检测行驶车辆信息的方法及系统技术方案

本发明专利技术提供一种检测行驶车辆信息的方法，包括：至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；基于多张车辆图片对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少获取多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。本发明专利技术还提供了检测行驶车辆信息的系统。本发明专利技术的方法及系统能够检测行驶车辆的信息，有效提高交通管理效率，提高识别准确度，具有较为广阔的应用前景。

【技术实现步骤摘要】

本专利技术涉及智能交通的计算机视觉领域，尤其涉及一种检测行驶车辆信息的方法及系统。
技术介绍
随着科技的进步，人们生活质量的提高，车辆已成为人类生活中的重要交通工具，在城市智能交通系统(Intelligent Transport System，简称ITS)中，一项很重要的应用就是根据车身角度、车辆外观等多种信息快速找到相应的车辆目标，特别是对于无牌车辆，因此，准确的角度及外观识别能够作为有效的指标快速的检索车辆。在实现本专利技术过程中，专利技术人发现相关技术中至少存在如下问题：目前对于车辆角度识别的研究，主要通过人工的方法从海量视频或者图片中寻找待识别的车辆进行分析取证，尤其是侦查案件中，需耗费大量的人力物力，导致案件侦破耗时较长、效率很低。而且现代交通路段复杂，车辆种类众多，路口监控器所拍摄的视频有时候不能很好地反应出车辆的行驶方向。另外，对于涉案车辆有可能更换车牌或者车牌遮挡，因此，对于车辆的角度识别也逐渐运用到车辆交通管理中。目前关于车辆外观识别的研究，已出现了很多相应的方法，比如车辆品牌识别、车辆款式识别、车辆颜色识别。其中对于车辆颜色识别技术中相当多的方法都用到了传统的颜色特征提取方法比如：HSV(Hue Saturation Value，色调饱和度亮度)颜色特征、YUV颜色特征、RGB颜色特征等，在判别分析时则很多都是应用SVM(Support Vector Machine，支持向量机)的方法，但是这些现有技术方法对于光照条件较为敏感，比如模糊场景、夜间场景、高光场景，由于泛化能力有限，往往存在较低的识别率。另外，传统的车辆颜色识别方法，主要集中在选取车头或车尾的车辆颜色识别技术上，由于车头或者车尾上能够反映车辆颜色的部分很少，其中的窗户、车灯等的颜色可能与车辆颜色差距很大，因此，对于传统方法需要通过图像分割法将这些可能影响车辆颜色识别的区域去除掉，计算量较大、成本资源消耗多，耗时较长。
技术实现思路
本专利技术实施例提供一种检测行驶车辆信息的方法及系统，用以至少解决上述技术问题之一。第一方面，本专利技术实施例提供一种检测行驶车辆信息的方法，包括：至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；基于多张车辆图片对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少获取多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。第二方面，本专利技术实施例提供一种检测行驶车辆信息的系统，包括：分类模块，用于至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；第一训练模块，用于基于多张车辆图片对深度卷积神经网络进行训练；第二训练模块，用于利用训练后的深度卷积神经网络至少获取多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；确定模块，用于利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。第三方面，本专利技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本专利技术上述任一项检测行驶车辆信息的方法。第四方面，本专利技术实施例还提供了一种检测设备，包括：至少一个处理器，以及存储器；其中，所述存储器存储有可被所述至少一个处理器执行的操作指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术上述任一项检测行驶车辆信息的方法。本专利技术实施例所提供的方法及系统，能够大幅度提高智能交通管理系统的管理效率，对于交通管理系统中的多媒体(比如视频、图像)中的任何一张车辆图像，无需对车辆进行检测，可直接利用训练后的深度卷积神经网络和分类器至少判别车辆角度特征以及外观特征，进而可以锁定目标车辆并判断车辆的行驶方向，极大地节约了系统处理时间。所示方法及系统具有较强的抗干扰性，能够有效解决现有技术识别行驶车辆信息错误的情况，提高了识别准确度，同时也极大地节省了人力物力，具有较为广阔的应用前景。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一个简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例的一种检测行驶车辆信息的方法的流程图；图2为本专利技术实施例的一种可选的检测行驶车辆信息的方法的流程图；图3为本专利技术实施例的另一种可选的检测行驶车辆信息的方法的流程图；图4为本专利技术实施例的确定车辆角度特征的流程图；图5为本专利技术实施例的一种检测行驶车辆信息的系统的结构示意图；图6为本专利技术实施例的第二训练模块的结构示意图；图7为本专利技术实施例的一种检测行驶车辆信息的检测设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1示出的是本专利技术实施例的一种检测行驶车辆信息方法，包括：S11：至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；S12：基于多张车辆图片对深度卷积神经网络进行训练；S13：利用训练后的深度卷积神经网络至少获取多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；S14：利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。所示实施例提供的方法主要分为两部分，包括训练阶段以及测试阶段。训练阶段为所示方法中的前三步骤，首先对车辆图片至少进行角度以及外观分类，以生成多种类别的多张车辆图片，同时放到设计好的深度卷积神经网络中训练各个网络层的学习参数，以得到训练后的深度卷积神经网络；在此基础上，通过训练后的深度卷积神经网络对车辆特征进行提取，并据此训练线性分类器的参数，得到训练后的线性分类器。测试阶段为对所得到的训练后的深度卷及神经网络以及线性分类器对车辆图片的一个检测验证。所示实施例提供的方法，至少可以有效解决现有技术中车辆角度及外观特征识别率低的情况。所示方法可应用于多种场景，比如汽车的行车记录仪或者道路车辆监控器记录的意外交通事故(比如逆行)，可协助交警快速准确地判定各车辆的行驶特征以及驾驶出错的车辆外观及行驶角度特征，从而更加快速有效地处理事故，恢复交通秩序；其中对于汽车的行车记录仪还可应用于自动驾驶，若所驾驶的车辆行驶角度有所偏差时，通过自动判别其他车辆外观和行驶角度可及时避免车辆碰撞问题，减少交通事故发生；对于路口的车辆监控器，若检测到该路段存在多个方向行驶的车辆(比如逆向、左向、右向、正向)，本文档来自技高网...

