一种载木车辆检测识别及跟踪方法与流程

技术特征：
1.一种载木车辆检测识别及跟踪方法，其特征在于，包括以下步骤：step1、通过交通摄像头获取图片数据；step2、对获取的车辆图像进行标记，用矩形框在图像中框选出目标车辆；step3、将采集和标注的数据集划分为训练集和验证集两个部分；step4、将训练集输入检测模型并对模型中的卷积核、分类器、回归器进行训练，得到训练好的载木车辆检测模型的网络参数，并通过验证集对模型进行检测结果测试；在训练过程中，通过学习率的调整和损失函数的调整对模型进行改进；step5、保存训练好的模型，并将模型上传至云平台；step6、通过摄像头获取待检测车辆照片，并将待检测照片上传至云平台；step7、取检测结果并将检测结果保存至数据库；step8、前端界面查看检测结果并进行盗砍盗伐判定；step9、对判定盗砍盗伐的载木车辆的车辆信息进行提取，并与不同路段的多个摄像头摄取的道路行驶车辆图像信息进行比对，对不同帧的载木车辆信息进行提取，提取出车牌好、信息、路段地点，形成盗砍盗伐的载木车辆的路径信息。2.根据权利要求1所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的step4中对学习率的调整方法为：在一个完成的训练周期内，通过函数y＝αx β对一个训练周期内的n个损失点进行拟合，其中α表示损失震荡系统，通过α作为学习率更新的条件并确定学习率的衰减程度，当α＜0时，当前模型损失为下降趋势，应当保持学习率不变；当α＞0时，当前模型损失为上升趋势，应当更新学习率，设γ为学习率，i为当前迭代轮次，因此学习率更新公式为：其中，λ表示学习率的衰减倍率。3.根据权利要求3所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的学习率衰减倍率λ＝0.5。4.根据权利要求1所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的step4中损失函数的调整方法为：在原有损失函数中加入giou损失，giou预测边界框与真实边界框之间的位置关系融入到损失函数中；假设a为真实边界框，b为预测边界框，c为能容纳真实边界框和预测边界框在内的最小矩形框，因此giou的计算公式为：其中union
ab
表示a和b的并集。5.根据权利要求1所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的step4中对检测模型中的卷积核、分类器、回归器进行训练采用rcnn、yolov3、retinanet三种模型，并对检测效果进行对比，根据对比结果选取其中一种模型。6.根据权利要求1所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的
step4中，对检测模型的检测结果测试时，采用ap算法对检测结果进行评价。7.根据权利要求6所述的一种载木车辆检测识别及跟踪方法，其特征在于，所述的目标检测的评价指标包括召回率r、准确率p和平均精度ap，其中以tp表示正类被预测为正类，tn表示负类被预测为负类，fp表示负类被预测为正类，fn表示正类被预测为负类，n表示取样数，k表示类别总数；召回率的计算公式为：准确率的计算公式为：平均精度的计算公式为：

技术总结
一种载木车辆检测识别及跟踪方法，主要步骤包括：S1通过交通摄像头获取图片数据；S2对获取的车辆图像进行标记，用矩形框在图像中框选出目标车辆；S3将采集和标注的数据集划分为训练集和验证集两个部分；S4将训练集输入检测模型中进行训练，并通过验证集测试模型的好坏；S5保存训练好的模型，并将模型上传至云平台，在训练过程中通过对学习率和损失函数的调整，让检测模型可以及时收敛避免瞬时反复震荡无法收敛，通过加入GIoU损失解决真实边界框和预测边界框交集为空时梯度为0的缺陷，有效反应真实边界框与预测边界框之间的距离，本发明建立了一种科学的，合理的载木车辆检测和跟踪方法，从而减轻了人工检测和跟踪的时间和成本，具有较高的准确性。具有较高的准确性。具有较高的准确性。


技术研发人员：郑成 彭宝钗 徐义鎏 陈华 丁峰
受保护的技术使用者：三峡大学
技术研发日：2021.06.03
技术公布日：2021/10/19