一种高精度车辆识别方法及系统技术方案

本发明专利技术涉及一种车辆识别技术领域，特别涉及一种稀有车辆识别的系统和方法。现有技术中部分车型数量较少，训练时可能出现较为严重的样本不均衡情况；本发明专利技术提供了一种车辆识别的系统和方法，该方法包括步骤S1：将待检测的图像输入通用车型检测模型进行检测；步骤S2：根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率。通过使用特定车辆检测模型来检测稀有车型，实现了对稀有车型的较高分类和位置准确率从而提高了车型检测的整体精准度。

A High Precision Vehicle Recognition Method and System

【技术实现步骤摘要】
一种高精度车辆识别方法及系统
本专利技术涉及一种车辆识别
，特别涉及一种稀有车辆识别的系统和方法。
技术介绍
车型识别指智能系统根据车辆图像自动判别出图像中车辆所属的类别。依据车型识别人们可以统计道路交通情况，或者锁定某一类型的车辆。现有的车型识别系统往往直接使用大的数学模型或者神经网络学习所有车型的特征并对车型进行识别。然而，由于部分车型数量较少，训练时可能出现较为严重的样本不均衡情况。而这些不常见车型一旦出现在实际道路行驶时，会因之前训练的不充分，造成自动驾驶判断的不准确。因此如何针对稀有、特殊车型车辆进行神经网络学习是目前亟待解决的问题。另外某些车型之间模式差异很小，这对神经网络学习训练都会带来困扰。上述情况都可能导致不同车型识别准确率相差很大从而影响识别系统整体的精准度。
技术实现思路
有鉴于此，本申请提供一种基于卷积神经网络的高精度车型识别方法。该方法通过预先训练好的两个车型检测网络，这两个识别网络可以对车辆图片特征进行提取并识别对应车型，本申请中通过将两个网络级联的方法实现了对稀有车型或相似车型的较高识别准确率从而提高了车型识别的整体精准度。鉴于现有技术中存在的问题，本专利技术提供一种车辆识别方法，其特征在于：所述方法包括以下步骤：步骤S1:将待检测的图像输入通用车型检测模型进行检测；步骤S2:根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率。优选地，所述通用车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。优选地，所述特定车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。优选地，所述步骤S2包括通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时，将该待检测的图像输入用于识别稀有车型的所述特定车型检测模型。优选地，该卷积神经网络会输出长度为M的向量，M代表稀有车型的数目，向量中每个数值代表图像中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。优选地，所述卷积神经网络提取的特征输入到softmax函数进行识别，softmax函数如下：其中，x为卷积神经网络提取的特征向量，j为类别索引，T为矩阵转置，wj为第j类特征的权重向量，wm为第m类特征的权重向量，M为识别系统中模式类别的数量即车型的数目；该卷积神经网络会输出长度为M的向量，向量中每个数值P(y＝j|x)代表图片中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。本专利技术的第二个方面，提供一种车辆识别方法，其特征在于：所述方法包括以下步骤：步骤S1：将待检测的图像输入通用车型检测模型进行检测；步骤S2：根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率；步骤S4：将识别出的车辆位置和类别概率输入到下级车辆位置或速度判别模型以提高这些模型的准确率。本专利技术的第三个方面，提供一种车辆识别系统，所述系统包括通用车型检测模型、特定车辆识别模型；所述通用车型检测模型用于检测待检测的图像，计算类别概率并输出识别结果；所述系统根据类别概率和预设阈值判断是否使用特定车型检测模型；所述特定车辆识别模型用于检测满足所述阈值的图像，并输出识别结果。优选地，所述通用车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。优选地，所述特定车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。优选地，所述通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时，将该待检测的图像输入用于识别稀有车型的所述特定车型检测模型。优选地，该卷积神经网络会输出长度为M的向量，M代表稀有车型的数目，向量中每个数值代表图像中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。优选地，所述卷积神经网络提取的特征输入到softmax函数进行识别，softmax函数如下：其中，x为卷积神经网络提取的特征向量，j为类别索引，T为矩阵转置，wj为第j类特征的权重向量，wm为第m类特征的权重向量，M为检测系统中模式类别的数量即车型的数目。该卷积神经网络会输出长度为M的向量，向量中每个数值P(y＝j|x)代表图片中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。本专利技术的第四方面，提供一种车辆识别系统，所述系统包括通用车型检测模型、特定车辆检测模型；所述通用车型检测模型用于检测待检测的图像，计算类别概率并输出识别结果；所述系统根据类别概率和预设阈值判断是否使用特定车型检测模型；所述特定车辆检测模型用于检测满足所述阈值的图像，并输出识别结果；所述系统还包括下级车辆位置或速度判别模型，其用于检测车辆位置或速度以提高所述系统的准确率。与现有技术相比，本专利技术具有下述的专利技术点与有益效果，但不局限于下述几点：(1)设立特定车型检测模型；实现了对稀有车型(也可以是相似车型)的较高识别准确率从而提高了车型识别的整体精准度；通过该方式，实现对车型学习的细分。现有技术中因为没有做这样的车型细分技术，造成因稀有车型的训练数据少，在大数据训练时出现数据不平衡，影响训练效果。现有技术中有车辆与非车辆的图像识别，但与本专利技术有着极大的不同，对于非车辆其图像参数特征与车辆有很大的区别，这使用构造模型训练时较为简单，也不需要后续的类别概率判断。因此本专利技术的构建特定车型检测模型是本专利技术的专利技术点之一。(2)通过阈值来控制识别模型的使用，使用者可根据外界情况的变化进行调整。将卷积神经网络提取的特征输入到softmax函数进行识别。该卷积神经网络会输出长度为M的向量，向量中每个数值P(y＝j|x)代表图片中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。采用该类别概率识别方法来划分出稀有车型与通用车型是本专利技术的一个创新之处，虽然softmax函数是本领域中已知的函数，但还未发现将该函数用于两类不用车型的划分这一
，采用该算法实践表明其类别概率满足了判定稀有车型与通用车型的要求。符合本专利技术模型的需求。这是本专利技术的专利技术点之一。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1是本专利技术实施例提供的车型识别过程示意图；图2是本专利技术实施例提供的通用车型检测网络和特定车型检测网络训练过程示意图；图3本专利技术实施例提供的车型检测网络施用过程示意图。具体实施例为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。本专利技术通过利用级联网络提取车辆图像的图片特征然后本文档来自技高网...

