1.一种车辆集成视觉识别方法,其特征在于,包括:
构建车辆集成视觉识别算法模型,其中,所述车辆集成视觉识别算法模型包括集成选择模型和多视角检测模型,所述多视角检测模型包括无人机视角检测模型、电子警察视角检测模型、路人视角检测模型;
利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习,得到训练后的多视角检测模型;
识别待检测视频的视角类型,所述集成选择模型根据所述待检测视频的视角类型调用所述训练后的多视角检测模型中与所述待检测视频匹配的车辆检测模型;
利用所述匹配的车辆检测模型检测所述待检测视频中车辆信息,输出检测结果。
2.如权利要求1所述的车辆集成视觉识别方法,其特征在于,所述无人机视角检测模型采用YOLOv4算法模型。
3.如权利要求2所述的车辆集成视觉识别方法,其特征在于,所述YOLOv4算法模型包括:主体YOLOv3算法、骨干网络CSPDarknet53、附加模块SPP、PANet网络和Prediction模块。
4.如权利要求1所述的车辆集成视觉识别方法,其特征在于,利用多视角下日间、雾天、雨天的数据集对所述多视角检测模型训练学习包括:放大采集的无人机视角视频中的车辆特征;
对放大车辆特征后的无人机视角视频分帧;
利用标注软件对分帧后的照片进行车辆标注和反标注,得到所述无人机视角检测模型的训练集;
根据所述训练集对所述无人机视角检测模型进行预训练;
利用预训练后的无人机视角检测模型对车辆特征进行深度学习,并结合反标注标签的反例识别进行纵向训练,得到训练完成的无人机视角检测模型。
5.如权利要求1所述的车辆集成视觉识别方法,其特征在于,所述多视角下日间、雾天、雨天的数据集包括:无人机视角下日间、雾天、雨天不同型号的车辆视频、电子警察视角下日间、雾天、雨天不同型号的车辆视频、路人视角下日间、雾天、雨天不同型号的车辆视频。
6.如权利要求1所述的车辆集成视觉识别方法,其特征在于,所述电子警察视角检测模型与所述路人视角检测模型均采用YOLOv3算法模型。
7.如权利要求6所述的车辆集成视觉识别方法,其特征在于,所述YOLOv3算法模型包括:骨干网络DarkNet53、多尺度预测网络和激活函数sigmoid。
8.如权利要求1所述的车辆集成视觉识别方法,其特征在于,所述车辆集成视觉识别算法模型还包括:夜间红外视频检测模型,所述夜间红外视频检测模型采用YOLOv4算法模型。
9.如权利要求8所述的车辆集成视觉识别方法,其特征在于,所述夜间红外视频检测模型识别过程对车辆红外图像中红色高温区域进行正向识别和反向识别。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述一种车辆集成视觉识别方法的步骤。