【技術實現步驟摘要】
本專利技術屬于圖像數據處理，提供一種基于目標檢測技術的校外車輛智能安全導引方法及系統，并且涉及一種yolov8算法模型進行車輛的速度和車牌的檢測。
技術介紹
1、yolo系列算法是單階段算法，單階段算法結構簡潔具有更快的識別速度。yolo系列算法具有高效性和準確性，特別是最新的yolov8算法。yolov8能夠實時檢測圖像中的目標，并輸出帶有相應邊界框的對象，被廣泛用于檢測場景中的物體，如車輛等。
2、bytetrack是基于tracking-by-detection范式的跟蹤方法。通過相似度來關聯幀間的檢測框得到跟蹤軌跡。bytetrack的核心在于byte，可以套用任何自身的檢測算法，把自身檢測結果輸入跟蹤器即可。當yolov8與bytetrack結合使用時，yolov8快速并準確地檢測出視頻中的目標；同時bytetrack利用yolov8提供的信息，對目標進行精確追蹤，有助于解決復雜場景下的目標追蹤問題。
3、pytorch，主要是針對深度神經網絡開發而來的，作為torch的python版本，為gpu加速的深度神經網絡設計，提供了一個直觀且強大的平臺來構建和訓練神經網絡。pytorch的兩大核心特性是：高效的gpu加速張量運算和自動微分機制，這兩點極大地提高了模型開發的效率和便捷性。pytorch的計算圖是動態的，允許用戶構建和修改神經網絡，可以實時地修改計算圖。
4、yolov8的實現基于pytorch，yolov8在pytorch框架中構建，繼承了pytorch的這些優點，使得它成為
5、現在的校園汽車導航系統越來越依賴于移動應用程序，不能及時根據用戶行為，為用戶提供精準的位置信息和路線指引，且導航系統需要定位權限，一定程度侵犯了用戶的隱私。并且對于大量的監控視頻資料，學校需要有相應的監控人員去處理，需要存儲解決方案來保存，需要面臨設備維護成本高、監控人員不足等問題，不能快速找到違規車輛，提升校園智能化程度。
技術實現思路
1、專利技術目的：為解決需要定位權限和面臨一些成本和監控人員不足等問題，本專利技術提供了一種基于目標檢測技術的校外車輛智能安全導引方法及系統，通過對用戶行為的數據收集與分析，進一步優化路徑規劃算法，提高導航效率，同時也改善了校園管理和設施布局。
2、經過測試，該系統不再需要額外獲取用戶定位權限，并且通過該系統大幅度降低人力等成本，通過該系統實現部分智能化監控，大幅度降低校園管理者的管理難度，有效提升校園交通的安全性和管理效率。
3、本專利技術包括用戶端和管理員端，解決其技術問題所采用的技術方案包括如下步驟：
4、(1)首先對校外車輛用戶在微信小程序填寫的出入數據進行存儲，并且對校園所在的各個攝像頭位置信息進行存儲；
5、(2)通過校園監控系統中的某個攝像頭識別道路情況信息，并對系統上傳實時視頻數據，利用訓練生成好的模型實時識別該數據并獲取視頻中車輛的車牌及車速等數據信息，并對這些數據與用戶填寫數據進行一一對應存儲及保存；
6、(3)在某個攝像頭識別出來車輛，對該車輛用戶的微信小程序頁面進行位置更新，更新為當前車輛所在的攝像頭的位置，若偏離剛開始的路線，系統將通過路徑算法實時更新用戶行駛路線；
7、所述步驟(1)中，校外車輛用戶通過對二維碼掃描進入微信小程序，校園內各處安裝的攝像頭位置信息由校園管理員負責收集并以保密方式存儲，防止被惡意破壞。存儲每個攝像頭位置用經緯度進行存儲，通過距離賦于每個攝像頭對應的權值。
8、所述步驟(2)中，其所述訓練生成好的模型過程，步驟包括
9、(1a)收集校園常見行駛車輛的圖片作為檢測圖片；
10、(1b)對收集的車輛檢測圖片進行相應的數據標記，并輸出為.txt文件，并對該文件進行格式轉化；
11、(1c)將格式轉化后的文件劃分為訓練集和驗證集；對yolov8模型安裝，并設置yolov8模型參數；
12、(1d)根據所轉化的訓練集對yolov8模型進行訓練，并輸出訓練后的yolov8模型；
13、(1e)根據驗證集對訓練后的yolov8模型進行測試，并輸出準確率n，當準確率達標時，輸出該模型；
14、所述步驟(1b)中，其所述數據標記輸出的.txt文件。對于每個.txt文件中，每一行代表圖像中的一個單獨的對象，并且包含五個歸一化的值，如下：
15、(1)對象類別索引：一個整數，表示對象所屬的類別；
16、(2)邊界框中心點相對于圖像寬度的比例：一個浮點數，范圍從0到1；
17、(3)邊界框中心點相對于圖像高度的比例：一個浮點數，范圍從0到1；
18、(4)邊界框寬度相對于圖像寬度的比例：一個浮點數，范圍從0到1；
19、(5)邊界框高度相對于圖像高度的比例：一個浮點數，范圍從0到1；
