一种车型识别方法、装置制造方法及图纸

本发明专利技术公开了一种车型识别方法，通过车型不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层，构建基于卷积神经网络的车型识别模型，对视频流中的车辆图像进行识别，输出视频流中的车辆对应的车型，在保证准确率的前提下，能快速识别交通视频中的车辆类型，解决现有技术车型识别率低、实时性差的问题。

A vehicle type identification method and device

【技术实现步骤摘要】
一种车型识别方法、装置
本申请涉及智能交通领域，具体涉及一种车型识别方法，同时涉及一种车型识别装置。
技术介绍
随着计算机硬件技术和计算机视觉技术的发展，智能交通(ITS)也得到快速的发展。自动交通事件检测系统是智能交通系统很重要的一部分，也越来越受到广大学者们的关注。一个好的自动交通事件检测系统，车辆检测是关键。传统的车辆检测方法很多，但其鲁棒性都不够好，基于交通视频的车辆检测以其检测范围大、工程量小、安装简单、成本低、信息丰富而逐步取代传统的检测方法。利用视频进行车辆的识别，涉及两个主要技术：车辆的检测定位和车辆的识别。车辆的检测定位是车辆识别的基础。车辆的检测定位主要有两种方法：一种是使用高斯对背景建模，然后使用视频帧画面减去背景即可得到前景运动车辆；另一种针对交通视频采集器是固定的，可以使用帧差法得到运动目标而目前车型识别分类主要有两种方式：(1)利用特征提取算法提取图像的特征，然后使用传统机器学习分类器进行分类。例如：提取车辆图像Harr-like特征，然后使用Adaboost做特征选择并进行分类；提取尾灯和车辆尺寸等特征，然后使用混合动态贝叶斯网络(HDBN)进行车型的分类；使用车辆边缘信息作为特征，并使用Adaboost进行分类；通过高斯背景建模，提取背景，进而得到前景车辆，然后提取车辆宽高比、宽度等特征，并使用支持向量机(SVM)进行分类。(2)使用深度学习进行端到端的学习，模型自动具有特征提取能力。例如：使用神经网络进行端到端的学习；使用深度置信网络(DBN)进行车辆、行人的识别。然而，第一种方式识别正确率普遍低于第二种方式，第二种方式又具有很高的时间复杂度，不具有实时性。
技术实现思路
本申请提供一种车型识别方法，解决现有技术车型识别率低、实时性差的问题。本申请提供一种车型识别方法，包括：使用帧差法提取视频流中，待识别的车辆图像；构建基于卷积神经网络的车型识别模型；所述模型包括针对车型的不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层；使用所述车型识别模型对待识别的车辆图像进行车型识别，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类；将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较，若所述绝对值大于预设阈值，则所述模型输出最大概率值对应的车型；若所述差值小于预设阈值，则对所述低层次特征和高层次特征输出的概率值分别赋予不同的权重系数，并进行加权计算，所述模型输出加权计算结果中最大概率值对应的车型。优选的，使用帧差法提取视频流中，待识别的车辆图像，包括：使用帧差法提取视频流中，包含车辆的最小外接矩形图像；将所述最小外接矩形图像作为待识别的车辆图像。优选的，使用帧差法提取视频流中，包含车辆的最小外接矩形图像，包括：通过边缘检测算子计算视频流中的连续两帧图像Fk和Fk－1对应的Ek和Ek－1两张边缘图像；差分Ek和Ek－1两张边缘图像，获得边缘差分图像Dk；将边缘差分图像Dk划分为多块，将非0的块标记为Sk；根据预设预值对Sk进行二值化，获得边缘差分图像Dk对应的矩阵M；对矩阵M中的非0的块进行连接，并删除不符合车辆图像像素块大小的区域，获得包含车辆的最小外接矩形图像。优选的，在构建基于卷积神经网络的车型识别模型的步骤之后，还包括：使用训练数据集前向传播和反向传播，训练包括公共卷积层在内的多个卷积层和所述模型包括的高层次特征的分类器；将训练数据集通过公共卷积层，获得特征数据集，使用所述特征数据集训练所述模型包括的低层次特征的分类器，并在反向传播时微调公共卷积层参数。优选的，还包括：使用测试数据集，对训练完成的基于卷积神经网络的车型识别模型进行测试；若测试结果的准确率大于预设阈值，则所述模型测试通过。优选的，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类，包括：所述模型包括针对车型的低层次特征和高层次特征的分类器；低层次特征分类器对所述模型公共卷积层中，待识别的车辆图像的低层次特征进行分类；高层次特征分类器对所述模型包括公共卷积层在内的多个卷积层中，待识别的车辆图像的高层次特征进行分类。优选的，将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较，若所述绝对值大于预设阈值，则所述模型输出最大概率值对应的车型，包括：将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较；若所述绝对值大于预设阈值，则确定待识别的车辆图像的车型，为所述最大概率值对应的车型。优选的，若所述差值小于预设阈值，则对所述低层次特征和高层次特征输出的概率值分别赋予不同的权重系数，并进行加权计算，所述模型输出加权计算结果中最大概率值对应的车型，包括：若所述绝对值小于预设阈值，对所述低层次特征输出的概率值赋予权重系数α，对所述高层次特征输出的概率值赋予权重系数β，并且α+β＝1&&α<β；对所述低层次特征输出的概率值使用α进行加权运算，对所述高层次特征输出的概率值使用β进行加权运算；将加权运算结果中的最大概率值，确定待识别的车辆图像的车型，为所述最大概率值对应的车型。本申请同时提供一种车型识别装置，包括：图像获取单元，使用帧差法提取视频流中，待识别的车辆图像；模型构建单元，构建基于卷积神经网络的车型识别模型；所述模型包括针对车型的不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层；特征分类单元，使用所述车型识别模型对待识别的车辆图像进行车型识别，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类；车型识别单元，将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较，若所述绝对值大于预设阈值，则所述模型输出最大概率值对应的车型；车型识别单元，若所述差值小于预设阈值，则对所述低层次特征和高层次特征输出的概率值分别赋予不同的权重系数，并进行加权计算，所述模型输出加权计算结果中最大概率值对应的车型。优选的，车型识别单元，包括：比较子单元，将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较；车型输出子单元，若所述绝对值大于预设阈值，则确定待识别的车辆图像的车型，为所述最大概率值对应的车型。本申请提供一种车型识别方法，通过车型不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层，构建基于卷积神经网络的车型识别模型，对视频流中的车辆图像进行识别，输出视频流中的车辆对应的车型，在保证准确率的前提下，能快速识别交通视频中的车辆类型，解决现有技术车型识别率低、实时性差的问题。附图说明图1是本本文档来自技高网...

