一种车辆抓拍识别系统及方法技术方案

本发明专利技术公开了一种车辆抓拍识别系统及方法，属于车辆识别技术领域，方法包括：利用哈希表构建车辆数据库；构建车辆生成数据和卷积神经网络模型；利用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，对卷积神经网络模型进行超参数优化，直至卷积神经网络模型的车辆识别正确率达到预设准确率；获取目标车辆图片，对目标车辆图片进行预处理；利用训练好的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；将识别结果与车辆数据库进行检索，获取检索结果，在检索结果一致的情况下，输出目标车辆信息；在检索结果不一致的情况下，将目标车辆纳入违法车辆库，发出危险预警

【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，结合遗传算法对卷积神经网络模型进行超参数优化，直至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，对目标车辆图片进行预处理，其中，预处理包括边缘检测和图像矫正；
S106
：利用训练好的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
：将识别结果与车辆数据库进行检索，获取检索结果，在检索结果一致的情况下，输出目标车辆信息；
S108
：在检索结果不一致的情况下，将目标车辆纳入违法车辆库，发出危险预警
。
[0006]第二方面本专利技术提供了一种车辆抓拍识别系统，用于执行第一方面中的车辆抓拍识别方法
。
[0007]与现有技术相比，本专利技术至少具有以下有益技术效果：
（1）在本专利技术中，利用哈希表构建车辆数据库用于识别结果的检索比对，充分利用了哈希表的低复杂度
、
高并发能力和高效存储能力，避免车辆数据量过大导致的检索效率底下的问题，提升检索效率，降低存储成本，提高了模型的识别速度
。
[0008]（2）为了提升车辆识别准确性，通过生成对抗网络模型生成用于训练的多类型车辆生成数据，对剪枝后形成的轻量级卷积神经网络模型进行训练，结合遗传算法对难以确定最优值的超参数进行优化，克服训练数据获取难和不准确的问题，提升轻量级卷积神经网络模型的泛化能力和识别准确率，通过剪枝技术减少了卷积神经网络的参数量，进一步提高模型的识别速度
。
[0009]（3）本专利技术通过图像矫正对采集到的目标车辆图片进行图像矫正，避免车辆运行状态下采集图片倾斜导致的识别准确性差的问题，进一步提升车辆识别的准确性
。
最终提升车辆的识别速度和识别准确性，缩短违法车辆的道路运行时间，维护道路安全
。
附图说明
[0010]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性
、
技术特征
、
优点及其实现方式予以进一步说明
。
[0011]图1是本专利技术提供的一种车辆抓拍识别方法的流程示意图
。
具体实施方式
[0012]实施例1，在一个实施例中，参考说明书附图1，示出了本专利技术提供的车辆抓拍识别方法的流程示意图
。
[0013]本专利技术提供的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
。
[0014]其中，车辆数据库包括车辆型号和相对应的车牌号码
。
[0015]其中，哈希表是一种数据结构，用于有效地存储和检索键
‑
值对数据
。
它通过将键（通常是唯一的）映射到一个数组索引，从而允许快速的数据访问，哈希表之所以高效，是因为它利用了哈希函数，这个函数可以将任意大小的输入（键）映射到固定大小的输出（索引），从而在常数时间复杂度内（
O(1)
）查找或插入数据
。
[0016]需要说明的是，哈希表构建的车辆数据库允许快速检索车辆信息，仅需提供车牌号码即可直接获取相关数据，无需遍历整个数据库，此外，哈希表通常比传统的数据库管理系统更节省内存，因为它不需要复杂的索引结构，这对大规模车辆数据库尤其有用，哈希表还具有灵活性，可根据需要调整大小，而不需要重新设计数据库，其简单的接口使得数据插入
、
更新和删除操作非常容易实现，哈希表还可以轻松实现数据去重，确保不会有相同的车牌号码重复记录
。
最重要的是，在适当的哈希函数和索引结构下，哈希表能够实现高性能的数据访问，使车辆信息的检索和管理变得高效
。
[0017]在一种可能的实施方式中，
S101
具体包括：
S1011
：将车牌号码作为哈希键的唯一标识符；
S1012
：建立哈希函数，将哈希键映射至哈希表的索引，哈希函数具体为：；
其中，
hash
（）表示哈希函数，
key
表示哈希键，
a
和
b
表示调整常数，
M
表示哈希表的大小，符号“%”表示取模运算；
S1013
：将车牌号码作为键，将车辆型号作为值插入至哈希表中，得到车辆数据库
。
[0018]S102
：基于生成对抗网络模型构建车辆生成数据
。
[0019]其中，生成对抗网络是一种深度学习模型，包括生成器和判别器，生成器负责生成伪造的数据，而判别器负责区分伪造数据和真实数据，它们在训练过程中相互对抗，使生成器逐渐生成更逼真的数据，同时判别器变得更擅长识别伪造数据，最终达到生成高质量
、
逼真的数据的目标
。
通过生成对抗网络生成的数据可以用于训练车辆识别模型，增加了训练数据的多样性和数量，提高了模型的性能和泛化能力，这些生成的虚拟车辆数据可以填补现有数据集的不足，包括不同车型
、
光照条件和背景等变化，从而使模型更适应各种实际场景，提高了车辆识别的准确率和鲁本文档来自技高网...

【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：