一种基于深度学习的车辆品牌型号识别方法和系统技术方案

本发明专利技术适用于计算机视觉、图像识别领域，提供了一种基于深度学习的车辆品牌型号识别方法和系统，包括：步骤1，训练数据建立SVM车牌判别模型；步骤2，基于深度学习法训练建立车型识别模型；步骤3，对视频中图像的背景进行建模获取运动目标，跟踪运动目标获取运动目标轨迹，得到包含车牌的图片；步骤4，将所述图片通过图像处理技术处理，获取包含车牌的若干个图块，用所述SVM车牌判别模型判别保留包含车牌的图块；步骤5，根据车牌的位置，分别向上、下、左、右四个方向扩展设定区域，得到车头的位置区域；步骤6，基于所述车型识别模型根据所述车头的位置区域对车型进行识别。具有可自主学习特征、可直接输入图像等优点。

【技术实现步骤摘要】

本专利技术属于计算机视觉、图像识别领域，尤其涉及一种基于深度学习的车辆品牌型号识别方法和系统。
技术介绍
车型识别是利用计算机分析通过摄像头和图像采集卡获取视频图像，通过对特定区域的视频图像处理分析，完成车辆检测和车辆分类识别。该技术绿色、环保，使用简洁，维护方便，只需在路面上方架设一部或几部摄像机，或利用交通部门现有的电视监控设备，将路面实时视频图像输入系统中，可以立刻进行分析，提取出需要的交通流信息。将车型识别技术应用于高速公路和城市道路具有很大的可行性，将全面提高公路和信息采集和安全管理的水平，在智能交通系统中一定会发挥越来越重要的作用。对于车型识别算法，常用的方法种类比较多，比如基于模板匹配、统计模式等。例如名称为“基于静态图片的自动套牌车检测方法(申请号：201310397152.5)”的中国专利技术专利申请公开的技术方案中，提取静态图片中车辆前部图片，确定车头灯、散热器、品牌和保险杠区域；提取车辆图片的特征，并采用随机子空间分类器集成方法合并图片特征；根据车头灯、散热器、品牌和保险杠信息确定车辆品牌。名称为“基于图像的车辆品牌识别方法和系统(申请号：201310416016.6)”的中国专利技术专利申请公开的技术方案中，通过检测车牌在输入图像中的位置；根据车牌位置计算多个车辆部件位置；从该多个车辆部件位置的每一个抽取特征向量；以及对所抽取的特征向量进行分类并输出车辆的品牌信息，该特征向量包括外形特征和形状特征。上述车辆品牌型号的识别方法，通过提取车辆的特征进行识别，检测率低同时误报较多。
技术实现思路
本专利技术实施例的目的在于提供一种基于深度学习的车辆品牌型号识别方法和系统，至少可克服现有技术的部分缺陷。本专利技术实施例涉及的一种基于深度学习的车辆品牌型号识别方法，包括：步骤1，训练数据建立SVM车牌判别模型；步骤2，基于深度学习法训练建立车型识别模型；步骤3，对视频中图像的背景进行建模获取运动目标，跟踪运动目标获取运动目标轨迹，得到包含车牌的图片；步骤4，将所述图片通过图像处理技术处理，获取包含车牌的若干个图块，用所述SVM车牌判别模型判别保留包含车牌的图块；步骤5，根据车牌的位置，分别向上、下、左、右四个方向扩展设定区域，得到车头的位置区域；步骤6，基于所述车型识别模型根据所述车头的位置区域对车型进行识别。作为实施例一涉及的一种基于深度学习的车辆品牌型号识别方法，训练数据建立SVM车牌判别模型的过程包括：步骤101，获取多个视频的图像信息进行所述步骤3的操作；步骤102，对获取的图片通过图像处理技术处理，得到包含车牌的若干个图块；步骤103，对所述步骤102中获取的图块，进行人工分类；步骤104，将分类后包括车牌的图块聚集到设定的数量后，放入SVM模型进行训练，得到所述SVM车牌判别模型。所述步骤4和所述步骤102中，所述图像处理技术包括Sobel算子或闭操作。所述步骤2中，利用深度卷积网络进行计算图像类别特征，所述深度卷积网络采用预先标注好的车头数据集训练得到车型识别模型，利用训练好的深度卷积神经网络来识别图像,提取输出层的结果作为车型类别。所述步骤3中采用VIBE算法对视频中图像的背景进行建模，背景模型建立后，将当前的图像与背景模型进行比较，根据比较结果确定是否为前景的所述运动目标。所述步骤3中获得所述运动目标后，利用最近邻法来跟踪运动目标获取所述运动目标轨迹。本专利技术实施例涉及的一种基于深度学习的车辆品牌型号识别系统，包括：所述系统包括依次连接的图像输入平台、综合接入网关、智能管理服务器和智能分析服务器；所述图像输入平台接受用户的实时图像录入、传输、存储和处理请求；所述综合接入网关对所述图像输入平台进行统计；所述智能分析服务器根据智能管理服务器的车型识别分析请求，从所述图像输入平台获取图像利用所述实施例一的基于深度学习的车辆品牌型号识别方法进行分析，将分析结果上报给智能管理服务器。作为实施例二涉及的一种基于深度学习的车辆品牌型号识别系统，所述智能分析服务器包括至少两个的图像分析单元，每个所述图像分析单元独立完成一个图像输入平台分析。本专利技术实施例提供的一种基于深度学习的车辆品牌型号识别方法和系统的有益效果包括：本专利技术实施例提供的一种基于深度学习的车辆品牌型号识别方法，利用车牌识别技术准确率可高达99％这一特点，根据车牌的位置对车头进行定位，可准确获得待识别的图像区域，保证了参与识别的车型图像的稳定性,保留充分的有用信息,过滤无用冗余信息，具有可自主学习特征、可直接输入图像等优点。利用深度卷积神经网络产生出高级特征，帮助对图像类别分析，保证了车型识别的准确率、稳定性。采用VIBE算法对视频中图像的背景进行建模，面对复杂的背景环境变化，VIBE算法可以随机选择需要替换的像素的样本，随机选择邻域像素对背景模型进行更新，能更好的区分背景与前景图像。利用最近邻法来跟踪运动目标获取运动目标轨迹，易于实现，运算速度快,可应用于卡口图像运动目标跟踪问题。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种基于深度学习的车辆品牌型号识别方法的流程图；图2是本专利技术实施例提供的一种基于深度学习的车辆品牌型号识别系统的结构框图；图中，10为图像输入平台，11为第1图像输入平台，12为第2图像输入平台，……1N为第N图像输入平台，N是自然数，N<10；20为综合接入网关；30为智能管理服务器；40为智能分析服务器，41为第1智能分析服务器，……4N为第N智能分析服务器，N是自然数，N<100。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一本专利技术提供的实施例一为本专利技术提供的一种基于深度学习的车辆品牌型号识别方法的实施例，本专利技术提供的基于深度学习的车辆品牌型号识别方法的实施例包括：步骤1，训练数据建立SVM(SupportVectorMachine，支持向量机)车牌本文档来自技高网...

