yolov3识别的类别_车型识别相关技术

原文链接：https://blog.csdn.net/weixin_36431018/article/details/112369786

在交通安防中，车型识别是一个重要的技术点，车型识别主要包括车辆检测、型号识别、颜色识别，基于视频的车型识别，还包括跟踪算法的设计。我们在19年开源了一套车型识别模型HyperVID:
https://github.com/zeusees/HyperVID​github.com

2020年7月对该模型进行了进一步更新，目前支持大陆超过4000种车型及年款。感兴趣的技术人员可以关注一下。下面我们将其中涉及的技术进行拆解。

1.数据

我们知道，基于深度学习的识别算法，强烈依赖于数据的规模和质量，首先需要准备大量的车型数据，目前公开的车型数据集主要包括：

1）BIT-Vehicle Dataset（目前网站已不能访问，需要下载可以自行百度查找下载链接）

2）MIT Cars Dataset（https://ai.stanford.edu/~jkrause/cars/car_dataset.html）

3）The CompCars dataset（CompCars Dataset）

单纯利用公开的数据，很难获得较高的准确率，一方面开源的数据集样本数量不足，另外样本的角度、场景不够丰富，这些都制约模型的准确率。我们的实习生也下载了一些数据，大家可以在仓库中下载。

2.车辆检测

目前已经有很多较好的检测算法，例如：SSD、YOLOV3、YOLOV4、CenterNet、RetinaNet，还有针对单一物体检测的算法，包括：MTCNN、RetinaFace、LFFD（YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices），我们在进行车型识别的时候，主要选择了YOLOV3作为多物体检测框架，RetinaFace作为单一物体检测框架。大家可以根据自己的需求进行选择。

3.跟踪

跟踪算法很多，这里只关注实战中效果好，够快的算法，我们选择KCF及光流。不同的算法实现效率差别很大，我们测试过很多开源的算法，github上这个KCF算法的实现效率比较高（joaofaro/KCFcpp），基于光流的算法大家可以利用opencv实现。

这里 mobilenet-ssd with kcf （apoorvavinod/Real_time_Object_detection_and_tracking）是一个检测加跟踪的例子，大家可以作为参考。

4.车辆颜色识别

关于车辆外观颜色的识别，公安部有相应的标准，需要支持其中主流的9种颜色，目前很多公司都会增加识别颜色的类别，11种、13种的都比较多。在车辆颜色识别这一块，我们选择单独的一个小网络来实现，有些公司采用一个多任务网络，在进行车辆种类识别的同时，完成颜色的识别，这种方式速度很相对快一点，但是升级起来比较麻烦，每次都要进行多任务的训练，并且多任务的网络训练起来也相对复杂。因为市面上车辆的颜色种类相对固定，颜色识别模型只需要训练一次，就可以在后期复用。颜色分类比较简单，大家可以自己选择一个小网络进行训练，其中shufflnet、SqueezeNet、mobilenet-0.25都是比较好的模型。

5.车辆种类识别

车辆种类识别，正常来讲属于fine-grained任务，就是所谓的细分类，目前有很多论文研究细分类的问题，工业界的实现通常有别于学术界，我们通常选择一个高效的网络，直接进行分类，同样可以得到较好的识别效果。我们大多针对移动端和边缘设备，我们选取了mobilenetv3-large作为主干网络，在5600种车型分类中，Top-1可以达到96%的准确率。Top-3能达到99.8%以上。根据我们的经验，利用resnet50基本可以满足车辆识别分类任务，再大的网络意义也不是很大，毕竟要兼顾准确率和速度。

6.后记

可以看到，整个车辆识别系统种，除了跟踪部分，我们都选择了基于深度模型进行识别，一方面深度学习能够取得较好的识别效果，另外目前的边缘设备，服务器，都有基于GPU、TPU的加速模块，能够释放CPU的压力。也是目前技术发展的一个趋势，感兴趣的朋友可以自己尝试开发一下。

7.相关链接

1）在线体验：智云视图-专注移动端高效视觉算法研发

2）SqueezeNet：forresti/SqueezeNet

3）RetinaFace：https://github.com/biubug6/Pytorch_Retinaface

4）QQ群：737677707
相关资源：Python+OpenCv实现车牌检测与识别