一种基于边缘设备的车辆统计管理方法与流程

本发明涉及车辆统计管理，具体涉及一种基于边缘设备的车辆统计管理方法。

背景技术：

1、随着人们生活水平的提高，越来越多的人购买车辆，人们出行也更多的使用汽车或电动车，如何准确、快速地在监控中记录车辆显得越来越重要。

2、随着计算机视觉技术和机器学习的不断发展与进步，通过监控自动识别事件变得越来越有可能，例如行人检测、人脸识别等。这些检测技术可分为两类：第一类为：传统的移动目标检测技术，代表性的有帧差法、背景差分法、光流法等。这些检测技术的特点是计算简单、实时性强，但无法应对太复杂场景；第二类为：基于深度学习的目标检测技术，代表性的有faster-rcnn、yolo、ssd等，这些检测技术的特点是复杂场景适应能力强，但是要求待检测的目标要与背景有明显可区分特征。

3、在进行车牌检测时，传统的车牌识别技术存在容易受光照、角度等环境影响的问题，从而使得识别准确率比较低，在一些场所若存在套牌或者遮挡，无法准确的记录是否为同一辆车。在一些停车场，进出时甚至使用一张图片就可以开启闸机门，车辆进去后，待等到免费停车时长后，再使用手机中的车牌照片，刷闸机出门，过一段时间，去提车时，再使用手机中的车牌照片刷进去，把车开出来，以这种方式逃避停车费。

技术实现思路

1、为此，本发明实施例提供一种基于边缘设备的车辆统计管理方法，以解决上述背景技术提出的问题。

2、为了实现上述目的，本发明实施例提供如下技术方案：

3、一种基于边缘设备的车辆统计管理方法，包括：

4、数据集采集和标注：采集2020欧洲杯投注官网 数据并抽帧，分别对抽帧的数据进行车辆位置标注、车牌字符内容标注、车牌位置标注、车辆颜色标注、车标标注以及车型标注；

5、车辆和车牌检测：使用目标检测算法，用标注的图像进行车辆和车牌检测模型训练，并使用训练好的模型进行车辆和车牌检测；

6、目标跟踪和图片挑选：使用目标跟踪算法对检测到的车辆框进行跟踪，待车辆轨迹缓存到一定数量的目标图像后，根据车辆相关信息，选择比较靠近图像中心的且车辆框得分较高的图像；

7、车牌识别：使用字符识别算法对采集标注的车牌字符内容图片进行字符识别模型训练，并用训练好的字符识别模型进行车牌字符识别；

8、车辆属性识别：使用神经网络算法对采集标注的车辆属性标签进行车辆属性模型训练，并用训练好的模型做车辆属性识别；

9、车辆信息处理：车辆进入时，当车辆能正常被检测到并通过跟踪轨迹，提取一张图片，分别进行车辆属性识别、车辆检测和识别，当有车牌识别结果后，记录车辆信息并统计数量；若车牌没有被检测到或者没有车牌识别结果，则直接把车辆属性结果一起提交并进行人工预警；若没有检测到车辆，则不做任何处理；车辆离开时，与车辆进入时的不同之处在于：在识别到车牌结果和属性时，要和数据库的车辆信息进行查询和比对，若查询到并结果一致，则进行停车时间统计和金额统计，付款后开闸机放行，否则上报信息并进行人工预警。

10、优选地，在进行车辆和车牌检测时，使用的目标检测算法为yolov4。

11、进一步优选地，在车辆和车牌检测时，使用到的yolov4算法主要使用的损失函数为ciou，可表示为：

12、

13、其中，

14、

15、

16、

17、b，bgt分别代表anchor框和目标框的中心点，ρ(·)表示欧式距离，c代表的是能够同时覆盖anchor框和目标框的最小矩形的对角线距离，a代表anchor框，b代表目标框，ω，h分别表示预测框的宽和高，ωgt，hgt分别为真实框的宽和高。

18、优选地，所述车辆属性包括车辆的颜色和车型。

19、优选地，在进行目标跟踪和图片挑选时，使用的目标跟踪算法为sort。

20、优选地，在进行车牌识别时，使用的字符识别算法为crnn。

21、优选地，在车辆属性识别时，使用的神经网络算法为resnet-18。

22、优选地，在车辆信息处理时，车辆信息包括车牌字符内容和车辆属性。

23、优选地，在目标跟踪和图片挑选时，每个轨迹保留一张图像。

24、优选地，数据集采集和标注时，是通过摄像头采集2020欧洲杯投注官网 数据的。

25、本发明至少具有以下有益效果：

26、本发明通过基于深度学习的方法对车辆检测和跟踪，并对车辆进行车牌检测和识别，同时对车辆进行属性识别。在对车辆进行检测和跟踪时，在车辆轨迹中挑选一张质量较好的图像用来做车牌检测和车辆属性识别，减少了一直识别的耗时，节省了资源，同时也有效避免了使用手机拍摄的车牌图片用来使片区闸机开放的可能，车辆属性识别的信息在车辆离开等待验证时，也可以用来有效规避套牌车或者车牌造假等问题。

技术特征：

1.一种基于边缘设备的车辆统计管理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在进行车辆和车牌检测时，使用的目标检测算法为yolov4。

3.根据权利要求2所述的基于边缘设备的车辆统计管理方法，其特征在于，在车辆和车牌检测时，使用到的yolov4算法主要使用的损失函数为ciou，可表示为：

4.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，所述车辆属性包括车辆的颜色和车型。

5.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在进行目标跟踪和图片挑选时，使用的目标跟踪算法为sort。

6.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在进行车牌识别时，使用的字符识别算法为crnn。

7.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在车辆属性识别时，使用的神经网络算法为resnet-18。

8.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在车辆信息处理时，车辆信息包括车牌字符内容和车辆属性。

9.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，在目标跟踪和图片挑选时，每个轨迹保留一张图像。

10.根据权利要求1所述的基于边缘设备的车辆统计管理方法，其特征在于，数据集采集和标注时，是通过摄像头采集2020欧洲杯投注官网 数据的。

技术总结
本发明公开了一种基于边缘设备的车辆统计管理方法，属于车辆统计管理技术领域。所述方法包括：数据集采集和标注、车辆和车牌检测、目标跟踪和图片挑选、车牌识别、车辆属性识别、车辆信息处理。本发明通过基于深度学习的方法对车辆检测和跟踪，并对车辆进行车牌检测和识别，同时对车辆进行属性识别，在对车辆进行检测和跟踪时，在车辆轨迹中挑选一张质量较好的图像用来做车牌检测和车辆属性识别，减少了一直识别的耗时，节省了资源，同时也有效避免了使用手机拍摄的车牌图片用来使片区闸机开放的可能，车辆属性识别的信息在车辆离开等待验证时，也可以用来有效规避套牌车或者车牌造假等问题。

技术研发人员：张祥祥,沈修平
受保护的技术使用者：上海悠络客电子科技股份有限公司
技术研发日：
技术公布日：2024/3/21