【技术实现步骤摘要】
一种车辆抓拍识别系统及方法
[0001]本专利技术属于车辆识别
,具体涉及一种车辆抓拍识别系统及方法
。
技术介绍
[0002]车辆抓拍是一种用于捕捉
、
记录和识别行驶中的车辆的技术和过程,车辆抓拍可以用于多种应用,包括交通监控
、
停车管理
、
安全监控
、
道路收费
、
车辆识别
、
数据分析和智能交通系统等领域,车辆抓拍技术的应用范围非常广泛,可以提高交通管理的效率
、
改善道路安全
、
提供实时交通信息,以及支持犯罪调查等任务,它在智能交通系统
、
城市规划和安全监控中发挥着重要作用
。
[0003]现有技术中,对摄像头采集的车辆图片进行车辆识别准确率不高,而且往往需要长时间的处理才能得到反馈结果,拖慢了违规车辆的处理时间,危害道路安全
。
技术实现思路
[0004]为了解决现有技术存在的对摄像头采集的车辆图片进行车辆识别准确率不高,而且往往需要长时间的处理才能得到反馈结果,拖慢了违规车辆的处理时间,危害道路安全的技术问题,本专利技术提供一种车辆抓拍识别系统及方法
。
[0005]第一方面本专利技术提供了一种车辆抓拍识别方法,包括:
S101
:利用哈希表构建车辆数据库,其中,车辆数据库包括车辆型号和相对应的车牌号码;
S102
:基于生成对抗网络模型构建车辆生成数 ...
【技术保护点】
【技术特征摘要】
1.
一种车辆抓拍识别方法,其特征在于,包括:
S101
:利用哈希表构建车辆数据库,其中,所述车辆数据库包括车辆型号和相对应的车牌号码;
S102
:基于生成对抗网络模型构建车辆生成数据;
S103
:利用剪枝技术构建轻量级的卷积神经网络模型;
S104
:利用所述车辆生成数据对优化后的卷积神经网络模型进行车辆识别训练,结合遗传算法对所述卷积神经网络模型进行超参数优化,直至所述卷积神经网络模型的车辆识别正确率达到预设准确率;
S105
:获取目标车辆图片,对所述目标车辆图片进行预处理,其中,所述预处理包括边缘检测和图像矫正;
S106
:利用训练好的所述卷积神经网络模型对预处理后的目标车辆图片进行车辆识别,提取车辆型号与车牌号码;
S107
:将识别结果与所述车辆数据库进行检索,获取检索结果,在所述检索结果一致的情况下,输出目标车辆信息;
S108
:在所述检索结果不一致的情况下,将所述目标车辆纳入违法车辆库,发出危险预警
。2.
根据权利要求1所述的车辆抓拍识别方法,其特征在于,所述
S101
具体包括:
S1011
:将所述车牌号码作为哈希键的唯一标识符;
S1012
:建立哈希函数,将所述哈希键映射至哈希表的索引,所述哈希函数具体为:;其中,
hash
()表示所述哈希函数,
key
表示所述哈希键,
a
和
b
表示调整常数,
M
表示所述哈希表的大小,符号“%”表示取模运算;
S1013
:将所述车牌号码作为键,将所述车辆型号作为值插入至所述哈希表中,得到所述车辆数据库
。3.
根据权利要求1所述的车辆抓拍识别方法,其特征在于,所述
S102
具体包括:
S1021
:将车辆型号和车牌号码作为生成任务,构建所述生成对抗网络模型,所述生成对抗网络模型包括生成器和判别器;
S1022
:利用所述生成对抗网络模型生成待测合成数据;
S1023
:采集车辆历史数据,通过所述判别器计算所述待测合成数据与所述车辆历史数据的一致概率;
S1024
:固定所述判别器的参数,对所述生成器进行训练,建立以所述一致概率最小为目标的目标函数:;其中,表示所述生成器的目标函数,分别表示生成器参数和所述判别器参数,
E
表示数学期望值,
F
表示所述生成器,
G
表示所述判别器,
pz
表示历史数据分布,
ph
表示合成数据分布;
S1025
:固定所述生成器的参数,对所述判别器进行训练,建立以所述一致概率最大为
目标的目标函数:;其中,表示所述判别器的目标函数;
S1026
:利用训练后得到的生成对抗网络模型生成所述车辆生成数据
。4.
根据权利要求1所述的车辆抓拍识别方法,其特征在于,所述
S103
具体包括:
S1031
:为所述卷积神经网络模型的每个卷积核设置一个可调保留参数,并将所述可调保留参数转换成对应的所述卷积核的前向运算比值:;其中,表示所述可调保留参数,
b
表示边界,
ij
表示第
i
层卷积层的第
j
个卷积核,表示所述前向运算比值;
S1032
:增加所述可调保留参数的约束条件,收缩所述可调保留参数,确定所述前向运算比值...
【专利技术属性】
技术研发人员:袁梦,韦冬娜,杨涛,黄世武,胡平华,吴伟涌,翟力军,朱玉锋,凌善邦,辛韦进,吴禄彬,秦磊磊,康茜,
申请(专利权)人:广州中远海运船舶技术工程有限公司,
类型:发明
国别省市:
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。