基于卷积神经网络的车辆属性识别方法与装置制造方法及图纸

本发明专利技术提供了一种基于卷积神经网络的车辆属性识别方法。该方法主要包括：利用样本图像训练卷积神经网络，获取待识别车辆的图像，利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。本发明专利技术提供的车辆属性识别方法可以在获取到待识别车辆图像后，无需用户自己设计特征，可以直接利用预先训练好的卷积神经网络直接提取深度特征，进行车型识别、车身颜色识别及驾驶员异常行为识别。

Vehicle attribute recognition method and device based on convolutional neural network

The invention provides a vehicle attribute recognition method based on convolution neural network. The method mainly includes: using the training sample image convolution neural network, image acquisition to vehicle recognition, image recognition using the trained neural network convolution of the vehicle, to obtain vehicle models, body color and abnormal behavior of driver attributes. Can the vehicle attribute recognition method provided by the invention in the access to the vehicle image to be identified, without the need for users to design their own features, you can directly use the pre trained convolutional neural network direct extraction depth characteristics, vehicle recognition, vehicle color recognition and driver abnormal behavior recognition.

【技术实现步骤摘要】
基于卷积神经网络的车辆属性识别方法与装置
本专利技术涉及
，尤其涉及一种基于卷积神经网络的车辆属性识别方法与装置。
技术介绍
车辆属性是车辆识别、标识、检索等相关应用的重要线索，它的内涵丰富，不仅标识了车辆自身的属性，如车牌号码、车辆品牌、车身颜色等，还包括乘员属性，比如驾驶员的异常行为。针对监控数据中的车辆自身属性进行识别，既可以从海量数据中提取有用信息，也可以节约数据存储成本，对帮助人们智能分析监控数据中的车辆起到重要作用。另外，全世界每天有3000多位乘车人员因为交通事故而丧生，每年有数以百万记的乘车人员因为交通事故受伤甚至致残。在因交通事故伤亡的人中，司机乘客未系安全带或者驾驶中接打电话等行为是伤势过重甚至死亡的重要原因之一。驾驶员异常行为检测算法可以通过分析图像信息，自动判断司机是否存在异常行为。目前，现有技术中的车辆自身属性识别方法一般基于人工规则设计特征(如HOG，SIFT等)描述车辆信息，再利用SVM(SupportVectorMachine，支持向量机)等分类算法进行模型训练。上述现有技术中的车辆自身属性识别方法的缺点为：需要针对不同的任务人为设计不同的特征，识别准确率低。该方法中的驾驶员异常行为检测算法只是检测是否系安全带，并且在安全带检测环节，通过霍夫变换识别安全带斜线信息容易受到司机衣着、车窗透光性较差等因素干扰，难以提取明显的安全带信息，进而导致检测不准确。
技术实现思路
本专利技术的实施例提供了一种基于卷积神经网络的车辆属性识别方法，以实现有效地提取出车辆属性。为了实现上述目的，本专利技术采取了如下技术方案。一种基于卷积神经网络的车辆属性识别方法，构造卷积神经网络，利用样本图像训练卷积神经网络，所述方法具体包括：获取待识别车辆的图像；利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。进一步地，所述的构造卷积神经网络，利用样本图像训练卷积神经网络包括：选定一个通用的分类网络，在所述分类网络的前半部分加入分支，使分支后的网络直到最后一个特征提取层具有上下两个分支，在上方分支最后的全连接层并列两个softmax层，该两个softmax层用于车型和车身颜色的识别；在下方分支最后的全连接层添加一个softmax层，该softmax层用于驾驶员异常行为的识别，得到初始的卷积神经网络；获取标记好车辆属性的样本图像，所述车辆属性包括车型、车身颜色和驾驶员异常行为；利用所述初始的卷积神经网络识别所述样本图像，根据所述初始的卷积神经网络输出结果与所述样本图像的车辆属性之间的差异，从所述初始的卷积神经网络的最后一层通过反向传播算法开始逐层向前反馈，进行卷积神经网络的网络参数的训练；对所述初始的卷积神经网络经过一定数量的样本图像的训练后，得到训练好的卷积神经网络。进一步地，所述的利用样本图像训练卷积神经网络还包括：当不同类别的样本图像的数量差大于设定的阈值时，给不同类别的样本图像分别设置不同的权重，样本图像数量少的类别增大权重，样本图像数量多的类别减小权重，样本图像的权重与该样本图像的数量占训练样本总数的比例成反比。进一步地，所述卷积神经网络包括：卷积层、池化层和全连接层，所述卷积层的单元由一定个数的特征图组成，每一层的特征图通过卷积核连接到上一层的特征图的局部区域，每一层的特征图通过卷积运算、再通过加权和激活函数激活得到，所述池化层降低了特征表示的维度，所述全连接层的每一个神经元都与上一层的每一个神经元连接。进一步地，在所述卷积神经网络的公共卷积层后分为两个分支，在第一个分支中，车型识别和车身颜色识别共享网络参数，在第一个分支中最后的全连接层并列两个softmax层，该两个softmax层分别输出车辆属于各种车型的概率向量、各种车身颜色的概率向量；在第二个分支中，驾驶员异常行为识别具有单独的网络参数，在第二个分支中最后的全连接层设置一个softmax层，该softmax层输出驾驶员的行为属于各种异常行为的概率向量。进一步地，所述的驾驶员异常行为包括：未系安全带、接打电话、抽烟和无法识别。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例提供的车辆属性识别方法可以在获取到待识别车辆图像后，无需用户自己设计特征，可以直接利用预先训练好的卷积神经网络直接提取深度特征，进行车型识别、车身颜色识别及驾驶员异常行为识别。同时，车型识别任务和车身颜色识别任务共享网络参数，提取出的深度特征不仅可以刻画车型，同时包含有车身的颜色信息，实现了只提取一次特征同时识别两种属性的方法，不仅提高了识别的准确率，同时提升了识别的速度。驾驶员异常行为识别和车辆自身属性识别共享部分网络参数，节省了计算时间。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种卷积神经网络的车辆属性识别方法的处理流程图；图2为本专利技术实施例提供的一种卷积神经网络的架构示意图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。为便于对本专利技术实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本专利技术实施例的限定。本专利技术实施例提出了一种基于卷积神经网络的车辆属性识别方法，在一个卷积神经网络中同时提取出车辆的深度特征用来识别车型和车身颜色及驾驶员行为，解决了现有技术下车型识别和车身颜色识别准确率低及驾驶员异常行为检测难效果差的问题。上述基于卷积神经网络的车辆属性识别方法的处理流程如图1所示，包括如下的处理步骤：步骤S110、利用样本图像训练卷积神经网络。选定一个通用的分类网络，在所述分类网络的前半部分加入分支，使分支后的网络直到最后一本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的车辆属性识别方法，其特征在于，构造卷积神经网络，利用样本图像训练卷积神经网络，所述方法具体包括：获取待识别车辆的图像；利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。

