[發明專利]一種基于卡口圖像的車輛定位及型號識別方法

在審

• 申請號: 201610900576.2
• 申請日: 2016-10-15
• 公開（公告）號: CN107085696A
• 公開（公告）日: 2017-08-22
• 發明（設計）人: 朱文佳;陶詩德;駱樂樂;申建飛;劉莉
• 申請（專利權）人: 安徽百誠慧通科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/66;G06N3/08
• 代理公司: 合肥天明專利事務所(普通合伙)34115
• 代理人: 金凱

1.一種基于卡口圖像的車輛定位及型號識別方法，其特征在于:利用卡口圖像樣本集，訓練可檢測車輛型號的卷積神經網絡，對卡口系統拍攝的圖像中的車輛的定位及型號進行識別，包括以下步驟：

（1）樣本采集及標注：從高速公路卡口系統中采集車輛的源圖像，標注出源圖像中包含的每一輛車輛的位置及型號，將源圖像和標注信息作為卷積神經網絡的訓練樣本集；

（2）卷積神經網絡的設計：設計用于定位識別車輛的卷積神經網絡，將源圖像和標注信息輸入網絡的輸入層，網絡的中間層采用卷積層和全連接層提取特征，網絡的輸出層利用提取到的特征通過兩個輸出分支分別得到圖片中車輛的包圍盒和類型；

（3）卷積神經網絡的訓練：使用源圖像和標注信息對卷積神經網絡的參數進行迭代訓練，使其具備定位和識別車輛類型的功能；

（4）車輛定位及型號識別：根據訓練好的卷積神經網絡，對卡口系統拍攝的圖像中車輛所在位置進行定位，并判斷其所屬的型號。

2.根據權利要求1所述的一種基于卡口圖像的車輛定位及型號識別方法，其特征在于，所述步驟（1）中樣本收集過程如下：

大數據的樣本采集：根據現階段公路上行駛車輛的型號，按照每種型號至少100張樣本源圖像的要求，在從不同地域、不同路況的高速公路的卡口系統中采集不同時間段的源圖像樣本。

3.根據權利要求1所述的一種基于卡口圖像的車輛定位及型號識別方法，其特征在于，所述步驟（1）中樣本標注過程如下：

大數據的樣本標注：根據卡口自動獲取的車牌號，利用車管所的數據庫獲取車輛的型號；通過人工框選的方法得到源圖像中車輛位置的左上角和右下角坐標，將同一張源圖像中的所包含的所有車輛位置和類別信息都記錄在一個XML文檔中；對每一張車輛源圖像使用selective search分割，產生的分割快的坐標全部保存在一個ss.mat中。

4.根據權利要求1所述的一種基于卡口圖像的車輛定位及型號識別方法，其特征在于，所述步驟（2）中，卷積神經網絡的輸入層設計過程如下：

卷積神經網絡的輸入層為整個網絡輸入數據：訓練階段輸入的數據包括圖像數據，感興趣區域包圍盒，標定的目標包圍盒及其所屬類別的標簽；檢測階段的輸入層輸入的數據包括圖像數據和感興趣區域包圍盒。

5.根據權利要求1所述的一種基于卡口圖像的車輛定位及型號識別方法，其特征在于，所述步驟（2）中，卷積神經網絡的中間層設計過程如下：

卷積神經網絡的中間層為提取特征的卷積層和全連接層，網絡的結構為八層網絡結構，第一層和第二層分別是96個核大小為11*11和256個核大小為5*5的卷積層，每一層的后面設有一個用于降維的池化層；第三層、第四層、第五層是核大小為3*3的卷積層，卷積核數量分別是384、384和256個，其中第五層卷積層后設有一個ROI池化層，該ROI池化層用以實現前面的卷積層在整張圖片上的操作，并將卷積的結果映射到各個感興趣區域，同時產生一個固定大小的輸出作為全連接層一、全連接層二的輸入。

6.根據權利要求1所述的一種基于卡口圖像的車輛定位及型號識別方法，其特征在于，所述步驟（2）中，卷積神經網絡的輸出層采用分支結構的全連接層組合，其設計過程如下：

首先是全連接層一、全連接層二將所述ROI池化層的輸出作為輸入，產生一個4096為的特征向量；

然后將這個特征向量分別輸入到兩個分支結構的全連接層三和全連接層四：全連接層三用于判斷目標的類別，其輸出的長度為N+1，其中N為包含車型類別的總數，1為背景的數值；全連接層四用于輸出目標的包圍盒調整后的值，其長度為(N+1)*4，其中N為包含車型類別的總數，1為背景的數值，4為包圍盒左上右下點的橫縱坐標的數值。