【技术保护点】
一种基于深度学习的车辆品牌型号识别方法，其特征在于，所述方法包括：步骤1，训练数据建立SVM车牌判别模型；步骤2，基于深度学习法训练建立车型识别模型；步骤3，对视频中图像的背景进行建模获取运动目标，跟踪运动目标获取运动目标轨迹，得到包含车牌的图片；步骤4，将所述图片通过图像处理技术处理，获取包含车牌的若干个图块，用所述SVM车牌判别模型判别保留包含车牌的图块；步骤5，根据车牌的位置，分别向上、下、左、右四个方向扩展设定区域，得到车头的位置区域；步骤6，基于所述车型识别模型根据所述车头的位置区域对车型进行识别。

【技术特征摘要】
1.一种基于深度学习的车辆品牌型号识别方法，其特征在于，所述方法包括：
步骤1，训练数据建立SVM车牌判别模型；
步骤2，基于深度学习法训练建立车型识别模型；
步骤3，对视频中图像的背景进行建模获取运动目标，跟踪运动目标获取运动目标轨迹，
得到包含车牌的图片；
步骤4，将所述图片通过图像处理技术处理，获取包含车牌的若干个图块，用所述SVM
车牌判别模型判别保留包含车牌的图块；
步骤5，根据车牌的位置，分别向上、下、左、右四个方向扩展设定区域，得到车头的
位置区域；
步骤6，基于所述车型识别模型根据所述车头的位置区域对车型进行识别。
2.如权利要求1所述的方法，其特征在于，所述步骤1中，训练数据建立SVM车牌判
别模型的过程包括：
步骤101，获取多个视频的图像信息进行所述步骤3的操作；
步骤102，对获取的图片通过图像处理技术处理，得到包含车牌的若干个图块；
步骤103，对所述步骤102中获取的图块，进行人工分类；
步骤104，将分类后包括车牌的图块聚集到设定的数量后，放入SVM模型进行训练，得
到所述SVM车牌判别模型。
3.如权利要求2所述的方法，其特征在于，所述步骤4和所述步骤102中，所述图像处
理技术包括Sobel算子或闭操作。
4.如权利要求1所述的方法，其特...

【专利技术属性】
技术研发人员：胡婷，孙宇，
申请(专利权)人：武汉烽火众智数字技术有限责任公司，
类型：发明
国别省市：湖北;42