一种基于卷积神经网络的车辆后拍子品牌识别方法技术

本发明专利技术属于道路交通卡口安防技术领域，具体涉及一种基于卷积神经网络的车辆后拍子品牌识别方法，首先通过前端的相机获取到道路监控的原图，基于原图做车辆一级检测，然后对每个车辆的车身做前拍、后拍和不完整车身的过滤，最后针对后拍的车身图做二级检测，检测出后拍的车窗和车脸的位置，然后基于车窗和车脸的融合区域送入卷积神经网络中做前向计算分析，最后结果分为1982类。通过子品牌的筛选能够大大的缩小数据库查找的范围，能够快速、精准的定位到目标车辆，为公安的刑事犯罪侦办、道路安全提供了有力的保障。

【技术实现步骤摘要】
一种基于卷积神经网络的车辆后拍子品牌识别方法
本专利技术属于道路交通卡口安防
，具体涉及一种基于卷积神经网络的车辆后拍子品牌识别方法。
技术介绍
现有的车辆子品牌大多是应用于前拍角度的识别，并且使用的方法大多是基于模板匹配的方法，但是基于模板匹配的车辆子品牌的识别方法对于数据的清晰度以及特征的完整度有较高的要求，并且现有常见的子品牌有几千种，数据存在极度的不平衡，训练有效的模板匹配模型难度大，并且具有类内之间相似度极高的特点。现有的子品牌识别技术在实际的应用中还存在很多的难题导致不能完美的落地，大多能归为两类：产品层面和技术实现层面。从产品本身考虑，现有的技术都是针对前拍角度进行识别，而实际的道路卡口俯拍的摄像头大多都是分管多车道、双向车道，所以对于后拍角度的车辆子品牌的识别也尤为重要；另外一个是从技术实现的层面出发，现有的大多都是基于模板匹配的方法进行识别，对于复杂场景下的道路(如逆光、雨雪、沙尘泥土等)而言难以应付，所以导致识别精度不够。
技术实现思路
为了解决现有技术中存在的技术缺陷，本专利技术设计了一种基于卷积神经网络的车辆后拍子品牌识别方法。能够解决后拍角度不能识别车辆子品牌的问题，更能有效的提升车辆子品牌的识别精度。本专利技术通过以下技术方案实现：一种基于卷积神经网络的车辆后拍子品牌识别方法，包括步骤：S1、通过前端的相机获取到道路监控的原图；S2、基于所述原图执行车辆一级检测；S3、对每个车辆的车身进行前拍、后拍和不完整车身的过滤；S4、针对后拍的车身图像进行二级检测，检测出后拍的车窗区域和车脸区域，得到车窗和车脸的融合区域；S5、基于所述融合区域送入卷积神经网络中进行前向计算分析，得到分类结果。进一步地，在识别过程中获取所需的图像数据，一部分数据来自现场的视频卡口，另一部分数据来源于汽车之家。进一步地，对所述图像数据进行预处理，根据卡口相机安装的角度对卡口采集的数据进行矫正处理，基于矫正图像使用SSD进行车辆一级检测，该过程只检测原图像中的所有车身图像；然后基于所有的后拍车身图像使用SSD进行二级检测，该检测只检测车身中的车窗区域和车脸区域。进一步地，所述步骤S5进一步包括，合并子品牌类别和卷积神经网络分类，根据从步骤S4中得到的融合区域数据，按照汽车之家的细分规则重新定义一套命名规则，将相似度较高的同一主品牌和系列中不同年款或配置的子品牌合并，并采用主品牌-子品牌-年款的命名规则区分相应类别。进一步地，所述的卷积神经网络采用轻量化的Block残差结构，网络共有25层，其中包含6个相同的Block结构，4个下采样的卷积层和两个全连接层。进一步地，所述步骤S5进一步包括，对网络训练中数据较少的类别进行数据扩增，包括resize，gray，rescale，noise，flip，rotate和/或shift操作。进一步地，采用focalloss作为所述的卷积神经网络的损失函数。进一步地，所述的分类结果分为1982类。一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现基于卷积神经网络的车辆后拍子品牌识别方法的步骤。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中所述处理器执行所述程序时实现基于卷积神经网络的车辆后拍子品牌识别方法的步骤。与现有技术相比，本专利技术至少具有下述的有益效果或优点：基于电警、微卡口和标准卡口等多个场景进行车辆二次分析，对道路过往的车辆进行检测和属性分析，能够在事故发生之后迅速的追踪到车辆，其中车辆的子品牌识别是非常重要的一个环节，在海量的车辆数据库中。通过子品牌的筛选能够大大的缩小数据库查找的范围，能够快速、精准的定位到目标车辆，为公安的刑事犯罪侦办、道路安全提供了有力的保障。附图说明以下将结合附图对本专利技术做进一步详细说明；图1为基于卷积神经网络的车辆后拍子品牌识别流程图；图2-1为卡口车身图区域选择图；图2-2为汽车之家车身图区域选择图；图3为Block残差结构图；图4为车辆后拍子品牌识别卷积神经网络结构。