车辆识别视频

yolov5车辆识别视频

车牌识别视频

车辆识别、目标检测源码+超详细教程http://www.hedaoapp.com/goods/goodsDetails?pid=4132

我们首先介绍一下最原始的YOLO模型，然后简要介绍一下YOLOv5版本的改进，主要通过具体的例子一起看看怎么把YOLOv5模型用好。

YOLOv1的网络结构并没有什么特别，和我们熟悉的图像分类一样都是卷积神经网络，但它的输出向量却不太一样。如果把神经网络看作我们熟悉的回归分析问题，那YOLO做的事情就是改变了模型响应Y的结构，而这也奠定了YOLO目标检测的基础。YOLO的输出向量不仅包括目标的类别，还有边界框的坐标和预测的置信度。它的核心思想在于把图像分割成S*S的若干个小块，在每个格子中预先放置两个边界框，通过卷积神经网络预测得到每个边界框的坐标、类别和置信度，然后通过非极大值抑制获得局部唯一的预测框。

        经过若干年的版本迭代，YOLOv5的网络结构博采众长，已经变得格外复杂，主要包括在Backbone中通过卷积和池化网络结构提取特征，在Neck部分不断地和之前提取的特征进行融合，Head部分则是用来进行最终的检测和输出，如下图所示。 

我们今天选取YOLOv5作为介绍，一方面是因为从最终效果来看YOLOv5已经相当优秀，是发展的比较完备、使用比较广泛的一个版本；而更重要的是YOLOv5的调用、训练和预测都十分方便，为初学者提供了良好的练手工具。YOLOv5的另一个特点就是它为不同的设备需求和不同的应用场景提供了大小和参数数量不同的网络。

 如图所示，大一点的模型比如YOLOv5l和YOLOv5x参数更多，在大规模的COCO数据集上有更高的预测准确率；而小模型比如YOLOv5n或YOLOv5s占空间更小，适合部署在移动设备上，且推理速度更快，适合于高帧率视频的实时检测。

3. 数据介绍

3.1 数据标注格式转换

我们采用真实公开的人脸识别数据集WIDER FACE进行YOLOv5模型的训练和测试，数据开源于http://shuoyang1213.me/WIDERFACE/ 。数据集相关信息可以访问网站主页。

为了进行目标检测，一个重要的步骤是进行数据标注。如果数据集已经完成标注的，则可以考虑是否需要格式转换。

下面以WIDER人脸数据集为例

1.下载下面的四个压缩包，并放在同一个文件夹内

WIDER Face Training Images

WIDER Face Validation Images

WIDER Face Testing Images

Face annotations

2. 在同一目录下解压4个压缩包，在当前目录下运行convert.py 转化为VOC格式数据集，完整代码如下：
 

# -*- coding: utf-8 -*-import shutil
import random
import os
import string
from skimage import ioheadstr = """\
VOC2012%06d.jpgMy DatabasePASCAL VOC2012flickrNULLNULLcompany%d%d%d0
"""
objstr = """\
"""tailstr = '''\

'''def writexml(idx, head, bbxes, tail):filename = ("Annotations/%06d.xml" % (idx))f = open(filename, "w")f.write(head)for bbx in bbxes:f.write(objstr % ('face', bbx[0], bbx[1], bbx[0] + bbx[2], bbx[1] + bbx[3]))f.write(tail)f.close()def clear_dir():if shutil.os.path.exists(('Annotations')):shutil.rmtree(('Annotations'))if shutil.os.path.exists(('ImageSets')):shutil.rmtree(('ImageSets'))if shutil.os.path.exists(('JPEGImages')):shutil.rmtree(('JPEGImages'))shutil.os.mkdir(('Annotations'))shutil.os.makedirs(('ImageSets/Main'))shutil.os.mkdir(('JPEGImages'))def excute_datasets(idx, datatype):f = open(('ImageSets/Main/' + datatype + '.txt'), 'a')f_bbx = open(('wider_face_split/wider_face_' + datatype + '_bbx_gt.txt'), 'r')while True:filename = f_bbx.readline().strip('\n')if not filename:breakim = io.imread(('WIDER_' + datatype + '/images/' + filename))head = headstr % (idx, im.shape[1], im.shape[0], im.shape[2])nums = f_bbx.readline().strip('\n')bbxes = []if nums=='0':bbx_info= f_bbx.readline()continuefor ind in range(int(nums)):bbx_info = f_bbx.readline().strip(' \n').split(' ')bbx = [int(bbx_info[i]) for i in range(len(bbx_info))]# x1, y1, w, h, blur, expression, illumination, invalid, occlusion, poseif bbx[7] == 0:bbxes.append(bbx)writexml(idx, head, bbxes, tailstr)shutil.copyfile(('WIDER_' + datatype + '/images/' + filename), ('JPEGImages/%06d.jpg' % (idx)))f.write('%06d\n' % (idx))idx += 1f.close()f_bbx.close()return idxif __name__ == '__main__':clear_dir()idx = 1idx = excute_datasets(idx, 'train')idx = excute_datasets(idx, 'val')print('Complete...')

基于视频图像处理技术的车牌识别，通过安装在道路旁边或闸机等卡口处的摄像机和图像采集设备将实时的视频信息采入，经过对视频图像的实时处理分析得到各种信息，如车牌颜色、车牌号码、车型、车辆颜色等。

由于车牌识别停车系统要进行视频目标车辆的检测，所以它需要具有较高的处理速度和优秀的AI算法，几乎可以不丢失帧来实现图像的采集和处理。如果处理速度慢，会发生帧丢失，导致系统无法检测到速度快的车辆，难以保证车牌识别处理，从而影响系统的识别率。

相对于其它交通流量检测技术而言，基于视频的车辆识别技术具有以下优势：
1）视频检测可以检测较大的交通场景面积；
2）视频传感器等设备，例如摄像头，易于安装和调试，且对路面设施不会产生破坏；
3）使用视频检测技术可以采集到更多的交通流量参数。

TSINGSEE青犀视频开发的EasyCVR视频融合平台具备的车牌识别功能，基于车牌定位、车牌字符分割和OCR识别算法，快速提取图像中的车牌并输出结果。针对雨雾天气、复杂光线、夜间等复杂环境，也能保障识别率。相对于传统取卡入场，车牌识别通行免停车、免开窗，提升了用户体验，降低了停车场IC卡片遗失耗损的成本，提升了车主的通行效率。