20、所述步驟(1c)中，所生成的yolov8模型中，yolov8算法使用多部分的損失函數來優化定位和分類性能。
21、總損失函數如式(1)所示
22、l＝λcoord·lloc+lconf+λclass·lclass????(1)
23、λcoord和λclass是權重系數，用于平衡不同損失項的重要性；lloc是定位損失；lconf是置信度損失；lclass是分類損失。
24、定位損失如式(2)所示，定位損失衡量的是預測的邊界框與真實邊界框之間的差距。
25、
26、是指示變量，當第i個網格單元第j個邊界框負責預測目標時為1，否則為0；x，y是邊界框中心點的坐標；w，h是邊界框的寬度和高度。
27、置信度損失如式(3)所示，置信度損失衡量的是預測的置信度分數與實際值之間的差距。
28、
29、c是置信度分數。λnoobj是當沒有物體時置信度損失的權重系數；是指示變量，當第個網格單元第j個邊界框不負責預測目標時為1，否則為0；
30、分類損失如式(4)所示，分類損失衡量的是預測的圖片類別概率與實際圖片類別標簽之間的差距。
31、
32、p(c)是預測的類別概率；是真實的類別標簽。是指示變量，當第i個網格單元包含物體時為1，否則為0。
33、其所述的步驟(1e)中，對于其所述訓練生成好的模型為yolov8模型，所謂準確率n就是訓練后的yolov8模型正確驗證的樣本數占驗證集總樣本數的比例。將準確率n與達標率n0進行比對，并根據比對結果對訓練后的yolov8模型的訓練達標結果進行判斷。
34、當n≥n0時，判定yolov8模型訓練已經達標，并將訓練好的yolov8模型輸出保存；
35、當n<n0時，判定yolov8模本文檔來自技高網...
【技術保護點】
1.一種基于目標檢測技術的校外車輛智能安全導引方法及系統，其特征在于：包括以下步驟：
2.根據權利要求1所述的校外車輛智能安全導引方法及系統，其特征在于其所述步驟(1)中，校外車輛用戶通過對二維碼掃描進入微信小程序，校園內各處安裝的攝像頭位置信息由校園管理員負責收集并以保密方式存儲，防止被惡意破壞。
3.根據權利要求1所述的校外車輛智能安全導引方法及系統，其所述步驟(2)中，其所述訓練生成好的模型過程，其特征在于，包括：
4.根據權利要求1所述的訓練生成好的模型過程，其所述的步驟(1b)中，其所述數據標記輸出的.txt文件。對于每個.txt文件中，每一行代表圖像中的一個單獨的對象，并且包含五個歸一化的值，如下：
5.根據權利要求1所述的訓練生成好的模型過程，其所述的步驟(1c)中，其所述YOLOv8模型中，Yolov8官方代碼中，目標檢測網絡模型中一共有五個，分別是Yolov8n、Yolov8s、Yolov8m、Yolov81、Yolov8x五個模型。其中YOLOv8n是最快和最小的，因此本專利專利技術選擇Yolov8n作為檢測車輛
6.根據權利要求3所述的訓練生成好的模型過程，其所述的步驟(1c)中，其所述YOLOv8模型中，Yolov8算法使用多部分的損失函數來優化定位和分類性能。多部分損失函數如下：
7.根據權利要求1所述的訓練生成好的模型過程，其所述的步驟(1e)中，其所述訓練生成好的模型為Yolov8模型，所謂準確率N就是訓練后的YOLOv8模型正確驗證的樣本數占驗證集總樣本數的比例。將準確率N與達標率N0進行比對，并根據比對結果對訓練后的YOLOv8模型的訓練達標結果進行判斷；
8.根據權利要求1所述的校外車輛智能安全導引方法及系統，其所述步驟(3)中，路徑算法其特征，包括為：
...【技術特征摘要】
1.一種基于目標檢測技術的校外車輛智能安全導引方法及系統，其特征在于：包括以下步驟：
2.根據權利要求1所述的校外車輛智能安全導引方法及系統，其特征在于其所述步驟(1)中，校外車輛用戶通過對二維碼掃描進入微信小程序，校園內各處安裝的攝像頭位置信息由校園管理員負責收集并以保密方式存儲，防止被惡意破壞。
3.根據權利要求1所述的校外車輛智能安全導引方法及系統，其所述步驟(2)中，其所述訓練生成好的模型過程，其特征在于，包括：
4.根據權利要求1所述的訓練生成好的模型過程，其所述的步驟(1b)中，其所述數據標記輸出的.txt文件。對于每個.txt文件中，每一行代表圖像中的一個單獨的對象，并且包含五個歸一化的值，如下：
5.根據權利要求1所述的訓練生成好的模型過程，其所述的步驟(1c)中，其所述yolov8模型中，yolov8官方代碼中，目標檢測網絡模型中一共...
【專利技術屬性】
技術研發人員：朱思峰，史科選，張青華，張宗輝，黃長龍，
申請(專利權)人：天津城建大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。