[发明专利]一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法

说明书

本发明公开了一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标定位与识别方法，本发明使用计算机视觉技术，通过识别车灯对车标进行粗定位，以应对车牌遮挡与无牌车的情况，并通过基于卷积神经网络解决了车标识别问题，通过RPN动态地生成正负样本，使每一次传入的样本都不一样，减少网络的过拟合程度，提高网络的鲁棒性，改善了以车牌辨车的传统工作模式，为打击汽车套牌、一车多牌、假牌照等违法犯罪行为提供了可靠帮助，进一步提高了智能交通的可靠性，节省了大量的人力成本。

技术领域

本发明属于计算机视觉技术和图像处理技术领域，具体涉及一种车标定位与识别方法，具体为融合滑动窗口与Faster R-CNN卷积神经网络的车标定位与识别方法。

背景技术

二十世纪以来，世界各国的经济不断发展，汽车的种类与数量也越来越多。汽车作为一种便捷的代步和运输工具，与现代人类的生活息息相关。车辆在提供人们便利生活的同时，其停放和监管也成为一个急待解决的问题，因此，以人眼识别为主的传统道路监控方式便无法满足要求，现代化智能交通控制系统已成为未来全球道路交通的发展趋势和现代化城市的先进标志。近年来，遮挡车牌、汽车套牌等妨碍交通秩序的违法行为层出不穷，仅依靠车牌识别已不能适应当前的交通现状了，因此，车标识别技术变得更为重要，它可以弥补车牌识别的不足，从而进一步提高智能交通系统的可靠性。

目前，国内已有一些车标识别的方法，其中与本发明较为相近的技术方案包括：专利(陆辉；蒋恋华；张仁辉。车标定位与识别方法。CN103310231A[P]。2013。)使用车牌来对车牌进行粗定位，犯罪车辆通常没有车牌或车牌被遮挡，此时无法正确识别车牌，在这种情况下，该方法无法正确识别车标；专利(叶茂。基于进气格栅定位的汽车车标样本训练及识别方法。CN104156692A[P]。2014。)使用识别车辆进气栅的方法识别车标,使用方向梯度直方图(HOG)算法对车头进气栅部分进行特征提取并用SVM训练与分类，由于不同品牌的车可能具有相似的进气栅纹理，而同一品牌车的进气栅也有可能不同，故该方法的识别率较低；发明专利(狄明珠，韩晶，方亚隽。基于主成分分析卷积神经网络的车标自动识别方法。CN105512684A[P]。2016)通过主成分分析(PCA)提取特征，通过膨胀腐蚀等形态学运算对车标进行定位并通过卷积神经网络对车标进行训练与识别，但次方法只能适应少部分车标的定位，大多数车标无法准确定位。

综上所述，在对车标进行识别时，当前方法存在如下不足：(1)在无车牌时无法对车标进行粗定位；(2)识别速度较慢；(3)有时无法提取到正确的车标区域。本发明针对这些问题提出了一种基于FasterR-CNN卷积神经网络的车标定位与识别方法。

发明内容

为解决上述问题，本发明的目的在于提供一种车标定位与识别方法，具体为融合滑动窗口与Faster R-CNN卷积神经网络的车标定位与识别方法。

所述的一种融合滑动窗口与FasterR-CNN卷积神经网络的车标识别方法，其特征在于具体步骤如下：

步骤1：定义车标种类集合为C＝{C_i|i＝1,…,t}，其中t为车标的总数，并建立相应的含ground truth的数据集；

步骤2：构建含有10层的卷积神经网络，10层依次是卷积层Conv1，池化层Pool2，卷积层Conv3，池化层Pool4，卷积层Conv5，卷积层Conv6，卷积层Conv7，全连接层Fc8，全连接层Fc9，分类层Softmax及回归层bbox_prediction；为了生成区域建议窗口，在该网络卷积神经网络卷积层Conv7输出的特征图上滑动一个小网络，这个网络全连接到全连接层Fc8，对RPN区域建议网络进行初始化，设定建议窗口的滑动步长，滑动窗口尺寸等初始化信息，其中全连接层Fc8的输入特征大小为N*N*M，M为卷积层Conv7的输出特征图的维度，N为归一化后的特征图边长，单位为像素，分类层Softmax的输出向量大小为t+1，回归层bbox_prediction的输出向量大小为4*(t+1)；