【技术保护点】
一种检测行驶车辆信息的方法，包括：至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；基于所述多张车辆图片对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少获取所述多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入所述训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。

【技术特征摘要】
1.一种检测行驶车辆信息的方法，包括：至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片；基于所述多张车辆图片对深度卷积神经网络进行训练；利用训练后的深度卷积神经网络至少获取所述多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器；利用训练后的深度卷积神经网络至少获取待识别车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，导入所述训练后的线性分类器进行判别，至少确定车辆的角度和车辆的外观。2.根据权利要求1所述的方法，其中，所述车辆外观包括车辆颜色，所述至少按照车辆角度和车辆外观对车辆图片进行分类，以生成多种类别的多张车辆图片包括：按照第一数量类别的车辆角度和第二数量类别的车辆颜色对车辆图片进行分类，以生成第一数量乘以第二数量的多种类别的多张车辆图片。3.根据权利要求2所述的方法，其中，所述第一数量和所述第二数量均为七，所述车辆角度的类别包括：正向车头、后向车尾、左向车头、左向车尾、右向车头、右向车尾以及侧向车身；所述车辆颜色的类别包括：红、黄、蓝、绿、白、黑、棕。4.根据权利要求1所述的方法，其中，所述利用训练后的深度卷积神经网络至少获取所述多张车辆图片中的预定区域的图像块的车辆角度特征和车辆外观特征，训练线性分类器包括：利用训练后的深度卷积神经网络提取所述多张车辆图片中的预定区域的图像块的特征，所述图像块的特征至少包括梯度特征和边缘纹理特征；基于所述提取的图像块的特征至少确定车辆的角度特征和车辆的外观特征，至少利用所述车辆角度特征和车辆外观特征，训练线性分类器。5.根据权利要求1-4中任一项所述的方法，其中，所述车辆图片...

【专利技术属性】
技术研发人员：公绪超，
申请(专利权)人：乐视控股北京有限公司，乐视云计算有限公司，
类型：发明
国别省市：北京;11