一种基于多级分类器的精细车辆型号识别方法技术

本发明专利技术公开了一种基于多级分类器的精细车辆型号识别方法，首先收集含车脸的正样本和不含车辆的负样本，通过LBP+Adaboost方法训练A级分类器，用于对车脸进行定位，同时截取车脸的图像，作为下一步输入的样本；将车脸图像按照其相似程度进行分类，将非常相似的样本归为一类，一共分为K类，设计B级卷积神经网络分类器对这些样本进行训练，输出粗类；针对上一步中划分的每一个粗类，收集粗类中精细车辆型号的样本，设计C级卷积神经网络对其进行进一步的训练，从而识别其精细的车辆型号。本发明专利技术针对卡口图像中的精细车辆型号识别提出了具体的识别方案，识别的结果正确率很高，可以满足实际智能交通系统的需要。

【技术实现步骤摘要】

本专利技术涉及计算机视觉目标识别
，具体是。
技术介绍
车型识别是智能交通系统计算机视觉应用中的一个重要分支，广泛应用于交通流量分析、打击盗窃车辆、涉案车辆追踪、规范交通秩序、大型停车场管理、高速公路自动计费等领域。而精细车辆型号识别在公安交通管理部门处理由刑事治安案件、车辆假牌盗牌、车牌污损、车辆外观污损等引起的涉车案件时，起着十分重要的辅助作用。现有关于“车型识别”或“车辆型号识别”的专利中，均为对车辆类型的识别，或对车辆型号的一个粗略的识别，未能识别精细的车辆型号。如:(1)专利201510071919.4采用卷积神经网络的方法进行车型的识别，最后输出的类型为大货车、面包车、轿车和公交车；(2)专利201210494065.7基于地感线圈信号变化序列的波形特征值和相应的分类器，进行车辆型号的识别，最后输出的结果为:小型客车1、小型客车2、小型客车3以及小型货车1、小型货车2、小型货车3等，具体识别结果依赖于预置模板的类型，不能区分结构相同且产生的地感线圈信号变化序列相同的车辆，如:大众FV7187ZADBG和起亚YQZ7142AE5 ；(2)专利201310239172.X基于高分辨率遥感图像进行车辆型号的识别，所能识别的车辆同样受限于车辆纹理模板的数量，且不能区分从顶部视角拍摄的纹理相似的车辆。专利201310299354.6、201410009098.7 和 201410109999.3 虽然目标是实现车辆型号的比对和识别，但由于前2种方法均基于灰度直方图、滤波、膨胀等操作，后面I种方法基于二维离散傅里叶变换进行几何校正，因此易受环境光照、阴影遮挡的影响，鲁棒性不强。且专利201410109999.3需要在车牌定位的基础上进行，易受车牌定位精确度的影响和污损车牌的干扰。由于具体的车辆型号非常多，而且精细车辆型号的识别算法需要在各种光照条件、阴影遮挡下保持鲁棒性，因此，精细车辆型号的识别仍是一个十分具有挑战性的课题。
技术实现思路
本专利技术的目的是提供，以解决卡口图像中的精细车辆型号识别问题。为了达到上述目的，本专利技术所采用的技术方案为: ，其特征在于:设计基于Adaboost算法和卷积神经网络的多级分类器，用于对卡口系统图像中的车辆型号进行精细识别，包括以下步骤: (I )、设计三级分类器，其中:A级分类器基于Adaboost算法，正样本为包含车辆前脸的图像，负样本为不包含车辆前脸的图像，采用LBP特征进行训练，用于定位卡口图像中的车辆，并将车辆部分截取出来，形成新的数据集级分类器基于卷积神经网络，用于对车辆型号进行粗略的分类，将前脸相似的车辆归为一类；针对B级分类器的分类结果，训练多个C级分类器，C级分类器基于卷积神经网络，用于对B级分类器的每类分类结果再次进行精细分类。(2)、针对从卡口系统中获取的图像，采用多级分类器进行车辆型号的识别，识别步骤如下: (a)、首先利用A级分类器判断卡口图像中是否包含车脸，如果有，则截取车脸图像，执行下一步；如果没有，则判断过程结束； (b)、将车脸图像按照其相似程序进行粗略分类，分为大众A类、大众B类、奥迪A类等一共K类，利用B级分类器对步骤(a)中截取的车脸图像进行判断，识别其属于哪一类，识别结果的每一类中会包含几种前脸相近的车辆型号； (C)、针对步骤(b)中的粗略分类，利用针对该类训练的C级分类器进行进一步的判断，识别结果为精细的车辆型号。所述的，其特征在于，步骤(I)中，B级分类器的设计过程如下: (I )、样本为截取的车脸图像，将其按照车脸的相似程度分为K类。(2)、卷积神经网络的设计如下:输入层中输入图像的大小为227*227。