[發(fā)明專利]一種基于局部特征的車輛檢索方法在審
| 申請?zhí)枺?/td> | 201810456030.1 | 申請日： | 2018-05-14 |
| 公開（公告）號： | CN110555125A | 公開（公告）日： | 2019-12-10 |
| 發(fā)明（設(shè)計）人： | 蔡曉東;蘇欣欣 | 申請（專利權(quán)）人： | 桂林遠(yuǎn)望智能通信科技有限公司 |
| 主分類號： | G06F16/583 | 分類號： | G06F16/583;G06N3/04;G06K9/62 |
| 代理公司： | 11465 北京慕達星云知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) | 代理人： | 王鵬 |
| 地址： | 541001 廣西壯族自治區(qū)桂林市七星*** | 國省代碼： | 廣西;45 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 車窗 車臉 樣本 預(yù)處理 卷積神經(jīng)網(wǎng)絡(luò) 目標(biāo)檢測算法 車輛檢索 技術(shù)缺陷 檢索車輛 局部特征 目標(biāo)車輛 匹配檢索 特征提取 網(wǎng)絡(luò)模型 顯著特征 學(xué)習(xí)算法 截取 車牌 分辨 檢索 車型 分類 | ||
本發(fā)明公開了一種基于局部特征的車輛檢索方法，具體公開了：用目標(biāo)檢測算法進行車臉和車窗的定位，得到車輛樣本；樣本通過一定的預(yù)處理，定位截取車臉和車窗，搭建多任務(wù)loss卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，訓(xùn)練得到CNN網(wǎng)絡(luò)模型，實現(xiàn)車輛型號的分類和特征提取，用車臉及車窗顯著特征進行匹配檢索出目標(biāo)車輛，檢索出同一輛車，解決了現(xiàn)有技術(shù)中在無車牌的情況，由于同一車型外觀無法分辨，難以實現(xiàn)準(zhǔn)確檢索車輛的技術(shù)缺陷。
技術(shù)領(lǐng)域
本發(fā)明涉及圖像處理與檢索領(lǐng)域，尤其涉及一種基于局部特征的車輛檢索方法。
背景技術(shù)
隨著交通監(jiān)控系統(tǒng)的數(shù)據(jù)庫不斷的擴大和更新，準(zhǔn)確的在大規(guī)模的數(shù)據(jù)庫中檢索出目標(biāo)車輛，對安防部門、公安偵查罪犯等社會應(yīng)用有非常大的幫助。很多涉嫌違法犯罪的車輛常沒有車牌(包括套牌、偽造車牌及遮擋車牌等)，基于車牌識別的方法無法對其進行有效識別檢索。目前關(guān)于車輛識別和檢索研究，主要集中在識別大型貨車、中型汽車、小型轎車等少數(shù)幾類車型。隨著圖像識別研究的深入，針對例如奧迪Q5、奔馳S500等具體車輛型號識別的研究也逐步出現(xiàn)，而由于同一車型外觀是無法分辨的，在無車牌的情況下檢索出同一輛車難以實現(xiàn)。
由于車臉能夠有效的表達車輛的外觀屬性，通過基于車臉特征的分類能對車輛型號進行準(zhǔn)確的識別，而因車主的喜好使車窗具有鮮明的局部特征，特殊標(biāo)志(掛飾、擺件、紙巾盒、年檢標(biāo))使得相同型號的車輛能夠加以區(qū)分。
因此，如何提供一種通過車臉、車窗圖像對無牌車進行識別檢索是本領(lǐng)域人員亟需解決的技術(shù)問題。
發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種基于局部特征的車輛檢索方法，包括車臉和車窗的定位、圖像預(yù)處理、建立CNN網(wǎng)絡(luò)模型、車臉和車窗特征提取與對比，實現(xiàn)在大規(guī)模車輛數(shù)據(jù)庫高效準(zhǔn)確的檢索。
為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
一種基于局部特征的車輛檢索方法，包括以下步驟：
步驟S1：車臉和車窗的定位：通過目標(biāo)檢測算法Fast-RCNN定位，利用運動目標(biāo)檢測技術(shù)從交通卡口監(jiān)控視頻中檢測到車輛，對無車牌的車臉及車窗進行檢測定位，再定位截取出車臉和車窗，獲得的局部區(qū)域的坐標(biāo)；
步驟S2：圖像預(yù)處理：將步驟S1獲取的車輛樣本進行檢測、裁剪、對齊預(yù)處理，并將圖片格式轉(zhuǎn)換為LMDB格式，生成減均值文件；
步驟S3：建立CNN網(wǎng)絡(luò)模型：通過基于搭建多任務(wù)loss雙支網(wǎng)絡(luò)構(gòu)架，訓(xùn)練得到CNN網(wǎng)絡(luò)模型用于特征提取；在網(wǎng)絡(luò)構(gòu)架的損失層上結(jié)合center loss和softmax，其中，centerloss通過懲罰每個種類的樣本和該種樣本中心的偏移，使同一種類的樣本盡量聚合在一起。其表示為：
其中，xi表示第i張圖片的特征值，表示類yi的類中心，在此損失函數(shù)中，每個iteration計算當(dāng)前數(shù)據(jù)和center的距離，然后把這個距離以梯度的形式疊加到center上實現(xiàn)的更新；
Softmax使用下式計算得到每一類的概率輸出，
其中，xi為softmax層第i個節(jié)點值，yi為第i個輸出值，n為softmax層的節(jié)點個數(shù)，
最后一個損失層是中心損失函數(shù)和softmax的結(jié)合，損失函數(shù)表示為：
步驟S4：車臉和車窗特征提取與對比：運用步驟S3訓(xùn)練得到的CNN網(wǎng)絡(luò)模型對步驟S2中處理好的待檢索樣本和車輛檢索庫進行特征提取，然后進行特征比對，分類識別出同一車型的圖像后利用車窗及車臉特征比對檢索得到同一車輛；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于桂林遠(yuǎn)望智能通信科技有限公司，未經(jīng)桂林遠(yuǎn)望智能通信科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810456030.1/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
