车辆检查系统、车辆部位识别方法及系统技术方案

本发明专利技术公开了一种车辆部位识别方法、系统及车辆检查系统。其中该方法包括：通过获取待识别车辆的车体图像序列，并利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构，以获取所述待识别车辆的车体重构图像，基于待识别车辆的车体重构图像识别待识别车辆的分界标识。本公开增加了分界标识识别的准确率，加快了识别速度。

Vehicle inspection system, vehicle position identification method and system

The invention discloses a vehicle position identification method, a system and a vehicle inspection system. The method includes: through the body image sequence to acquire the recognition of the vehicle, and the use of a deep learning through the first body model reconstruction algorithm to generate the body reconstruction of the body image sequence based on the reconstruction of the body image acquisition vehicle recognition, vehicle image recognition for reconstruction of boundary identification for vehicle recognition for vehicle recognition based on. The present invention increases the accuracy of boundary mark identification and accelerates the recognition speed.

【技术实现步骤摘要】
车辆检查系统、车辆部位识别方法及系统
本公开涉及车辆识别以及车辆安全检查
，具体而言，涉及一种车辆部位识别方法、车辆部位识别系统以及应用该车辆部位识别系统的车辆检查系统。
技术介绍
随着人民生活水平的不断提高，汽车等车辆的总拥有量也开始迅猛增长。人们对车辆管理的要求也越来越高，各停车场、公路收费站、机关单位、小区等的车辆出入口都需要根据具体的需求对车辆的某一部位进行识别。举例而言，在车辆安全检查领域，需要对集装箱卡车和各种货车在不停车的情况下进行检查，这样可以大大提高安全检查效率。在这种情况下就要求驾驶员开车通过射线照射区域，而由于加速器或放射源的能量及剂量通常很高，对驾驶员会造成很大伤害，因此如何准确的识别驾驶员所在的驾驶室(车头部分)，从而控制射线源对驾驶室不进行照射或低剂量地进行照射就显得尤为重要。目前常用的方法是通过图像数据采集设备采集待检车辆的全部或者大部分的车体图像，基于采集到的车体图形并结合根据经验值及分析得到的规律判断车体图像中的信息，进而对车头和车身进行分离。基于对待检车辆的车体图像中的车头和车身的分离结果判断待检车辆的车头通过射线照射区域后，对车头后面的车厢进行照射。在上述方式中，一方面，需要采集待检车辆的全部或者大部分车体图像才能识别车头位置，降低了车头位置识别的速度，进而降低了车辆安全检查的速度，同时增加了识别成本；另一方面，通过经验值及分析得到的规律判断车体图像中车头的位置，只能识别出部分特定车辆的车头位置，在识别其他车辆的车头位置时，会出现识别速度慢或者出现误判的情况，降低了车头位置识别的效率，同时若出现误判会给驾驶员的安全造成极大的隐患。需要说明的是，上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种车辆部位识别方法、车辆部位识别系统以及应用该车辆部位识别系统的车辆检查系统，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。根据本公开的一个方面，提供一种车辆部位识别方法，包括：对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列；利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构，以获取所述待识别车辆的车体重构图像；基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。在本公开的一种示例性实施例中，所述方法还包括：基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型；其中，在判断所述待识别车辆的类型属于预设类型后，基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。在本公开的一种示例性实施例中，还包括通过深度学习算法生成所述第一车体重构模型，包括：获取多个被标识出所述预设部位的第一样本车体图像；获取多个待标识出所述预设部位的第二样本车体图像；通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数；将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。在本公开的一种示例性实施例中，所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数，包括：对一受限玻尔兹曼机模型中的所述第一参数进行初始化，并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k；在所述训练周期内，调用所述训练算法并结合所述学习率以及参数k，向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练，得到所述第一参数的增量；根据所述第一参数的增量对所述第一参数进行更新，并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。在本公开的一种示例性实施例中，所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括：设定一循环神经网络模型中的训练周期、运行时间；在所述运行时间为t时刻时，判断所述训练周期是否结束；在判断所述训练周期未结束时，向所述循环神经网络模型输入所述第二样本车体图像得到第n输出，基于所述第n输出对所述分界标识进行第n次识别，并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整；在判断所述训练周期结束时，基于第n-1次调整后的所述第一参数，得到所述第二车体重构模型。在本公开的一种示例性实施例中，在所述利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构之前还包括：将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率，并对缩放后的所述待识别车辆的车体图像进行灰度拉伸，得到所述待识别车辆的车体图像的归一化图像；采用固定的阈值对所述归一化图像进行分割，所述归一化图像中大于所述阈值的像素作为车体，所述归一化图像中小于或者等于所述阈值的像素作为背景。在本公开的一种示例性实施例中，所述对待识别车辆进行车体图像采集包括：判断是否已经获取所述预设部位的位置；在判断尚未获取所述预设部位的位置时，将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。在本公开的一种示例性实施例中，所述待识别车辆的预设部位为车头。根据本公开的一个方面，提供一种车辆部位识别系统，包括：图像采集模块，用于对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列；图像重构模块，用于利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构，以获取所述待识别车辆的车体重构图像；第一识别模块，用于基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。在本公开的一种示例性实施例中，所述系统还包括：第一判断模块，用于基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型；所述第一识别模块用于在判断所述待识别车辆的类型属于预设类型后，基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。在本公开的一种示例性实施例中，还包括一第一车体重构模块，包括：第一获取单元，用于获取多个被标识出所述预设部位的第一样本车体图像；第二获取单元，用于获取多个待标识出所述预设部位的第二样本车体图像；参数确定单元，用于通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数；车体重构单元，用于将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。在本公开的一种示例性实施例中，所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数包括：对一受限玻尔兹曼机模型中的所述第一参数进行初始化，并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k；在所述训练周期内，调用所述训练算法并结合所述学习率以及参数k，向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练，得到所述第一参数的增量；根据所述第一参数的本文档来自技高网...

