车辆类型识别方法及系统技术方案

本发明专利技术提供一种车辆类型识别方法，包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像；基于多个类别的多张车辆图像至少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提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。本发明专利技术还提供一种车辆类型识别系统，所示方法及系统能够适应多种环境，提高识别车辆类别信息的准确率，具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术涉及计算机视觉领域，尤其涉及一种车辆类型识别方法及系统。
技术介绍
伴随我国国民经济的快速发展，企业用车、居民购车数量随之越来越多，有效的分析车辆类型信息已成为必然。车辆类型识别技术能够为城市车辆管理与相关政策的制定、国民经济发展统计等提供有力的数据支撑。基于图像处理的车辆类型识别技术是智能交通系统(IntelligentTransportSystem，简称ITS)中的一项非常重要的技术，同样在计算机视觉应用领域中占有重要地位。这门技术能够对特定的车辆进行分析及识别，以应用到处理交通事故、车辆的监控管理、违章驾驶等方面。在实现本专利技术过程中，专利技术人发现现有相关技术中至少存在如下问题：现有的车辆类型识别技术中，主要集中于对车辆类型进行分步识别，比如首先对车辆款式进行分类，比如分类为大型、中型及小型三类，或者轿车、货车、客车三类；然后依据车辆品牌类别及年款进行分类，比如大众、宝马、奥迪，依据这些识别结果得出车辆的整体类型信息，比如大众帕萨特2007款，这种车辆类型识别方法操作复杂，计算量大，耗时较长，耗资较高。另外，目前车辆款式的识别方法需要保证车辆整体轮廓的清晰度以便检测车辆的实际尺寸大小，因此该方法较难实现。另外对于现有的车辆类型识别技术，其中多数应用到了传统的特征提取方法，比如梯度方向直方图、局部二值模式纹理，在分析判别时大多采用了支持向量机(SupportVectorMachine，简称SVM)方法。这些方法的使用具有局限性，比如在清晰场景下这些方法都有较高的识别率，但是在模糊场景下，比如因天气变化、光线变化所引起的图像模糊、夜间场景等场景下往往识别率较低；另外一般选取车辆的正面图像(车头、车尾)进行品牌识别，由于车辆外观表观形式复杂，因此对所检测的车辆与摄像机的拍摄距离、拍摄角度有着严格的要求。
技术实现思路
本专利技术提供一种车辆类型识别的方法及系统，用以解决现有技术问题中的至少一个。第一方面，本专利技术实施例提供一种车辆类型识别方法，包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像，其中每一个类别表示车辆的品牌、款式、车头或车尾的组合；基于多个类别的多张车辆图像至少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提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。第二方面，本专利技术实施例提供一种车辆类型识别系统，包括：分类模块，用于基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像，其中每一个类别表示车辆的品牌、款式、车头或车尾的组合；训练模块，用于基于多个类别的多张车辆图像至少对深度卷积神经网络进行训练；提取模块，用于利用训练后的深度卷积神经网络至少提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；识别模块，用于利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。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车辆类型识别方法。第四方面，本专利技术实施例还提供了一种电子设备，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程序，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车辆类型识别方法。本专利技术实施例所提供的方法及系统，较之现有技术能够提高车辆类型识别的准确率。依据车辆特有的品牌、款式信息对车头图像样本集及车尾图像样本集进行分类处理，至少通过深度卷积神经网络提取各类别对应的特征码建立特征码/类别/车辆图像的关系库；通过训练后的深度卷积神经网络提取车辆图像的特征码进行车辆类别识别。所示方法及系统所使用的深度卷积神经网络具有较强的抗干扰性，识别角度范围较之现有技术较大，使用范围较广，错误率较小。所示方法及系统能够大幅度提高智能交通管理系统的车辆识别管理效率，尤其是对复杂路段运动的车辆具有较好的类别识别效果，具有广阔的应用前景。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车辆类型识别方法的流程图；图2为本专利技术实施例的一种可选的的车辆类型识别方法的流程图；图3为本专利技术实施例的另一种可选的车辆类型识别方法的流程图；图4为本专利技术实施例的又一种可选的车辆类型识别方法的流程图；图5为本专利技术实施例的一种车辆类型识别系统的结构示意图；图6为本专利技术实施例的车辆类型识别的电子设备的结构示意图。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车辆类型识别方法，包括：S110：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像，其中每一个类别表示车辆的品牌、款式、车头或车尾的组合；S120：基于多个类别的多张车辆图像至少对深度卷积神经网络进行训练；S130：利用训练后的深度卷积神经网络至少提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；S140：利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。需要说明的是，本专利技术实施例中所提供的车头图像样本集是一定角度范围内能够看到车头的车辆图像组成的集合；车尾图像样本集一定角度范围内能够看到车尾的车辆图像组成的集合。本专利技术实施例所提供的方法分为两个部分，包括训练阶段以及测试阶段。训练阶段为至少对深度卷积神经网络提取车辆图像的样本特征码的训练，并生成特征码/类别/车辆图像的关系库；检测阶段为至少对所训练的深度卷积神经网络提取特征码以及所生成的特征码/类别/车辆图像的关系库的一个检测验证。本专利技术实施例所提供的方法可以应用于多个场景，比如侦查案件中，较之现有技术能够高准确率的判断出作案车辆的类别，包括车辆品牌、车辆款式信息，从而针对性的进行车辆监测布控，提高案件突破效率，这对打击涉车违法犯罪行为具有显著效果；比如车辆的行车记录仪，通过记录的视频图像可以协助交警快速判断出肇事车辆类别信息，高效处理交通案件，维护道路交通秩序；比如车辆追踪，可以依据车辆特有的类别信息快速准确地定位所追踪的目标车辆，达到追踪车辆的目的。参见图2示出的是本专利技术实施例的另一个可选实施例，其具本文档来自技高网...