【技术保护点】
1.一种车型识别方法，其特征在于，包括：/n使用帧差法提取视频流中，待识别的车辆图像；/n构建基于卷积神经网络的车型识别模型；所述模型包括针对车型的不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层；/n使用所述车型识别模型对待识别的车辆图像进行车型识别，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类；/n将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较，若所述绝对值大于预设阈值，则所述模型输出最大概率值对应的车型；/n若所述差值小于预设阈值，则对所述低层次特征和高层次特征输出的概率值分别赋予不同的权重系数，并进行加权计算，所述模型输出加权计算结果中最大概率值对应的车型。/n

【技术特征摘要】
1.一种车型识别方法，其特征在于，包括：
使用帧差法提取视频流中，待识别的车辆图像；
构建基于卷积神经网络的车型识别模型；所述模型包括针对车型的不同层次特征的分类器，以及包括公共卷积层在内的多个卷积层；
使用所述车型识别模型对待识别的车辆图像进行车型识别，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类；
将所述低层次特征中输出的两个最大概率值的差值绝对值，与预设阈值进行比较，若所述绝对值大于预设阈值，则所述模型输出最大概率值对应的车型；
若所述差值小于预设阈值，则对所述低层次特征和高层次特征输出的概率值分别赋予不同的权重系数，并进行加权计算，所述模型输出加权计算结果中最大概率值对应的车型。


2.根据权利要求1所述的方法，其特征在于，使用帧差法提取视频流中，待识别的车辆图像，包括：
使用帧差法提取视频流中，包含车辆的最小外接矩形图像；
将所述最小外接矩形图像作为待识别的车辆图像。


3.根据权利要求2所述的方法，其特征在于，使用帧差法提取视频流中，包含车辆的最小外接矩形图像，包括：
通过边缘检测算子计算视频流中的连续两帧图像Fk和Fk－1对应的Ek和Ek－1两张边缘图像；
差分Ek和Ek－1两张边缘图像，获得边缘差分图像Dk；
将边缘差分图像Dk划分为多块，将非0的块标记为Sk；
根据预设预值对Sk进行二值化，获得边缘差分图像Dk对应的矩阵M；
对矩阵M中的非0的块进行连接，并删除不符合车辆图像像素块大小的区域，获得包含车辆的最小外接矩形图像。


4.根据权利要求1所述的方法，其特征在于，在构建基于卷积神经网络的车型识别模型的步骤之后，还包括：
使用训练数据集前向传播和反向传播，训练包括公共卷积层在内的多个卷积层和所述模型包括的高层次特征的分类器；
将训练数据集通过公共卷积层，获得特征数据集，使用所述特征数据集训练所述模型包括的低层次特征的分类器，并在反向传播时微调公共卷积层参数。


5.根据权利要求1或4所述的方法，其特征在于，还包括：
使用测试数据集，对训练完成的基于卷积神经网络的车型识别模型进行测试；
若测试结果的准确率大于预设阈值，则所述模型测试通过。


6.根据权利要求1所述的方法，其特征在于，所述分类器，对公共卷积层中待识别的车辆图像的低层次特征，以及对所有卷积层中待识别的车辆图像的高层次特征进行分类，包括：
所述模型包括针对车型的低层次特征和...

【专利技术属性】
技术研发人员：文国坤，
申请(专利权)人：华迪计算机集团有限公司，
类型：发明
国别省市：北京;11