The invention discloses a vehicle retrieval method based on local features, in particular: positioning the vehicle face and window with the target detection algorithm to obtain the vehicle sample; through certain preprocessing, the sample positions and intercepts the vehicle face and window, builds the deep learning algorithm of multi-task loss convolutional neural network, trains and obtains the CNN network model, realizes the classification and features of the vehicle model Extracting, matching and retrieving the significant features of vehicle face and window to retrieve the target vehicle, and retrieving the same vehicle, which solves the problem that there is no license plate in the existing technology. Because the appearance of the same vehicle cannot be distinguished, it is difficult to achieve the technical defect of accurately retrieving vehicles.
【技术实现步骤摘要】
一种基于局部特征的车辆检索方法
本专利技术涉及图像处理与检索领域,尤其涉及一种基于局部特征的车辆检索方法。
技术介绍
随着交通监控系统的数据库不断的扩大和更新,准确的在大规模的数据库中检索出目标车辆,对安防部门、公安侦查罪犯等社会应用有非常大的帮助。很多涉嫌违法犯罪的车辆常没有车牌(包括套牌、伪造车牌及遮挡车牌等),基于车牌识别的方法无法对其进行有效识别检索。目前关于车辆识别和检索研究,主要集中在识别大型货车、中型汽车、小型轿车等少数几类车型。随着图像识别研究的深入,针对例如奥迪Q5、奔驰S500等具体车辆型号识别的研究也逐步出现,而由于同一车型外观是无法分辨的,在无车牌的情况下检索出同一辆车难以实现。由于车脸能够有效的表达车辆的外观属性,通过基于车脸特征的分类能对车辆型号进行准确的识别,而因车主的喜好使车窗具有鲜明的局部特征,特殊标志(挂饰、摆件、纸巾盒、年检标)使得相同型号的车辆能够加以区分。因此,如何提供一种通过车脸、车窗图像对无牌车进行识别检索是本领域人员亟需解决的技术问题。
技术实现思路
有鉴于此,本专利技术提供了一种基于局部特征的车辆检索方法,包括车脸和车窗的定位、图像预处理、建立CNN网络模型、车脸和车窗特征提取与对比,实现在大规模车辆数据库高效准确的检索。为了实现上述目的,本专利技术采用如下技术方案:一种基于局部特征的车辆检索方法,包括以下步骤:步骤S1:车脸和车窗的定位:通过目标检测算法Fast-RCNN定位,利用运动目标检测技术从交通卡口 ...
【技术保护点】
1.一种基于局部特征的车辆检索方法,其特征在于,包括以下步骤:/n步骤S1:车脸和车窗的定位:通过目标检测算法Fast-RCNN定位,对无车牌的车脸及车窗进行检测定位,获得的局部区域的坐标;/n步骤S2:图像预处理:将步骤S1获取的车辆样本进行检测、裁剪、对齐预处理,并将图片格式转换为LMDB格式,生成减均值文件;/n步骤S3:建立CNN网络模型:通过基于搭建多任务loss双支网络构架,训练得到CNN网络模型用于特征提取;在网络构架的损失层上结合center loss和softmax,其中,centerloss通过惩罚每个种类的样本和该种样本中心的偏移,使同一种类的样本聚合在一起,其表示为:/n
【技术特征摘要】
1.一种基于局部特征的车辆检索方法,其特征在于,包括以下步骤:
步骤S1:车脸和车窗的定位:通过目标检测算法Fast-RCNN定位,对无车牌的车脸及车窗进行检测定位,获得的局部区域的坐标;
步骤S2:图像预处理:将步骤S1获取的车辆样本进行检测、裁剪、对齐预处理,并将图片格式转换为LMDB格式,生成减均值文件;
步骤S3:建立CNN网络模型:通过基于搭建多任务loss双支网络构架,训练得到CNN网络模型用于特征提取;在网络构架的损失层上结合centerloss和softmax,其中,centerloss通过惩罚每个种类的样本和该种样本中心的偏移,使同一种类的样本聚合在一起,其表示为:
其中,xi表示第i张图片的特征值,表示类yi的类中心,在此损失函数中,每个iteration计算当前数据和center的距离,然后把这个距离以梯度的形式叠加到center上实现的更新;
Softmax使用下式计算得到每一类的概率输出,
其中,xi为softmax层第i个节点值,yi为第i个输出值,n为softmax层的节点个数,
最后一个损失层是中心损失函数和softmax的结合,损失函数表示为:
步骤S...
【专利技术属性】
技术研发人员:蔡晓东,苏欣欣,
申请(专利权)人:桂林远望智能通信科技有限公司,
类型:发明
国别省市:广西;45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。