一种基于图像的车型识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于图像的车型识别方法，包括：获取待识别车辆的图像；构建测试网络；将所述待识别车辆的图像输入所述测试网络，得到所述待识别车辆的车型特征；根据所述车型特征，确定所述待识别车辆的车型。本实施例提供的基于图像的车型识别方法，采用深度卷积神经网络获取车型特征，能够缩短特征获取的运算时间。另外，深度卷积神经网络通过组合低层特征形成更加抽象的高层表示、属性类别或特征，自动地学习得到层次化的特征表示，从而增强了分类器的鲁棒性，提高车型识别的准确率和精度。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于图像的车型识别方法及装置。
技术介绍
随着现代化经济的高速发展，机动车的数量和种类日益增加，这使得城市的交通状况不断恶化。而智能交通系统的出现，不仅缓解了交通阻塞问题，还能够实现对交通状况的实时监控。在管理机动车违章、交通事故的应急处理、环境的保护、能源的节约等方面，智能交通系统均有着显著的效果。而在智能交通系统中的电子警察系统，能够实时监控机动车的违章行为(如闯红灯、逆行、超速、越线行驶、违例停靠等)。其中，车型识别是电子警察系统实现上述功能的主要技术手段。实际应用时，电子警察系统通过摄像机拍摄卡口图片后，提取卡口照片中车辆的具体信息(车牌和车型等)，以此为依据来对车辆使用假牌、套用车牌和盗用车牌等现象进行识别和处理。现有的电子警察系统所用的车型识别方法，一般在使用方向梯度直方图(HOG)、局部二值模式(LBP)、哈尔(Haar)特征、词袋模型、费舍尔向量等方法提取图像中车型的特征后，将提取到的车型特征输入分类器中进行分类识别来获取图像中指定车辆的车型信息。然而，上述几种特征提取方法的鲁棒性较差，各有其局限性。且上述几种方法所获取到的车型特征的维数较大，难以进行精准的车型识别，在大规模车型图像识别应用中，特征获取过程的运算时间长，车型识别的效率低。
技术实现思路
有鉴于此，本专利技术提供了一种基于图像的车型识别方法及装置，能够解决现有技术在提取车型特征的过程中运算时间长、车型识别效率低的问题，提高车型识别的准确率。本专利技术实施例提供的基于图像的车型识别方法，包括：获取待识别车辆的图像；构建测试网络；将所述待识别车辆的图像输入所述测试网络，得到所述待识别车辆的车型特征；根据所述车型特征，确定所述待识别车辆的车型。优选地，所述根据所述车型特征，确定所述待识别车辆的车型，具体包括：获取所述车型特征中的最大特征值，所述车型特征包括至少两个特征值；根据车型特征模型，获取所述最大特征值所对应的车型，所述车型特征模型是预先根据所述测试网络得到的，所述车型特征模型为车型与特征值的一一对应关系；将所述最大特征值所对应的车型确定为所述待识别车辆的车型。优选地，所述获取待识别车辆的图像，具体包括：获取原始图像，所述原始图像中包括所述待识别车辆；检测所述原始图像中所述待识别车辆的位置，得到所述待识别车辆的检测框；根据预设规则，将所述检测框映射至真实框，所述真实框反映所述原始图像中所述待识别车辆的实际位置；根据所述真实框，提取所述原始图像上所述待识别车辆的图像。优选地，构建所述测试网络并得到所述车型特征模型的方法，具体包括：获取第一训练图像集合，所述第一训练图像集合包括多个不同车型车辆的图像；建立深度卷积神经网络，并以所述第一训练图像集合中的图像为输入训练所述深度卷积神经网络；根据训练后的深度卷积神经网络，构建所述测试网络；将所述第一训练图像集合中的图像输入所述测试网络，确定所述第一训练图像集合中每个车型所对应的特征值，得到所述车型特征模型。优选地，所述获取第一训练图像集合，具体包括：获取多个不同车型车辆的原始图像；逐一检测每个原始图像中车辆的位置，得到该原始图像中车辆的检测框后，根据预设规则，将所述检测框映射至真实框，所述真实框反映该原始图像中车辆的实际位置；根据所述每个原始图像中的真实框，提取所述每个原始图像上车辆的图像，得到所述第一训练图像集合。