[發明專利]一種基于深度學習的車輛品牌型號識別方法

有效

• 申請號: 201510744974.5
• 申請日: 2015-11-30
• 公開（公告）號: CN105488517B
• 公開（公告）日: 2019-03-26
• 發明（設計）人: 曾凡濤
• 申請（專利權）人: 杭州全實鷹科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 郭小麗

本發明公開了一種基于深度學習的車輛品牌型號自動識別方法，該方法針對車輛品牌型號識別設計了一種穩健的深度卷積網絡結構，采用深度卷積網絡提取車臉區域在不同尺度下的圖像特征，再結合支撐向量機對其進行分類，自動完成車輛品牌型號的識別，該方法具有極高的識別準確度。

技術領域

本發明涉及圖像模式識別及智能交通領域，具體是關于智能交通系統中自動識別高清卡口抓拍圖片中的機動車輛的品牌型號的一種方法。

背景技術

經濟的飛速發展，促使機動車數量急劇上升，涉車犯罪亦越來越頻繁，如何快速鎖定嫌疑車輛就顯得非常重要。偵破此類案件的過程中，車牌雖然能夠提供權威的車輛信息，但對于假牌、套牌車卻無能為力。為了有效解決這一問題，本發明提出了一種全新的能夠自動識別出高清卡口抓拍圖片中車輛的品牌型號的方法，有關部門將車輛品牌型號信息與車輛的其他信息(車牌、車身顏色等)相結合可以有效的查處假牌、套牌車輛。

發明內容

本發明針對高清監控攝像機拍攝的卡口圖片，設計了一種自動識別圖片中車輛的品牌型號的方法，該方法支持自動識別不低于三千種車輛的品牌型號。

本發明的技術方案，一種基于深度學習的車輛品牌型號識別方法，包括以下步驟：

S1、準備數據集。本發明從不同城市的高清卡口點位搜集準備了2000多萬張抓拍圖片，經過人工篩選，根據車輛的品牌型號精確分成三千多類，建立了基本涵蓋各種條件的車輛品牌型號圖片數據庫。然后再利用車牌識別技術精確定位卡口圖片中的車牌位置，根據車牌位置信息準確估計車臉區域(車臉區域與車牌的位置關系參見附圖2)，再將車臉區域圖像進行尺度歸一化處理。

S2、針對車輛品牌型號的識別任務設計一種新的深度卷積網絡結構。

本發明設計的深度卷積網絡由1個輸入層，4個卷積層(分別用C1、C2、C3、C4來表示)，4個下采樣層(分別用P1、P2、P3、P4來表示)，2個全連接層(分別用F1、F2來表示)和1個輸出層(用SoftMax來表示)組成。其中卷積是一種通過兩個函數生成第三個函數的一種數學算子。下采樣是指計算圖像一個區域的某一特征值的過程，常見的有以區域的平均值或區域的最大值來作為下采樣后的特征值。全連接是指把當前層和下一層全部連接起來的一種網絡結構。

本發明設計的深度卷積網絡結構主要有兩點優勢：(1)能夠有效的組織不同尺度的卷積圖像特征為識別所用，融合不同尺度的卷及特征具體體現在本發明設計的深度卷積網絡的F1層；(2)能夠有效的提取車臉圖像的全局特征和局部特征，增強特征的表達辨識能力，本發明設計的深度卷積網絡中C1層和C2層提取的為全局圖像特征，C3層和C4層提取的為局部圖像特征。(詳細分析請參見具體實施例)

鑒于本發明設計的深度卷積網絡結構具有以上兩點優勢，利用該網絡提取的圖像特征具備極強的魯棒性和區分度。

S3、訓練深度卷積網絡，得到每個層的網絡權值。本發明采用了經典的反向傳導算法來訓練深度卷積神經網絡，所述反向傳導算法包括前向傳播和反向傳播兩個過程。在訓練開始前，網絡的初始權值采用隨機數進行初始化，前向傳播過程中網絡利用系統的輸入，得到網絡結構中各個層的激勵值，輸出層利用網絡輸出值和目標值求差可得到整個網絡的預測誤差，誤差沿著網絡反向傳播回去，可以計算得到每個隱藏層的誤差，每層的激勵值和誤差的乘積就是該層權值的梯度，網絡權值加上權值對應的梯度與某一比例因子的乘積后就完成了一次權值更新。如此反復迭代多直到網絡輸出誤差滿足要求時停止。

S4、利用深度卷積網絡提取車臉區域的圖像特征。

將車臉區域圖像輸入到本發明設計的深度卷積網絡結構中，計算出的F1層和F2層結果均可作為車型識別的特征輸入，F1層特征維度較高，稀疏程度較高，存在較多的冗余信息，F2層是F1層經過降維后的特征，保留了區分度較高特征部分，能更好地描述車臉區域。本發明采用F2層的輸出作為最終用于識別的特征描述子。