[发明专利]一种基于局部特征和深度学习的卡口车辆检索系统及方法

说明书

本发明涉及一种基于局部特征和深度学习的卡口车辆检索系统及方法，本发明利用基于深度神经网络来提取车辆全局特征，损失函数采用softmax损失和三元组损失函数的损失函数来训练网络模型，同时提取年检标特征和车灯特征，完成获取局部特征向量，最终加权结合局部特征向量和利用神经网络最后一层全连接层的全局特征向量作为车辆特征进行检索，检索采用改进的k‑means算法找出K类，然后利用SVM形成哈希函数来进行汉明码编码，提高了检索速度与检索精度，并节省存储空间。

技术领域

本发明涉及智慧交通领域，尤其涉及一种基于局部特征和深度学习的卡口车辆检索系统及方法。

背景技术

随着社会发展，智能交通领域中智能交通监控是当前非常重要的一个发展方向，目前我国已在城市道路上部署了大规模数量的电子警察和卡口系统。这些系统能够实时捕获车辆高清图片，并且识别分析出车牌号码，以及一部分车型信息(如车辆大小，颜色等)。但目前使用的卡口监控系统，车牌号码识别仍有10％左右的误识别、漏识别率。更重要的是，对于套牌车或故意遮掩拍照的违法车将无法进行识别。因此，通过车牌号码之外的车辆特征信息作为一个新的识别条件，从而在现有的交通监控系统找出这部分违法车辆。另一方面，一个城市中的所存储的卡口车辆图片往往数量在亿级以上，即使将图片成功转化成为特征向量，要快速精确的查询搜索相关特征依然是一大难点。因此本专利的研究这在现今的在现代交通监控和管理中有非常重要的研究意义和应用前景。

《基于大数据的车辆检索及装置》，申请号为201610711333.4中利用多个特征标志区域进行级联检索，然而只有多个局部特征，没有全局的特征信息，并且流程较繁琐。《一种基于车载装饰品特征稀疏编码的车辆检索方法》，申请号为201611063148.5中采用车窗部位的车载装饰品热证稀疏编码的方法来检索车辆，同样没有全局特征。

《一种卡口车辆检索方法及其系统》，申请号为201610119765.6中采用各特征模块利用深度学习提取特征做相似度对比，包括你车牌号码，车标车型，车身颜色，年检标等，车牌号码不足以识别车牌遮挡的车辆，并且需要训练多个网络，也不具有全局特征。

《基于深度学习的车型识别模型构建方法及车型识别方法》，申请号为201610962720.5中利用深度学习进行车型识别，没有达到细粒度检索车辆的程度，不够精准。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于局部特征和深度学习的卡口车辆检索系统及方法，本发明利用深度神经网络模型来提取车辆全局特征，其中，深度神经网络有Alexnet网络，vgg网络，GoogleNet网络等。损失函数采用softmax损失和三元组损失函数的损失函数来训练网络模型，同时提取年检标特征和车灯特征，完成获取局部特征向量，最终加权结合局部特征向量和利用神经网络最后一层全连接层的全局特征向量作为车辆特征进行检索，检索采用改进的k-means算法找出K类，然后利用SVM形成哈希函数来进行汉明码编码，提高了检索速度与检索精度，并节省存储空间。

本发明是通过以下技术方案达到上述目的：一种基于局部特征和深度学习的卡口车辆检索方法，包括如下步骤：

(1)获取卡口车辆图片并制作成卡口图片集，对卡口图片集进行处理得到数据集；

(2)取数据集内的部分卡口图片作为训练样本集，利用深度神经网络模型提取车辆特征，采用softmax损失和三元组损失函数共同作为深度神经网络的损失函数，完成对网络模型的训练；

(3)利用训练完成的网络模型对数据集提取车辆全局特征；

(4)基于数据集进行车辆局部特征的提取，车辆局部特征包括年检标特征和车灯特征；

(5)将车辆全局特征与车辆局部特征合并得到车辆加权特征，并将其作为车辆图片全局特征；