具体实施方式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。本方案提出了一种基于车辆后拍角度的深度学习车辆子品牌识别方法，首先通过前端的相机获取到道路监控的原图，基于原图做车辆一级检测，然后对每个车辆的车身做前拍、后拍和不完整车身的过滤，最后针对后拍的车身图做二级检测，检测出后拍的车窗和车脸的位置，然后基于车窗和车脸的融合区域送入卷积神经网络中做前向计算分析，最后结果分为1982类(目前支持1982种后拍子品牌)。具体流程图如图1所示。整个车辆后拍子品牌识别系统分两个阶段，第一个阶段分为数据准备阶段，也是整个识别系统中非常重要的一个阶段，一部分数据从现场的视频卡口中获取，考虑到由于现场的数据不能反映所有子品牌的多样性，此外另外一部分的数据来源于汽车之家，共计28w，年款更新到最新的2019款，覆盖马路上99％以上的轿车等车型。针对两种数据采用相同的预处理方法，根据卡口相机安装的角度对卡口采集的数据进行矫正处理，基于矫正图像使用SSD进行车辆一级检测，该过程只检测原图像中的所有车身图像，然后基于所有的后拍车身图像使用SSD做二级检测，该检测只检测车身中的车窗区域和车脸区域，得到两个区域的融合区域，如图2-1、图2-2所示，内框表示二级检测出来的车脸和车窗区域，外框是基于两个区域的融合区域外扩边缘的区域。最终使用外框的图像作为分类的图像，因为相比车身图去掉了冗余了的其他干扰识别的区域。第二个阶段为识别阶段：包含合并子品牌类别和卷积神经网络分类。根据得到的区域数据，可按照汽车之家的细分规则重新定义一套命名规则，目的是将相似度较高的同一主品牌和系列中的不同年款、配置等子品牌合并，如“奥迪-A6L-20182019”，采用主品牌-子品牌-年款的命名规则区分，最终合并类别为1982类。本文根据车辆的特性设计一个轻量化的Block残差结构，如图3所示，网络共有25层，其中包含6个相同的Block结构，4个下采样的卷积层和两个全连接层，为了防止因为数据不平衡产生的过拟合，本文对数据较少的类别做数据扩增(包括resize，gray，rescale，noise，flip，rotate，shift等操作)和使用focalloss作为网络损失函数的策略。该模型完整的网络结构示意图如图4所示。训练集样本处理：从喀什、赤峰、清远、张掖等多个交通道路卡口获取视频监控的数据，以及利用网络爬虫技术获取的汽车之家车辆图片样本，通过SSD检测截取车身中的车脸和车窗区域图片，不断筛选与清洗数据，其中包含15本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的车辆后拍子品牌识别方法，其特征在于，包括步骤：/nS1、通过前端的相机获取到道路监控的原图；/nS2、基于所述原图执行车辆一级检测；/nS3、对每个车辆的车身进行前拍、后拍和不完整车身的过滤；/nS4、针对后拍的车身图像进行二级检测，检测出后拍的车窗区域和车脸区域，得到车窗和车脸的融合区域；/nS5、基于所述融合区域送入卷积神经网络中进行前向计算分析，得到分类结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的车辆后拍子品牌识别方法，其特征在于，包括步骤：
S1、通过前端的相机获取到道路监控的原图；
S2、基于所述原图执行车辆一级检测；
S3、对每个车辆的车身进行前拍、后拍和不完整车身的过滤；
S4、针对后拍的车身图像进行二级检测，检测出后拍的车窗区域和车脸区域，得到车窗和车脸的融合区域；
S5、基于所述融合区域送入卷积神经网络中进行前向计算分析，得到分类结果。


2.根据权利要求1所述的一种基于卷积神经网络的车辆后拍子品牌识别方法，其特征在于，在识别过程中获取所需的图像数据，一部分数据来自现场的视频卡口，另一部分数据来源于汽车之家。


3.根据权利要求2所述的一种基于卷积神经网络的车辆后拍子品牌识别方法，其特征在于，对所述图像数据进行预处理，根据卡口相机安装的角度对卡口采集的数据进行矫正处理，基于矫正图像使用SSD进行车辆一级检测，该过程只检测原图像中的所有车身图像；然后基于所有的后拍车身图像使用SSD进行二级检测，该检测只检测车身中的车窗区域和车脸区域。


4.根据权利要求1所述的一种基于卷积神经网络的车辆后拍子品牌识别方法，其特征在于，所述步骤S5进一步包括，合并子品牌类别和卷积神经网络分类，根据从步骤S4中得到的融合区域数据，按照汽车之家的细分规则重新定义一套命名规则，将相似度较高的同一主品牌和系列中不同年款或配置的子品牌合...

【专利技术属性】
技术研发人员：林焕凯，贺迪龙，王祥雪，李大成，黄仝宇，
申请(专利权)人：高新兴科技集团股份有限公司，
类型：发明
国别省市：广东;44