优选地，所述根据预设规则，将所述检测框映射至真实框，具体包括：获取所述检测框中心点的坐标以及所述检测框的宽和高；依据公式Gx1＝Pw1dx1(P)+Px1和公式Gy1＝Ph1dy1(P)+Py1，得到所述真实框中心点的坐标；依据公式Gw1＝Pw1exp[dw1(P)]和公式Gh1＝Ph1exp[dh1(P)]，得到所述真实框的宽和高；其中，所述检测框中心点的坐标为(Px1,Py1)，所述检测框的宽为Pw1，所述检测框的高为Ph1，所述真实框中心点的坐标为(Gx1,Gy1)，所述真实框的宽为Gw1，所述真实框的高为Gh1，dx1(P)、dy1(P)、dw1(P)和dh1(P)为预先得到的转换函数；或，获取所述检测框的预设顶点坐标以及所述检测框的宽和高；依据公式Gx2＝Pw2dx2(P)+Px2和公式Gy2＝Ph2dy2(P)+Py2，得到所述真实框的所述预设顶点坐标；依据公式Gw2＝Pw2exp[dw2(P)]和公式Gh2＝Ph2exp[dh2(P)]，得到所述真实框的宽和高；其中，所述检测框的预设顶点坐标为(Px2,Py2)，所述检测框的宽为Pw2，所述检测框的高为Ph2，所述真实框的所述预设顶点坐标为(Gx2,Gy2)，所述真实框的宽为Gw2，所述真实框的高为Gh2，dx2(P)、dy2(P)、dw2(P)和dh2(P)为预先得到的转换函数。优选地，得到所述转换函数的方法，具体包括：获取所述第二训练图像集合，所述第二训练图像集合包括多个不同车型车辆的图像；逐一检测所述车辆的位置，得到该图像上车辆的检测框，并获取该图像上车辆的真实框；获取所述第二训练图像集合中每个图像上车辆的检测框中图像的特征；根据所述第二训练图像集合中每个图像上车辆的检测框和真实框以及该检测框中图像的特征，训练公式Gx＝Pwdx(P)+Px、Gy＝Phdy(P)+Py、Gw＝Pwexp[dw(P)]和Gh＝Phexp[dh(P)]，得到所述转换函数。优选地，所述测试网络，包括：一个输入层、四个卷积层、四个池化层、两个全连接层和一个输出层；所述输入层之后连接第一个卷积层，每个卷积层之后连接与其对应的池化层，上一个卷积层所对应的池化层之后连接下一个卷积层，最后一个池化层之后连接所述两个全连接层，所述两个全连接层之后连接所述输出层。优选地，所述四个卷积层中卷积核大小依次为7×7像素、3×3像素、3×3像素和3×3像素，特征图个数依次为48个、96个、128个和256个；所述四个池化层为2×2大小的最大池化；所述两个全连接层的大小分别是1024维和4096维。本专利技术实施例提供的基于图像的车型识别装置，包括：图像获取模块、网络构建模块、特征获取模块和车型确定模块；所述图像获取模块，用于获取待识别车辆的图像；所述网络构建模块，用于构建测试网络；所述特征获取模块，用于将所述待识别车辆的图像输入所述测试网络，得到所述待识别车辆的车型特征；所述车型确定模块，用于根据所述车型特征，确定所述待识别车辆的车型。优选地，所述车型确定模块，具体包括：比较子模块、对比子模块和确定子模块；所述比较子模块，用于获取所述车型特征中的最大特征值，所述车型特征包括至少两个特征值；所述对比子模块，用于根据车型特征模型，获取所述最大特征值所对应的车型，所述车型特征模型是预先根据所述测试网络得到的，所述车型特征模型为车型与特征值的一一对应关系；所述确定子模块，用于将所述最大特征值所对应的车型确定为所述待识别车辆的车型。优选地，所述图像获取模块，具体包括：原始图像获取子模块、检测子模块、映射子模块和提取子模块；所述原始图像获取子模块，用于获取原始图像，所述原始图像中包括所述待识别车辆；所述检测子模块，用于检测所述原始图像中所述待识别车辆的位置，得到所述待识别车辆的检测框；所述映射子模块，用于根据预设规则，将本文档来自技高网...

