[發(fā)明專利]一種基于深度學(xué)習(xí)的前車車臉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201511006944.0
• 申請(qǐng)日: 2015-12-30
• 公開（公告）號(hào): CN105590102A
• 公開（公告）日: 2016-05-18
• 發(fā)明（設(shè)計(jì)）人: 舒泓新;蔡曉東;陳超村;王愛華
• 申請(qǐng)（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(hào): G06K9/00
• 分類號(hào): 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

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種基于深度學(xué)習(xí)的前車車臉識(shí)別方法。

背景技術(shù)

目前智能交通系統(tǒng)中對(duì)交通監(jiān)控系統(tǒng)的魯棒性和可靠性的要求越來越高，交通系 統(tǒng)中識(shí)別套牌車從而整治交通違規(guī)甚至犯罪逃犯，車臉識(shí)別與車牌識(shí)別結(jié)合對(duì)于識(shí)別套牌 車是一種很有效的方法；目前傳統(tǒng)識(shí)別車臉識(shí)別方法有以下兩種：根據(jù)車標(biāo)識(shí)別結(jié)果進(jìn)行 車輛品牌分類方法和根據(jù)前車車臉紋理特征進(jìn)行分類識(shí)別；前一種方法通過在圖像中搜索 定位車標(biāo)所在區(qū)域，再通過圖像模式識(shí)別的方法對(duì)車型進(jìn)行分類，該方法可對(duì)常見品牌的 車輛進(jìn)行分類，但對(duì)同品牌不同款的車輛缺乏精確分類的能力。后一種方法由于不同品牌 的車輛，以及同品牌不同款的車輛的前部圖像的散熱片和車燈的布局和形狀都存在差異， 所以存在三個(gè)技術(shù)難題，一是前車臉圖像難以準(zhǔn)確地定位截取，二是車臉圖像的幾何畸變 對(duì)識(shí)別率有一定的影響，三是待分類的類別比較多，分類器設(shè)計(jì)相對(duì)復(fù)雜。

發(fā)明內(nèi)容

針對(duì)目前傳統(tǒng)車臉識(shí)別的識(shí)別準(zhǔn)確率不高和分類器復(fù)雜的問題，本發(fā)明提供了一 種基于深度學(xué)習(xí)的前車車臉識(shí)別方法。

為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于深度學(xué)習(xí)的前車車臉識(shí)別方法， 其特征在于，所述識(shí)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(duì)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(duì)應(yīng)的5個(gè)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(gè)卷積池化層、1個(gè)局部特征融合層和2個(gè)全連 接層；

步驟S103：獲取待識(shí)別車輛圖片的前車車臉圖像，并對(duì)前車車臉圖像進(jìn)行模塊化預(yù)處 理，得到5個(gè)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(shí)別，最終得到與待識(shí)別車輛圖片相對(duì)應(yīng)的車輛型 號(hào)。

其中，構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括5個(gè)卷積池化層、1個(gè)局部特征融合層和2個(gè)全連接層； 所述卷積池化層用于對(duì)特征進(jìn)行抽取和對(duì)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(gè)特征向量上；5個(gè)卷積 池化層中卷積層的濾波器個(gè)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。

其中，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(duì)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； 所述經(jīng)典矩形法是指以車牌位置為基準(zhǔn)，按比例截取前車車臉圖像，所述比例采用經(jīng)典經(jīng) 驗(yàn)值來確定。

所述Adaboost算法具體如下：

其中，h_j表示簡(jiǎn)單分類器的值；θ_j為閾值；p_j表示不等號(hào)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。

其中，所述步驟S101和所述步驟S103中，對(duì)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(duì)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(gè)車臉局部圖像模塊。

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(gè)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(duì)概率分布進(jìn)行歸一化，使得所有概率之和為1；

將用一個(gè)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(jià)函數(shù)為：

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

的導(dǎo)數(shù)為：