[发明专利]一种基于深度学习的车辆品牌型号识别方法

说明书

本发明公开了一种基于深度学习的车辆品牌型号自动识别方法，该方法针对车辆品牌型号识别设计了一种稳健的深度卷积网络结构，采用深度卷积网络提取车脸区域在不同尺度下的图像特征，再结合支撑向量机对其进行分类，自动完成车辆品牌型号的识别，该方法具有极高的识别准确度。

技术领域

本发明涉及图像模式识别及智能交通领域，具体是关于智能交通系统中自动识别高清卡口抓拍图片中的机动车辆的品牌型号的一种方法。

背景技术

经济的飞速发展，促使机动车数量急剧上升，涉车犯罪亦越来越频繁，如何快速锁定嫌疑车辆就显得非常重要。侦破此类案件的过程中，车牌虽然能够提供权威的车辆信息，但对于假牌、套牌车却无能为力。为了有效解决这一问题，本发明提出了一种全新的能够自动识别出高清卡口抓拍图片中车辆的品牌型号的方法，有关部门将车辆品牌型号信息与车辆的其他信息(车牌、车身颜色等)相结合可以有效的查处假牌、套牌车辆。

发明内容

本发明针对高清监控摄像机拍摄的卡口图片，设计了一种自动识别图片中车辆的品牌型号的方法，该方法支持自动识别不低于三千种车辆的品牌型号。

本发明的技术方案，一种基于深度学习的车辆品牌型号识别方法，包括以下步骤：

S1、准备数据集。本发明从不同城市的高清卡口点位搜集准备了2000多万张抓拍图片，经过人工筛选，根据车辆的品牌型号精确分成三千多类，建立了基本涵盖各种条件的车辆品牌型号图片数据库。然后再利用车牌识别技术精确定位卡口图片中的车牌位置，根据车牌位置信息准确估计车脸区域(车脸区域与车牌的位置关系参见附图2)，再将车脸区域图像进行尺度归一化处理。

S2、针对车辆品牌型号的识别任务设计一种新的深度卷积网络结构。

本发明设计的深度卷积网络由1个输入层，4个卷积层(分别用C1、C2、C3、C4来表示)，4个下采样层(分别用P1、P2、P3、P4来表示)，2个全连接层(分别用F1、F2来表示)和1个输出层(用SoftMax来表示)组成。其中卷积是一种通过两个函数生成第三个函数的一种数学算子。下采样是指计算图像一个区域的某一特征值的过程，常见的有以区域的平均值或区域的最大值来作为下采样后的特征值。全连接是指把当前层和下一层全部连接起来的一种网络结构。

本发明设计的深度卷积网络结构主要有两点优势：(1)能够有效的组织不同尺度的卷积图像特征为识别所用，融合不同尺度的卷及特征具体体现在本发明设计的深度卷积网络的F1层；(2)能够有效的提取车脸图像的全局特征和局部特征，增强特征的表达辨识能力，本发明设计的深度卷积网络中C1层和C2层提取的为全局图像特征，C3层和C4层提取的为局部图像特征。(详细分析请参见具体实施例)

鉴于本发明设计的深度卷积网络结构具有以上两点优势，利用该网络提取的图像特征具备极强的鲁棒性和区分度。

S3、训练深度卷积网络，得到每个层的网络权值。本发明采用了经典的反向传导算法来训练深度卷积神经网络，所述反向传导算法包括前向传播和反向传播两个过程。在训练开始前，网络的初始权值采用随机数进行初始化，前向传播过程中网络利用系统的输入，得到网络结构中各个层的激励值，输出层利用网络输出值和目标值求差可得到整个网络的预测误差，误差沿着网络反向传播回去，可以计算得到每个隐藏层的误差，每层的激励值和误差的乘积就是该层权值的梯度，网络权值加上权值对应的梯度与某一比例因子的乘积后就完成了一次权值更新。如此反复迭代多直到网络输出误差满足要求时停止。

S4、利用深度卷积网络提取车脸区域的图像特征。

将车脸区域图像输入到本发明设计的深度卷积网络结构中，计算出的F1层和F2层结果均可作为车型识别的特征输入，F1层特征维度较高，稀疏程度较高，存在较多的冗余信息，F2层是F1层经过降维后的特征，保留了区分度较高特征部分，能更好地描述车脸区域。本发明采用F2层的输出作为最终用于识别的特征描述子。