[发明专利]基于深度学习的特种车辆检测与识别系统

说明书

本发明公开了基于深度学习的特种车辆检测与识别系统，涉及车辆识别领域。本发明包括摄像头、图像处理单元和特种车辆样本库，图像处理单元对视频监控拍摄的过车图片进行局部构件分割，对每个子区域的局部构件进行特征提取，利用局部构件与深度学习的特种车辆样本库中的信息匹配。本发明通过取特种车辆局部构件与特种车样本库中信息进行快速比对，克服了整车进行特征提取的难度大、步骤繁琐的缺点，提高了匹配速度和识别准确率。

技术领域

本发明属于车辆识别领域，特别是涉及基于深度学习的特种车辆检测与识别系统。

背景技术

2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton发表的一篇文章，开启了深度学习在学术界和工业界的浪潮。

深度学习使机器学习研究中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本，它是无监督学习的一种。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

传统的车辆识别系统，通过在道路口安装摄像头来进行图像采集，但是只能通过车辆大小来识别，大体将车辆分为大型车、中型车、小型车，但无法识别特种车辆(油罐车、拖车、吊车、水泥车等)，急需提供一种车辆识别系统识别特种车辆来加强交通安全监管力度。

发明内容

本发明的目的在于提供基于深度学习的特种车辆检测与识别系统，通过视频监控拍摄的过车图片进行局部构件分割，对每个子区域的局部构件进行特征提取，利用局部构件与特征车辆样本库中的信息匹配，解决了现有车辆识别系统无法识别特种车辆，或整车进行特征提取的难度大、步骤繁琐等问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为基于深度学习的特种车辆检测与识别系统，包括包括如下步骤：

步骤S001基于深度学习的监测方法训练特种车辆样板图片进行灰度降维，并创建特种车辆样本库；

步骤S002对样板特种车辆的灰度降维图像中每一个像素点的特征构成特征图；

步骤S003将特征图输入深度卷积网络提取深度卷积特征，并将深度卷积特征输入到分类器；

步骤S004对路口监控视频获取的车辆图片进行局部构件提取，对提取后的图片进行灰度降维；

步骤S005对局部构件的灰度图像每一个像素点进行特征提取，并与样本库中分类器特征图进行比对；

步骤S006比对成功，确认特种车辆。

优选地，所述步骤S004中，局部构件提取利用特种车辆颜色以及边缘特性，将监控获取的图像分割成多个子区域；对每个子区域进行有效线段检测；根据车辆各部件的不同特征，聚类合并有效线段，并结合相应子区域的纹理信息以及边缘梯度信息，形成每个子区域的特征关联向量；根据特征关联向量，提取每个子区域的局部构件进行灰度处理。

优选地，所述基于深度学习的特种车辆检测与识别系统包括摄像头、图像处理单元和特种车辆样本库；所述图像处理单元包括：用于对监控获取的图像进行分割的局部构件提取模块；用于提取的局部构件图像进行灰度处理的灰度处理模块；用于对灰度图像进行特征提取的特征提取模块；用于将提取的特征信息与特种车辆样本库中分类器中数据进行比对的匹配模块；用于将匹配成功的特种车辆信息存入数据库的存储模块；所述特种车辆样本库包括：用于对特种车辆样本图像进行灰度降维处理并存入样本库的车辆录入模块；用于将特征图输入深度卷积网络提取深度卷积特征的卷积提取模块；用于存储样本特种车辆卷积特征信息的分类器。

优选地，所述深度卷积采用LeNet5卷积神经网络结构，模块共分为八层，前六层为特征提取部分，后两层为分类器部分，对于特征提取部分采用CNN方法进行训练。