[发明专利]基于卷积神经网络的车辆属性识别方法与装置

说明书

本发明提供了一种基于卷积神经网络的车辆属性识别方法。该方法主要包括：利用样本图像训练卷积神经网络，获取待识别车辆的图像，利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。本发明提供的车辆属性识别方法可以在获取到待识别车辆图像后，无需用户自己设计特征，可以直接利用预先训练好的卷积神经网络直接提取深度特征，进行车型识别、车身颜色识别及驾驶员异常行为识别。

技术领域

本发明涉及技术领域，尤其涉及一种基于卷积神经网络的车辆属性识别方法与装置。

背景技术

车辆属性是车辆识别、标识、检索等相关应用的重要线索，它的内涵丰富，不仅标识了车辆自身的属性，如车牌号码、车辆品牌、车身颜色等，还包括乘员属性，比如驾驶员的异常行为。针对监控数据中的车辆自身属性进行识别，既可以从海量数据中提取有用信息，也可以节约数据存储成本，对帮助人们智能分析监控数据中的车辆起到重要作用。另外，全世界每天有3000多位乘车人员因为交通事故而丧生，每年有数以百万记的乘车人员因为交通事故受伤甚至致残。在因交通事故伤亡的人中，司机乘客未系安全带或者驾驶中接打电话等行为是伤势过重甚至死亡的重要原因之一。驾驶员异常行为检测算法可以通过分析图像信息，自动判断司机是否存在异常行为。

目前，现有技术中的车辆自身属性识别方法一般基于人工规则设计特征(如HOG，SIFT等)描述车辆信息，再利用SVM(Support Vector Machine，支持向量机)等分类算法进行模型训练。

上述现有技术中的车辆自身属性识别方法的缺点为：需要针对不同的任务人为设计不同的特征，识别准确率低。该方法中的驾驶员异常行为检测算法只是检测是否系安全带，并且在安全带检测环节，通过霍夫变换识别安全带斜线信息容易受到司机衣着、车窗透光性较差等因素干扰，难以提取明显的安全带信息，进而导致检测不准确。

发明内容

本发明的实施例提供了一种基于卷积神经网络的车辆属性识别方法，以实现有效地提取出车辆属性。

为了实现上述目的，本发明采取了如下技术方案。

一种基于卷积神经网络的车辆属性识别方法，构造卷积神经网络，利用样本图像训练卷积神经网络，所述方法具体包括：

获取待识别车辆的图像；

利用训练好的卷积神经网络识别所述车辆的图像，获取车辆的车型、车身颜色及驾驶员异常行为属性。

进一步地，所述的构造卷积神经网络，利用样本图像训练卷积神经网络包括：

选定一个通用的分类网络，在所述分类网络的前半部分加入分支，使分支后的网络直到最后一个特征提取层具有上下两个分支，在上方分支最后的全连接层并列两个softmax层，该两个softmax层用于车型和车身颜色的识别；在下方分支最后的全连接层添加一个softmax层，该softmax层用于驾驶员异常行为的识别，得到初始的卷积神经网络；

获取标记好车辆属性的样本图像，所述车辆属性包括车型、车身颜色和驾驶员异常行为；

利用所述初始的卷积神经网络识别所述样本图像，根据所述初始的卷积神经网络输出结果与所述样本图像的车辆属性之间的差异，从所述初始的卷积神经网络的最后一层通过反向传播算法开始逐层向前反馈，进行卷积神经网络的网络参数的训练；

对所述初始的卷积神经网络经过一定数量的样本图像的训练后，得到训练好的卷积神经网络。

进一步地，所述的利用样本图像训练卷积神经网络还包括：

当不同类别的样本图像的数量差大于设定的阈值时，给不同类别的样本图像分别设置不同的权重，样本图像数量少的类别增大权重，样本图像数量多的类别减小权重，样本图像的权重与该样本图像的数量占训练样本总数的比例成反比。