[发明专利]一种基于AutoEncoder和属性标签的车辆检索方法

说明书

技术领域

本发明涉及人工智能、机器学习、模式识别、视频检索、统计学等技术领域，具体是一种车型、车等多种特征综合的方法在车辆检索这一智能化监控视频分析技术中的应用。

背景技术

随着交通容量和车辆数目的大幅增加，各种交通违章和交通肇事频频发生，给交通监管部门提出了更高的要求。传统的人工标注和检索方式已无法满足现代交通发展的需要。基于监控网络的车辆检索是采用基于内容的图像检索技术从车道卡口快速查找车辆。传统内容检索方式包括图像特征提取、分类器学习和视觉相似性检索。采用单一特征进行车辆检索，在返回目标结果的同时往往会返回大量其他也满足此检索要求的结果。因此车辆检索技术一方面需要采用更具体代表性的特征，另一面需要在单一特征检索的基础上通过其它的筛选方法，更一步检索得到用户所需的结果。

发明内容

本发明提供了一种基于AutoEncoder和属性标签的车辆检索方法，其特征在于，包括步骤：a)采集卡口车辆图像数据库，通过训练深度AutoEncoder提取车辆的全局视觉特征；b)对所述卡口车辆，训练部件检测和属性识别模型，获得车辆属性标签；c)提取监控系统中的所有卡口图像，完成车辆检测后提取车辆全局特征和属性标签，完成车辆数据入库；d)将待检索图像与卡口车辆图像数据库进行相似度匹配：在待检索图像输入到AutoEncoder网络中计算得到车辆特征，将车辆特征与所述卡口车辆图像数据库中的车辆特征进行比较，按相似度排序返回检索结果；e)输入待检索图像中的车辆属性，通过车辆属性进一步对步骤d中的检索结果进行筛选。

优选地，所述步骤a)中训练深度AutoEncoder的方法为：编码端为三层特征提取部分，解码端为三层重构部分：第一个编码层的权重矩阵和偏移第一个解码层的权重矩阵和偏移第二个编码层的权重矩阵和偏移第二层解码层的权重矩阵和偏移第三个编码层的权重矩阵和偏移第三解码层的权重矩阵和偏移其目标函数为：

其中为sigmoid函数。

采用逐层贪婪法训练AutoEncoder。

优选地，所述步骤b)中的车辆属性包括车脸、车窗、车型、车牌底板颜色、车身颜色以及年检标、挂件和摆放物。

优选地，所述车辆属性的车脸检测方法为：分别使用5万车脸正样本和10万样本负样本，使用ACF(聚合通道特征)作为车脸特征训练Adaboost检测器。

优选地，所述车辆属性的车窗检测方法为：分别使用5万车窗正样本和10万样本负样本，并且使用ACF作为车窗特征训练Adaboost检测器。

优选地，所述车辆属性的车型识别方法为：车型分为轿车、SUV、小型客车、大型客车、小货车、大货车、罐车和其它共8种类型，从不同场景和不同气候条件下的卡口车辆图像中获取车脸样本做为训练样本训练卷积神经网络做车型识别。

优选地，所述车辆属性的车牌底板颜色识别方法为：车牌底板颜色定义为蓝、黄、白和黑4种，在RGB空间将车牌底板颜色量化为该4种。

优选地，所述车辆属性的车身颜色识别方法为：在HSV颜色空间中将车身颜色量化成粉、红、橙、黄、棕、绿、青、蓝、紫、白、灰和黑11种后统计每种颜色的数量，并计算出车身的主颜色。

优选地，所述车辆属性的年检标，挂件和摆放库的检测方法为：分别使用5万车窗正样本和10万样本负样本，并且使用ACF作为车窗特征训练Adaboost检测器。

与现有技术相比，本发明的有益效果是：

1、本发明采用百万级大数据训练深度AutoEncoder神经网络，得到车辆特征更本质的表示，提高了检索的精度；

2、本发明采用百万级大数据训练卷积神经进行车辆的属性标注，采用语义标签对检索结果进一步筛选，在一定程度上解决了单一视觉特征检索的语义鸿沟问题。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示出了根据本发明的基于AutoEncoder的视觉特征和属性标签检索实施流程图；

图2示出了步骤a中训练深度AutoEncoder的方法的示意图；

图3示出了基于卷积神经网络的车脸识别图像的示意图；

图4示出了步骤b中车辆属性特征获取的示意图。

具体实施方式