神经网络整体采用两段式结构，第一段为连续的两个卷积层，第一个卷积层使用64个大小为7*7的卷积核，第二个卷积层使用128个大小为5*5的卷积核，每个卷积层后连接一个池化层；对提取的结果进行第一次全连接，得到4608维的特征；第二段在第二个卷积层后再连接一个卷积层和池化层，这一阶段的卷积层使用256个大小为3*3的卷积核；将结果进行第二次全连接，得到4096维特征。将两次全连接的结果同时作为softmax分类器的输入。 所述的，其特征在于，步骤(I)中，C级分类器的设计如下: (1)、在B级分类器中将车辆型号分为了 K类，记第i类中的精细车辆型号一共有叫种；准备这Ii1种车辆的样本，每种至少5000张，采用C级分类器对这些样本进行训练，训练后获得的分类器记为C1;则针对K类车辆型号的粗略分类，一共要训练C级分类器K个；基于采用B级分类器判断的车辆类别，调用相应的C级分类器进行精细的分类。(2)、卷积神经网络的设计如下:第一层为输入层；第二层为卷积层，采用64个大小为11*11的卷积核；第三层为池化层；第四层为卷积层，采用128个5*5的卷积核；第五层为池化层；第六、七层为卷积层，采用256个3*3的卷积核；第八层为卷积层，采用128个6*6的卷积核；第九层为池化层；第十、十一层为全连接层，维数均为4608 ;第十二层为全连接层，维数为H1。与已有技术相比，本专利技术有益效果体现在: 1、在识别方法上: (I)本专利技术提出的基于多级卷积神经网络的识别方法，以各种光照条件下的车辆正面图像作为样本，充分利用了不同车型的车辆其车前脸特征不一致的特点，且不易受光照、天气的影响，具有很强的鲁棒性。(2)采用多级分类器，进行分层次识别的方法，通过先识别粗类，再在粗类中进行细分，识别具体的车辆型号，此方法从某种意义上克服了车辆型号过多带来的识别困难问题。2、在识别效果上，基于卡口图像中的车前脸图像进行识别，本专利技术能够获得很高的识别率，能够满足实际智能交通系统的需要。【附图说明】图1为的流程图。图2为B级分类器中使用的卷积神经网络的结构图。图3为C级分类器中使用的卷积神经网络的结构图。【具体实施方式】如图1所示，一种基于多级卷积神经网络的精细车辆类型识别方法，包括以下步骤: (I)设计三级分类器，其中:A级分类器基于Adaboost算法，正样本为包含车辆前脸的图像，负样本为不包含车辆前脸的图像，采用LBP特征进行训练，用于定位卡口图像中的车辆，并将车辆部分截取出来，形成新的数据集级分类器基于卷积神经网络，用于对车辆型号进行粗略的分类，将前脸相似的车辆归为一类；针对B级分类器的分类结果，训练多个C级分类器，C级分类器基于卷积神经网络，用于对B级分类器的每类分类结果再次进行精细分类。其中，B级分类器的详细设计如下: (a)样本当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于多级分类器的精细车辆型号识别方法，其特征在于：设计基于Adaboost算法和卷积神经网络的多级分类器，用于对卡口系统图像中的车辆型号进行精细识别，包括以下步骤：（1）、设计三级分类器，其中：A级分类器基于Adaboost算法，正样本为包含车辆前脸的图像，负样本为不包含车辆前脸的图像，采用LBP特征进行训练，用于定位卡口图像中的车辆，并将车辆部分截取出来，形成新的数据集；B级分类器基于卷积神经网络，用于对车辆型号进行粗略的分类，将前脸相似的车辆归为一类；针对B级分类器的分类结果，训练多个C级分类器，C级分类器基于卷积神经网络，用于对B级分类器的每类分类结果再次进行精细分类；（2）、针对从卡口系统中获取的图像，采用多级分类器进行车辆型号的识别，识别步骤如下：（a）、首先利用A级分类器判断卡口图像中是否包含车脸，如果有，则截取车脸图像，执行下一步；如果没有，则判断过程结束；（b）、将车脸图像按照其相似程序进行粗略分类，分为大众A类、大众B类、奥迪A类等一共K类，利用B级分类器对步骤（a）中截取的车脸图像进行判断，识别其属于哪一类，识别结果的每一类中会包含几种前脸相近的车辆型号；（c）、针对步骤（b）中的粗略分类，利用针对该类训练的C级分类器进行进一步的判断，识别结果为精细的车辆型号。...

【技术特征摘要】

【专利技术属性】
技术研发人员：余烨，朱文佳，金强，聂振兴，王江明，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34