【技术特征摘要】
1.一种基于卷积神经网络的车辆属性识别方法，其特征在于，构造卷积神经网络，利用样本图像训练卷积神经网络，所述方法具体包括：获取待识别车辆的图像；利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。2.根据权利要求1所述的方法，其特征在于，所述的构造卷积神经网络，利用样本图像训练卷积神经网络包括：选定一个通用的分类网络，在所述分类网络的前半部分加入分支，使分支后的网络直到最后一个特征提取层具有上下两个分支，在上方分支最后的全连接层并列两个softmax层，该两个softmax层用于车型和车身颜色的识别；在下方分支最后的全连接层添加一个softmax层，该softmax层用于驾驶员异常行为的识别，得到初始的卷积神经网络；获取标记好车辆属性的样本图像，所述车辆属性包括车型、车身颜色和驾驶员异常行为；利用所述初始的卷积神经网络识别所述样本图像，根据所述初始的卷积神经网络输出结果与所述样本图像的车辆属性之间的差异，从所述初始的卷积神经网络的最后一层通过反向传播算法开始逐层向前反馈，进行卷积神经网络的网络参数的训练；对所述初始的卷积神经网络经过一定数量的样本图像的训练后，得到训练好的卷积神经网络。3.根据权利要求2所述的方法，其特征在于，所述的利用样本图像训练卷积神经...

【专利技术属性】
技术研发人员：王耀威，徐博，田永鸿，黄铁军，
申请(专利权)人：北京理工大学，北京大学，
类型：发明
国别省市：北京,11