[發(fā)明專利]一種基于深度學(xué)習(xí)的卡口圖像車輛快速檢索方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710755293.8
• 申請日: 2017-08-29
• 公開（公告）號: CN107679078B
• 公開（公告）日: 2020-01-10
• 發(fā)明（設(shè)計(jì)）人: 王輝;田玉蘭;陳濤;李建元;溫曉岳
• 申請（專利權(quán)）人: 銀江股份有限公司
• 主分類號: G06F16/53
• 分類號: G06F16/53;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 33216 杭州之江專利事務(wù)所(普通合伙)
• 代理人: 張慧英

本發(fā)明涉及一種基于深度學(xué)習(xí)的卡口圖像車輛快速檢索方法及系統(tǒng)，本發(fā)明采用深度神經(jīng)網(wǎng)絡(luò)來提取車輛特征信息，基于inception_resnet_v2網(wǎng)絡(luò)對車輛特征進(jìn)行提取，其中實(shí)現(xiàn)了網(wǎng)絡(luò)權(quán)值共享，有效避免了大量重復(fù)計(jì)算，其損失函數(shù)采用三元組樣本訓(xùn)練，直接產(chǎn)生128維向量，在檢索圖片階段，本發(fā)明采用了對特征聚類的方式對特征建立索引，提升查詢速度。本發(fā)明可以加快圖像特征的提取速度，以及快速的實(shí)時(shí)響應(yīng)的同時(shí)，能夠有效稽查追捕假牌、套牌車這部分違法車輛。

技術(shù)領(lǐng)域

本發(fā)明涉及智慧交通領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的卡口圖像車輛快速檢索方法及系統(tǒng)。

背景技術(shù)

智能交通領(lǐng)域中智能交通監(jiān)控是當(dāng)前非常重要的一個(gè)發(fā)展方向，目前我國已在城市道路上部署了大規(guī)模數(shù)量的電子警察和卡口系統(tǒng)。這些系統(tǒng)能夠?qū)崟r(shí)捕獲車輛高清圖片，并且識別分析出車牌號碼，以及一部分車型信息(如車輛大小，顏色等)。但目前使用的卡口監(jiān)控系統(tǒng)，車牌號碼識別仍有10％左右的誤識別、漏識別率。更重要的是，對于套牌車或故意遮掩拍照的違法車將無法進(jìn)行識別。因此，通過車牌號碼之外的車輛特征信息作為一個(gè)新的識別條件，從而在現(xiàn)有的交通監(jiān)控系統(tǒng)找出這部分違法車輛。另一方面，一個(gè)城市的所存儲的卡口圖片往往數(shù)量在億級以上，即使將圖片成功轉(zhuǎn)化成為特征向量，要快速精確的查詢搜索相關(guān)特征依然是一大難點(diǎn)。這在現(xiàn)今的在現(xiàn)代交通監(jiān)控和管理中有非常重要的研究意義和應(yīng)用前景。

申請?zhí)枮?01611129798.5的《基于傳統(tǒng)算法和深度學(xué)習(xí)算法級聯(lián)的車輛檢測方法及系統(tǒng)》，其利用CNN算法進(jìn)行車輛特征提取，采用8層的CNN，包括一個(gè)input層，2個(gè)conv層，2個(gè)pool層，2個(gè)fc層和一個(gè)droupout層來訓(xùn)練分類網(wǎng)絡(luò)，最后的fc層用來提取車輛特征來進(jìn)行檢索。

申請?zhí)枮?01610711333.4的《基于大數(shù)據(jù)的車輛檢索方法及裝置》，其通過檢測各個(gè)目標(biāo)車輛之間的位置關(guān)系對各個(gè)車輛的檢測標(biāo)志進(jìn)行融合，來進(jìn)行車輛的檢測，用車輛的標(biāo)志的形狀，顏色等來進(jìn)行檢索。

申請?zhí)枮?01610119765.6的《一種卡口車輛檢索方法及其系統(tǒng)》，同樣利用深度學(xué)習(xí)的方法來對卡口車輛圖片進(jìn)行特征提取，網(wǎng)絡(luò)模型為傳統(tǒng)的利用分類模型來訓(xùn)練，選取其中某層的特征來作為車輛的特征表達(dá)，之后進(jìn)行相似度對比來進(jìn)行檢索。

目前的車輛檢索方法中，一類是利用傳統(tǒng)的機(jī)器學(xué)習(xí)提取不同特征向量進(jìn)行識別，二是利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，通常傳統(tǒng)的機(jī)器學(xué)習(xí)算法不及深度學(xué)習(xí)準(zhǔn)確度高；目前的方法大多是利用分類模型訓(xùn)練網(wǎng)絡(luò)后提取特征層進(jìn)行識別，這樣車輛的特征向量一般較大，由于需要將車輛特征一個(gè)個(gè)同數(shù)據(jù)庫中所有車輛特征比對，大城市交通系統(tǒng)儲存的卡口圖片往往有上億級的圖片數(shù)量，這種檢索方式顯然無法滿足實(shí)際情況，另外神經(jīng)網(wǎng)絡(luò)的層數(shù)越深，其識別正確率一般也越高，然而其訓(xùn)練也比較困難。

發(fā)明內(nèi)容

本發(fā)明為克服上述的不足之處，目的在于提供一種基于深度學(xué)習(xí)的卡口圖像車輛快速檢索方法及系統(tǒng)，本發(fā)明采用深度神經(jīng)網(wǎng)絡(luò)來提取車輛特征信息，基于inception_resnet_v2網(wǎng)絡(luò)對車輛特征進(jìn)行提取，在其中實(shí)現(xiàn)了網(wǎng)絡(luò)權(quán)值共享，有效避免了大量重復(fù)計(jì)算，其損失函數(shù)采用三元組樣本訓(xùn)練，直接產(chǎn)生128維向量，在檢索圖片階段，本發(fā)明采用了對特征聚類的方式對特征建立索引，提升查詢速度；本發(fā)明可以加快圖像特征的提取速度，以及快速的實(shí)時(shí)響應(yīng)的同時(shí)，能夠有效稽查追捕假牌、套牌車這部分違法車輛。

本發(fā)明是通過以下技術(shù)方案達(dá)到上述目的：一種基于深度學(xué)習(xí)的卡口圖像車輛快速檢索方法，包括如下步驟：

(1)基于深度神經(jīng)網(wǎng)絡(luò)模型建立圖片特征提取網(wǎng)絡(luò)模型，利用訓(xùn)練樣本集訓(xùn)練獲得訓(xùn)練完成的特征提取網(wǎng)絡(luò)模型；

(2)基于參考圖片集，利用訓(xùn)練完成的特征提取網(wǎng)絡(luò)模型提取車輛特征向量；

(3)通過K-Means聚類對提取到的車輛特征向量進(jìn)行反復(fù)聚類，以聚類生成的質(zhì)心建立K叉樹索引；