测精度的同时，尽可能地减少计算量和内存占用；

18、步骤s2.2、不同分辨率下的车脸特征解析：将最底层特征图和最上层特征图放入特征金字塔网络构建的连接神经网络中，得到车脸特征图；

19、步骤s2.3、不同分辨率下的危险品车脸特征检测：以车脸特征和预设的危险品车辆标志锚框作为输入，通过卷积层进行特征转换，生成检测结果，检测结果包含2维的坐标信息，2维的长宽信息，以及k维one-hot编码的分类向量；

20、步骤s2.4、重复危险品车脸候选框的过滤：不同分辨率下的危险品车脸特征检测会产生重复有折叠的危险品车脸候选框，通过非极大值抑制方法消除冗余的候选框；

21、步骤s2.5、不同视角下的危险品车辆识别微调：使用在大数据上得到的预训练模型进行步骤s2.1到步骤s2.4的危险品车辆识别模型的初始化，分割隧道场景的危险品车辆图片为训练集和验证集，通过在训练集进行重叠度阈值threshold、学习率，获得隧道场景下不同视角下的危险品车辆最佳识别模式；

22、步骤s2.6、量化模型：步骤s2.5模型使用32位或16位浮点数值进行训练，在边缘设备上使用时会占用较大内存并且计算效率较低，因此需要进行8位整型数值的量化过程，减小数据传输和存储的需求，搭配边缘设备的硬件加速和计算芯片支持，提高推理性能。

23、作为一种优选方案，深度残差网络包含19个卷积层，5个层级的卷积核边长分别是64、128、256、512、1024，第一层的卷积核边长为64，第二层至五层卷积核边长为128，第六层至九层卷积核边长为256，第十层至十三层卷积核边长为512，第十四层至十九层卷积核边长为1024。

24、作为一种优选方案，步骤s2.3中，对于某一个分辨率下的车脸特征图，遍历所有的车脸特征元素，对车脸特征元素在车脸特征图所处的坐标计算偏差获得危险品车辆标志的候选框相对坐标信息，对危险品车辆标志锚框的长宽进行回归缩放获得危险品车辆候选框的长宽信息，计算危险品车辆候选框和锚框之间的重叠程度作为置信度，对车脸特征元素的高维特征通过卷积层转换为k维向量，并经过sigmoid激活函数后输出危险品车脸候选框。

25、作为一种优选方案，非极大值抑制方法具体步骤如下：

26、步骤s2.4.1、对所有危险品车脸候选框的置信度降序排序；

27、步骤s2.4.2、选出置信度最高的候选框，确认其为正确的候选框，并计算它与其他候选框的iou；

28、iou = ；

29、步骤s2.4.3、设定重叠度阈值threshold，根据步骤s2中计算的 iou，判断条件iou> threshold ，则删除该候选框；

30、步骤s2.4.4、剩下的候选框返回步骤s2.4.1重复步骤s2.4.1至步骤s2.4.3操作，直到没有剩下的候选框为止。

31、由上述本发明提供的技术方案可以看出，本发明提供的一种强光抑制的隧道内危险品车辆识别方法，有益效果是：能有效抑制抓拍图片中车灯强光干扰，提高目标检测与识别的准确率。

技术特征：

1.一种强光抑制的隧道内危险品车辆识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述专用卷积模块由卷积层，池化层与残差连接结构组成，其中卷积层的卷积核为高斯拉普拉斯算子，其定义如下：

3.根据权利要求1所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述步骤s1.4中，边缘特征图和光源抑制后的特征图的融合方法是将两个特征图进行连接，并通过一个标准卷积层进行非线性转化；具体公式如下：

4.根据权利要求1所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述步骤s2具体内容包括以下步骤：

5.根据权利要求4所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述深度残差网络包含19个卷积层，5个层级的卷积核边长分别是64、128、256、512、1024，第一层的卷积核边长为64，第二层至五层卷积核边长为128，第六层至九层卷积核边长为256，第十层至十三层卷积核边长为512，第十四层至十九层卷积核边长为1024。

6.根据权利要求4所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述步骤s2.3中，对于某一个分辨率下的车脸特征图，遍历所有的车脸特征元素，对车脸特征元素在车脸特征图所处的坐标计算偏差获得危险品车辆标志的候选框相对坐标信息，对危险品车辆标志锚框的长宽进行回归缩放获得危险品车辆候选框的长宽信息，计算危险品车辆候选框和锚框之间的重叠程度作为置信度，对车脸特征元素的高维特征通过卷积层转换为k维向量，并经过sigmoid激活函数后输出危险品车脸候选框。

7.根据权利要求4所述的一种强光抑制的隧道内危险品车辆识别方法，其特征在于：所述非极大值抑制方法具体步骤如下：

技术总结
本发明涉及危险品车辆识别技术领域，尤其为一种强光抑制的隧道内危险品车辆识别方法，包括获取卡口摄像头抓拍图片；进行图片梯度特征图构建，形成车脸的边缘特征；同时对原始抓拍图片进行图层分解，获得去除隧道环境下车辆灯光影响的图片；对两项处理得到的图片进行融合；增强后的图片累积至一定数量级后输入识别模型中，用于模型参数调整；模型输出车辆的车脸检测结果以及特殊标志的检测结果，判断经过车辆是否为危险品车辆；抓拍图片处理方法与识别模型进行量化与导出，完成轻量化边缘设备部署。本发明通过强光抑制与微调模型，有效解决了隧道场景下危险品车辆识别不精准的问题。

技术研发人员：吴晨昊,曾俊铖,吴雄伟,范云松,王歆远
受保护的技术使用者：福建省高速公路科技创新研究院有限公司
技术研发日：
技术公布日：2024/4/29