【技术保护点】
一种车辆类型识别方法，包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像，其中每一个类别表示车辆的品牌、款式、车头或车尾的组合；基于所述多个类别的多张车辆图像至少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提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照所述特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。

【技术特征摘要】
1.一种车辆类型识别方法，包括：基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类，得到多个类别的多张车辆图像，其中每一个类别表示车辆的品牌、款式、车头或车尾的组合；基于所述多个类别的多张车辆图像至少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提取各个类别下的多张车辆图像的特征码，构建特征码/类别/车辆图像的关系库；利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码，参照所述特征码/类别/车辆图像的关系库，确定车辆的类别信息，识别车辆的品牌和款式。2.根据权利要求1所述的方法，其中，在利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码之前，包括：基于所述多个类别的多张车辆图像训练分类器；利用训练后的深度卷积神经网络提取的第一数量的待识别的车辆图像的品牌和款式特征；将提取的第一数量的待识别的车辆图像的品牌和款式特征导入训练后的分类器进行概率识别；将概率值小于预定概率阈值的第二数量的待识别的车辆图像作为待提取特征码的待识别的车辆图像。3.根据权利要求1或2所述的方法，其中，在基于车辆品牌和款式，将车头图像样本集及车尾图像样本集进行分类之前包括：提取多张车辆图像的图像特征，基于所述图像特征生成车辆角度特征，选取车辆的角度特征符合预定角度范围的车辆图像组成车辆图像集；对车辆图像集进行车头及车尾判别分类，得到车头图像样本集以及车尾图像样本集。4.根据权利要求3所述的方法，其中，所述利用训练后的深度卷积神经网络提取待识别的车辆图像的特征码中的待识别的车辆图像为在所述预定角度范围内的待识别的车辆图像。5.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提取待识别的车辆图像的特征码，参照所述特征码/类别/车辆图像的关系库，确定车辆的类别信息包括：计算所述待识别车辆图像的特征码与所述特征码/类别/车辆图像的关系库中各特征码的相似度，获取相似度大于预定相似度阈值的特征码及相应的车辆图像的样本；按照相似度从大到小的顺序，从具有最大相似度的特征码开始顺序选取至少部分特征码及相应的车辆图像的样本；对所选取的车辆图像的样本的类...

【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