【技术保护点】
一种基于图像的车型识别方法，其特征在于，包括：获取待识别车辆的图像；构建测试网络；将所述待识别车辆的图像输入所述测试网络，得到所述待识别车辆的车型特征；根据所述车型特征，确定所述待识别车辆的车型。

【技术特征摘要】
1.一种基于图像的车型识别方法，其特征在于，包括：获取待识别车辆的图像；构建测试网络；将所述待识别车辆的图像输入所述测试网络，得到所述待识别车辆的车型特征；根据所述车型特征，确定所述待识别车辆的车型。2.根据权利要求1所述的基于图像的车型识别方法，其特征在于，所述根据所述车型特征，确定所述待识别车辆的车型，具体包括：获取所述车型特征中的最大特征值，所述车型特征包括至少两个特征值；根据车型特征模型，获取所述最大特征值所对应的车型，所述车型特征模型是预先根据所述测试网络得到的，所述车型特征模型为车型与特征值的一一对应关系；将所述最大特征值所对应的车型确定为所述待识别车辆的车型。3.根据权利要求1所述的基于图像的车型识别方法，其特征在于，所述获取待识别车辆的图像，具体包括：获取原始图像，所述原始图像中包括所述待识别车辆；检测所述原始图像中所述待识别车辆的位置，得到所述待识别车辆的检测框；根据预设规则，将所述检测框映射至真实框，所述真实框反映所述原始图像中所述待识别车辆的实际位置；根据所述真实框，提取所述原始图像上所述待识别车辆的图像。4.根据权利要求2所述的基于图像的车型识别方法，其特征在于，构建所述测试网络并得到所述车型特征模型的方法，具体包括：获取第一训练图像集合，所述第一训练图像集合包括多个不同车型车辆的图像；建立深度卷积神经网络，并以所述第一训练图像集合中的图像为输入训练所述深度卷积神经网络；根据训练后的深度卷积神经网络，构建所述测试网络；将所述第一训练图像集合中的图像输入所述测试网络，确定所述第一训练图像集合中每个车型所对应的特征值，得到所述车型特征模型。5.根据权利要求4所述的基于图像的车型识别方法，其特征在于，所述获取第一训练图像集合，具体包括：获取多个不同车型车辆的原始图像；逐一检测每个原始图像中车辆的位置，得到该原始图像中车辆的检测框后，根据预设规则，将所述检测框映射至真实框，所述真实框反映该原始图像中车辆的实际位置；根据所述每个原始图像中的真实框，提取所述每个原始图像上车辆的图像，得到所述第一训练图像集合。6.根据权利要求3或5所述的基于图像的车型识别方法，其特征在于，所述根据预设规则，将所述检测框映射至真实框，具体包括：获取所述检测框中心点的坐标以及所述检测框的宽和高；依据公式Gx1＝Pw1dx1(P)+Px1和公式Gy1＝Ph1dy1(P)+Py1，得到所述真实框中心点的坐标；依据公式Gw1＝Pw1exp[dw1(P)]和公式Gh1＝Ph1exp[dh1(P)]，得到所述真实框的宽和高；其中，所述检测框中心点的坐标为(Px1,Py1)，所述检测框的宽为Pw1，所述检测框的高为...

【专利技术属性】
技术研发人员：邹博，邹达，李昕，李安邦，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁;21