【技术保护点】
一种车辆部位识别方法，其特征在于，包括：对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列；利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构，以获取所述待识别车辆的车体重构图像；基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。

【技术特征摘要】
1.一种车辆部位识别方法，其特征在于，包括：对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列；利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构，以获取所述待识别车辆的车体重构图像；基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。2.根据权利要求1所述的车辆部位识别方法，其特征在于，所述方法还包括：基于所述待识别车辆的车体重构图像判断所述待识别车辆的类型；其中，在判断所述待识别车辆的类型属于预设类型后，基于所述待识别车辆的车体重构图像识别所述待识别车辆的预设部位与其他部位之间的分界标识以获取所述预设部位的位置。3.根据权利要求1所述的车辆部位识别方法，其特征在于，还包括通过深度学习算法生成所述第一车体重构模型，包括：获取多个被标识出所述预设部位的第一样本车体图像；获取多个待标识出所述预设部位的第二样本车体图像；通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数；将所述第一样本车体图像输入所述第二车体重构模型以对所述第一参数进行校正以得到所述第一车体重构模型。4.根据权利要求3所述的车辆部位识别方法，其特征在于，所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数包括：对一受限玻尔兹曼机模型中的所述第一参数进行初始化，并设定所述受限玻尔兹曼机模型的训练周期、学习率以及一训练算法的参数k；在所述训练周期内，调用所述训练算法并结合所述学习率以及参数k，向受限玻尔兹曼机模型输入所述第二样本车体图像进行k次训练，得到所述第一参数的增量；根据所述第一参数的增量对所述第一参数进行更新，并基于所述受限玻尔兹曼机模型以及更新后的所述第一参数得到所述第二车体重构模型。5.根据权利要求3所述的车辆部位识别方法，其特征在于，所述通过一预设深度学习算法对所述第二样本车体图像中所述预设部位进行识别以确定一第二车体重构模型的第一参数,包括：设定一循环神经网络模型中的训练周期、运行时间；在所述运行时间为t时刻时，判断所述训练周期是否结束；在判断所述训练周期未结束时，向所述循环神经网络模型输入所述第二样本车体图像得到第n输出，基于所述第n输出对所述分界标识进行第n次识别，并基于所述分界标识的第n次识别对第n-1次调整后的所述第一参数进行第n次调整；在判断所述训练周期结束时，基于第n-1次调整后的所述第一参数，得到所述第二车体重构模型。6.根据权利要求1所述的车辆部位识别方法，其特征在于，在所述利用一通过深度学习算法生成的第一车体重构模型基于所述车体图像序列进行车体重构之前还包括：将采集到的所述待识别车辆的车体图像的分辨率缩放到一预设分辨率，并对缩放后的所述待识别车辆的车体图像进行灰度拉伸，得到所述待识别车辆的车体图像的归一化图像；采用固定的阈值对所述归一化图像进行分割，所述归一化图像中大于所述阈值的像素作为车体，所述归一化图像中小于或者等于所述阈值的像素作为背景。7.根据权利要求1所述的车辆部位识别方法，其特征在于，所述对待识别车辆进行车体图像采集包括：判断是否已经获取所述预设部位的位置；在判断尚未获取所述预设部位的位置时，将当前时刻以及当前时刻之前采集的所述车体图像输入到所述第一车体重构模型中。8.根据权利要求7所述的车辆部位识别方法，其特征在于，所述待识别车辆的预设部位为车头。9.一种车辆部位识别系统，其特征在于，包括：图像采集模块，用于对待识别车辆进行车体图像采集以获取所述待识别车辆的车体图像序列...

【专利技术属性】
技术研发人员：许艳伟，胡峥，王永明，高川，喻卫丰，李强，马媛，顾建平，胡煜，孙尚民，
申请(专利权)人：同方威视技术股份有限公司，
类型：发明
国别省市：北京,11