[發(fā)明專利]一種高精度車輛識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811245662.X
• 申請(qǐng)日: 2018-10-25
• 公開(kāi)（公告）號(hào): CN110147707B
• 公開(kāi)（公告）日: 2021-07-20
• 發(fā)明（設(shè)計(jì)）人: 李亞;費(fèi)曉天;鄧浩平
• 申請(qǐng)（專利權(quán)）人: 初速度（蘇州）科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G08G1/01;G06N3/04
• 代理公司: 北京科領(lǐng)智誠(chéng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11782
• 代理人: 陳士騫

1.一種車輛識(shí)別方法，其特征在于：所述方法包括以下步驟：

步驟S1：將待檢測(cè)的圖像輸入通用車型檢測(cè)模型進(jìn)行檢測(cè)；

步驟S2：根據(jù)類別概率和預(yù)設(shè)閾值判斷是否使用特定車型檢測(cè)模型，其中，所述特定車型檢測(cè)模型用于識(shí)別稀有車型，所述稀有車型為車型車輛出現(xiàn)的比例占總車型車輛出現(xiàn)比例的小于5％的車型；

步驟S3：如果所述類別概率滿足步驟S2所述的閾值條件，將圖片輸入特定車型檢測(cè)網(wǎng)絡(luò)，由所述特定車型檢測(cè)模型輸出車輛位置和類別概率；如果不滿足，則由所述通用車型檢測(cè)模型輸出車輛位置和類別概率；

步驟S4：將識(shí)別出的車輛位置和類別概率輸入到下級(jí)車輛位置或速度判別模型，把車型作為輔助信息輸入到后續(xù)車輛位置或速度判別模型時(shí)，模型可以利用車輛大小和速度與車型相關(guān)的先驗(yàn)信息提高判斷的準(zhǔn)確度。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述通用車型檢測(cè)模型由卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)，該卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、批處理歸一化、ReLU激活函數(shù)和池化層。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述特定車型檢測(cè)模型由卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)，該卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、批處理歸一化、ReLU激活函數(shù)和池化層。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述步驟S2包括通用車型檢測(cè)模型輸出的所述類別概率的最大值小于所述預(yù)設(shè)閾值時(shí)，將該待檢測(cè)的圖像輸入用于檢測(cè)稀有車型的所述特定車型檢測(cè)模型。

5.根據(jù)權(quán)利要求2-3任一所述的方法，所述卷積神經(jīng)網(wǎng)絡(luò)最后一層為全連接層，所述全連接對(duì)卷積神經(jīng)網(wǎng)絡(luò)提取到的特征進(jìn)行映射，再經(jīng)過(guò)softmax函數(shù)后輸入長(zhǎng)度為K的向量；其中K代表車型的數(shù)目，向量中的數(shù)值代表車輛樣本圖片中的車輛屬于某一類別的類別概率。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述卷積神經(jīng)網(wǎng)絡(luò)會(huì)輸出長(zhǎng)度為M的向量，M代表稀有車型的數(shù)目，向量中每個(gè)數(shù)值代表圖像中車輛屬于某一類別的類別概率，所述類別概率向量中最大值對(duì)應(yīng)的車型即為識(shí)別結(jié)果。

7.根據(jù)權(quán)利要求3所述的方法，所述卷積神經(jīng)網(wǎng)絡(luò)提取的特征輸入到softmax函數(shù)進(jìn)行識(shí)別，softmax函數(shù)如下：

其中，x為卷積神經(jīng)網(wǎng)絡(luò)提取的特征向量，j為類別索引，T為矩陣轉(zhuǎn)置，w_j為第j類特征的權(quán)重向量，w_m為第m類特征的權(quán)重向量，M為識(shí)別系統(tǒng)中模式類別的數(shù)量即車型的數(shù)目；該卷積神經(jīng)網(wǎng)絡(luò)會(huì)輸出長(zhǎng)度為M的向量，向量中每個(gè)數(shù)值P(y＝j(luò)|x)代表圖片中車輛屬于某一類別的類別概率，類別概率向量中最大值對(duì)應(yīng)的車型即為識(shí)別結(jié)果。

8.一種車輛識(shí)別系統(tǒng)，其特征在于：所述系統(tǒng)包括通用車型檢測(cè)模型、特定車輛檢測(cè)模型；

所述通用車型檢測(cè)模型用于檢測(cè)待檢測(cè)的圖像，計(jì)算類別概率并輸出識(shí)別結(jié)果；

所述系統(tǒng)根據(jù)類別概率和預(yù)設(shè)閾值判斷是否使用特定車型檢測(cè)模型，其中，所述特定車型檢測(cè)模型用于識(shí)別稀有車型，所述稀有車型為車型車輛出現(xiàn)的比例占總車型車輛出現(xiàn)比例的小于5％的車型；

所述特定車輛檢測(cè)模型用于檢測(cè)滿足所述閾值的圖像，并輸出識(shí)別結(jié)果；

所述系統(tǒng)還包括下級(jí)車輛位置或速度判別模型，其用于檢測(cè)車輛位置或速度，把車型作為輔助信息輸入到后續(xù)車輛位置或速度判別模型時(shí)，模型可以利用車輛大小和速度與車型相關(guān)的先驗(yàn)信息提高判斷的準(zhǔn)確度。

9.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于：所述通用車型檢測(cè)模型由卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)，該卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、批處理歸一化、ReLU激活函數(shù)和池化層。

10.根據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于：所述特定車型檢測(cè)模型由卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)，該卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、批處理歸一化、ReLU激活函數(shù)和池化層。