[发明专利]一种高效的车辆图像定位识别方法

说明书

技术领域

本发明属于计算机视觉/人工智能领域，特别涉及一种高效的车辆图像定位识别方法。

背景技术

随着社会经济的不断进步，汽车的拥有量也在逐年增加，如何高效安全的对车辆进行管理已经成为了一个社会广泛关注的难题。目前在主要打道路上均已安装摄像机，能够实时采集通过的车辆信息，然后通过自动识别技术识别出图像中的车辆信息。

在对车辆自动识别的过程中，我们需要知道知道图像中到底有没有车辆，有车辆的话，车辆在图中的具体位置信息。这些信息可以用来进一步的后续处理，比如知道车辆在图像中的位置，可以把车辆图像提取出来，做进一步的分析，例如车辆颜色，型号，品牌，车牌号等。判断图像中到底有没有车辆，以及车辆在图中的具体位置一般是通过图像识别技术来实现的。

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。目前将深度学习/神经网络应用于实际的图像识别是一个热门领域。但是由于深度神经网络的计算能力需求极其庞大，通常需要GPU模块进行加速计算，因此，无法将现有的神经网络结构直接应用于普通的计算系统。

发明内容

本发明的目的在于克服现有技术解决计算能力受限条件下(无GPU系统)，图像识别领域中神经网络系统计算效率低下的问题，提供一种在纯CPU的计算平台下，本发明的车辆定位识别方法可以达到每秒25帧以上的处理速度，同时车辆定位识别的准确率达到了98％以上的高效的车辆图像定位识别方法。

本发明的目的是通过以下技术方案来实现的：一种高效的车辆图像定位识别方法，包括以下步骤：

S1、获得车辆图像，手工标定车辆图像中车辆的具体位置，然后将车辆位置记录到xml文件中；

S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式，然后将图像送入神经网络进行训练，得到车辆识别模型；

S3、将训练好的车辆模型文件应用于图像的定位与识别。

进一步地，所述步骤S2中采用随机梯度下降法进行神经网络训练。

本发明的有益效果是：本发明可以达到每秒25帧以上的处理速度，同时车辆定位识别的准确率达到了98％以上。由于神经网络结构的通用性，此高效的神经网络系统也可以应用于其他的基于图像的目标定位识别系统，因此具有广阔的应用前景。

具体实施方式

下面结合具体实施例进一步说明本发明的技术方案。

本发明的一种高效的车辆图像定位识别方法，包括以下步骤：

S1、获得车辆图像，手工标定车辆图像中车辆的具体位置，然后将车辆位置记录到xml文件中；具体格式如下所示：

S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式，然后将图像送入神经网络进行训练，得到车辆识别模型；

S3、将训练好的车辆模型文件应用于图像的定位与识别。

本发明采用采用随机梯度下降(SDG)法进行神经网络训练，训练过程中将图像识别领域的ALexnet与图像定位领域的SSD(Single Shot MultiBox Detector)架构结合在一起训练神经网络，实现了基于图像的车辆定位。随机梯度下降(Stochastic gradient descent，SGD)对每个训练样本进行参数更新，每次执行都进行一次更新，且执行速度快。在纯CPU的计算平台下，本发明可以达到每秒25帧以上的处理速度，同时车辆定位识别的准确率达到了98％以上。由于神经网络结构的通用性，此高效的神经网络系统也可以应用于其他的基于图像的目标定位识别系统，因此具有广阔的应用前景。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。