[發(fā)明專利]一種基于深度學(xué)習(xí)的前車車臉識別方法

在審

• 申請?zhí)枺?/td>: 201511006944.0
• 申請日: 2015-12-30
• 公開（公告）號: CN105590102A
• 公開（公告）日: 2016-05-18
• 發(fā)明（設(shè)計）人: 舒泓新;蔡曉東;陳超村;王愛華
• 申請（專利權(quán)）人: 中通服公眾信息產(chǎn)業(yè)股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 濟(jì)南智圓行方專利代理事務(wù)所(普通合伙企業(yè)) 37231
• 代理人: 劉爾才

1.一種基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述識別方法具體為：

步驟S101：讀取交通卡口采集到的車輛圖片，并獲取前車車臉圖像，然后對前車車臉圖 像進(jìn)行模塊化預(yù)處理，每張車輛圖片得到對應(yīng)的5個車臉局部圖像模塊；

步驟S102：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并將車臉局部圖像模塊輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，并利用通過卷積神神經(jīng)網(wǎng)絡(luò)模型提取的全局車臉特征訓(xùn) 練Softmax分類器；其中卷積神經(jīng)網(wǎng)絡(luò)包括5個卷積池化層、1個局部特征融合層和2個全連 接層；

步驟S103：獲取待識別車輛圖片的前車車臉圖像，并對前車車臉圖像進(jìn)行模塊化預(yù)處 理，得到5個車臉局部圖像模塊；輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，得到全局車臉特征，并 利用訓(xùn)練好的Softmax分類器進(jìn)行分類識別，最終得到與待識別車輛圖片相對應(yīng)的車輛型 號。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述卷積神 經(jīng)網(wǎng)絡(luò)包括5個卷積池化層、1個局部特征融合層和2個全連接層；所述卷積池化層用于對特 征進(jìn)行抽取和對特征的保持，所述局部特征融合層用于融合分塊局部特征成整體特征，所 述全連接層用于把提取到的特征映射到一個特征向量上；5個卷積池化層中卷積層的濾波 器個數(shù)分別為96、128、128、256、1024，參數(shù)初始化采用隨機(jī)初始化，池化層池化方法采用最 大值池化。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述步驟 S101和所述步驟S103中，獲取前車車臉圖像具體為：采用LBP特征結(jié)合Adaboost分類器對車 輛圖片進(jìn)行前車車臉定位，再使用經(jīng)典矩形法來獲取前車車臉圖像。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述步驟 S101和所述步驟S103中，對前車車臉圖像進(jìn)行模塊進(jìn)行模塊化預(yù)處理具體為：對前車車臉 圖像先進(jìn)行灰度轉(zhuǎn)換，把RGB三通道前車車臉圖像轉(zhuǎn)為單通道灰度圖，再把灰度圖根據(jù)紋理 特征進(jìn)行分塊，得到5個車臉局部圖像模塊。

5.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述 Adaboost算法具體如下：

其中，h_j表示簡單分類器的值；θ_j為閾值；p_j表示不等號的方向，只能取；f_j(x)表示特 征值；

最終的強(qiáng)分類器為：(2)

其中，，；表示分類器的誤差，表示最小誤差的弱分 類器。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的前車車臉識別方法，其特征在于，所述 Softmax分類器具體算法為：

Softmax的假設(shè)函數(shù)為：

其中，y表示類標(biāo)，可取k個不同的值；表示訓(xùn)練集， ，j表示類別，表示類別j的概率值，表示模型 的參數(shù)，表示對概率分布進(jìn)行歸一化，使得所有概率之和為1；

將用一個的矩陣來表示，該矩陣是將按行羅列起來得到的， 如下所示：

其中，表示全部的模型參數(shù)，T表示轉(zhuǎn)置矩陣，K表示維數(shù)；

Softmax的代價函數(shù)為：

其中，表示權(quán)重衰減項，n表示類別數(shù)，m表示某一類別對應(yīng)的數(shù)量；

的導(dǎo)數(shù)為：

通過最小化，得到Softmax模型。