【技术保护点】
1.一种车辆识别方法，其特征在于：所述方法包括以下步骤：步骤S1：将待检测的图像输入通用车型检测模型进行检测；步骤S2：根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率。

【技术特征摘要】
1.一种车辆识别方法，其特征在于：所述方法包括以下步骤：步骤S1：将待检测的图像输入通用车型检测模型进行检测；步骤S2：根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率。2.根据权利要求1所述的方法，其特征在于：所述通用车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。3.根据权利要求1所述的方法，其特征在于：所述特定车型检测模型由卷积神经网络模型实现，该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。4.根据权利要求1所述的方法，其特征在于：所述步骤S2包括通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时，将该待检测的图像输入用于检测稀有车型的所述特定车型检测模型。5.根据权利要求2-3所述的方法，所述卷积神经网络最后一层为全连接层，所述全连接对卷积神经网络提取到的特征进行映射，再经过softmax函数后输入长度为K的向量；其中K代表车型的数目，向量中的数值代表车辆样本图片中的车辆属于某一类别的类别概率。6.根据权利要求3所述的方法，其特征在于：所述卷积神经网络会输出长度为M的向量，M代表稀有车型的数目，向量中每个数值代表图像中车辆属于某一类别的类别概率，所述类别概率向量中最大值对应的车型即为识别结果。7.根据权利要求3所述的方法，所述卷积神经网络提取的特征输入到softmax函数进行识别，softmax函数如下：其中，x为卷积神经网络提取的特征向量，j为类别索引，T为矩阵转置，wj为第j类特征的权重向量，wm为第m类特征的权重向量，M为识别系统中模式类别的数量即车型的数目；该卷积神经网络会输出长度为M的向量，向量中每个数值P(y＝j|x)代表图片中车辆属于某一类别的类别概率，类别概率向量中最大值对应的车型即为识别结果。8.一种车辆识别方法，其特征在于：所述方法包括以下步骤：步骤S1：将待检测的图像输入通用车型检测模型进行检测；步骤S2：根据类别概率和预设阈值判断是否使用特定车型检测模型；步骤S3：如果所述类别概率满足步骤S2所述的阈值条件，将图片输入特定车型检测网络，由所述特定车型检测模型输出车辆位置和类别概率；如果不满足，则由所述通用车型检测模型输出车辆位置和类别概率；步骤S4：将...

【专利技术属性】
技术研发人员：李亚，费晓天，邓浩平，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：江苏,32