[發明專利]一種基于卷積神經網絡的車標定位與識別方法

有效

• 申請號: 201710752742.3
• 申請日: 2017-08-28
• 公開（公告）號: CN107590492B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 高飛;倪逸揚;蔡益超;盧書芳;陸佳煒;肖剛
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 33213 杭州浙科專利事務所(普通合伙)
• 代理人: 周紅芳<國際申請>=<國際公布>=<進入

1.一種基于卷積神經網絡的車標定位與識別方法，其特征在于具體步驟如下：

步驟1：定義車標種類集合為C＝{C_i|i＝1,…,t}，其中t為車標的總數，并建立相應的車標數據集；

步驟2：構建用于車標分類的卷積神經網絡并用步驟1中的車標數據集進行訓練，得到卷積神經網絡；

步驟3：利用交叉路口的監控攝像頭采集RGB圖像并對采集到的圖像使用中值濾波處理，利用車輛檢測跟蹤算法提取得到車輛圖像I；

步驟4：利用車牌識別算法提取圖像I中的車牌矩形區域R＝(x，y，w，h)，其中圖像I的左上角為像素坐標原點，(x,y)為車牌矩形區域左上角的坐標，h與w分別為車牌矩形區域的高和寬，單位為像素，并根據公式(2)得到車標的粗定位區域D：

其中，ρ₁,ρ₂為比例系數，(x_d,y_d)為矩形區域D左上角的坐標，h_d與w_d分別為矩形區域D的高和寬；

步驟5：篩選出包含車標的進氣柵區域，得到車標定位精區域D'；

步驟6：將D'歸一化至N*N像素大小，傳入步驟2訓練所得的卷積神經網絡，得到輸出向量集合U＝(u₁,u₂,...,u_k,...,u_t)，u_k為D'對應車標C_k的概率，k＝1,2,...,t；

步驟7：根據式(14)得到最大的概率u_q，則D'的車標識別結果為C_q，C_q∈C，完成車標的識別：

u_q＝max(u₁,u₂,...,u_t) (14)

其中u_q為概率最大的值，q為u_q的下標位置。

2.根據權利要求1所述的一種基于卷積神經網絡的車標定位與識別方法，其特征在于具體訓練過程如下：

步驟2.1：步驟構建含有7層的卷積神經網絡，7層依次是卷積層Conv1，池化層Pool2，卷積層Conv3，池化層Pool4，全連接層Fc5，全連接層Fc6，分類層Softmax7，其中卷積層Conv1的輸入大小為N*N，分類層Softmax7的輸出向量大小為t；

步驟2.2：隨機初始化卷積神經網絡，使用步驟1構建的車標數據集對卷積神經網絡進行訓練，并根據式(1)計算損失函數L，并根據鏈式法則逐步計算反向誤差，更新各層的權重參數值，直到輸出的損失函數L≤θ，完成訓練：

其中，Yⁱ和分別為實際輸出和真實標簽第i個神經元的值，θ為設定的閾值。

3.根據權利要求1所述的一種基于卷積神經網絡的車標定位與識別方法，其特征在于步驟5中的篩選出包含車標的進氣柵區域，得到車標定位精區域D'，具體過程為：

步驟5.1：將矩形區域D從RGB顏色空間轉到HSV顏色空間下，并劃分為大小相等的N_row*N_col個矩形超像素塊，N_row與N_col分別為超像素塊的行總數與列總數，每個超像素塊的大小為N＝width*height,并根據公式(3)，(4)，(5)，(6)篩選出有效超像素塊集合D*：

其中，λ為標準差閾值，D_ij為第i行第j列的超像素塊，為D_ij的像素標準差，與分別為D_ij在k通道上的標準差與灰度平均值，k＝1,2,3，為第k個通道的權重系數，的取值范圍為[0,360]，取值范圍為[0,1]，取值范圍為[0,1]，表示D_ij的第k通道圖像，表示中在坐標點(x,y)處的像素灰度值；

步驟5.2：根據公式(7)對有效樣本集合D*進行分類，得到分類集合的集合L＝{L_i|i＝1,2,…,10}，其中L_i為第i類的樣本集合：

步驟5.3：根據式(8)統計D*中每一行超像素行的分類結果并根據式(9)和(10)計算每一行是否有效：若F_i為1，則表示第i行為有效行，否則，為無效行：

其中，μ₁為比例系數，NL_imax為第i行中最多一類的數量；

步驟5.4：過濾單個有效行，即該有效行上下都為無效行，得到新的分類結果F_i,并根據公式(11),(12)和(13)得到車標定位精區域D'：

i_max＝max(i|F_i＝1) (11)

i_min＝min(i|F_i＝1) (12)