[发明专利]一种基于深度学习的以图搜车方法

说明书

本发明涉及计算机视觉技术领域，具体为基于深度学习的以图搜车方法，其融合了车辆的全局外观特征与局部特征，具有较强的泛化性与鲁棒性。包括步骤：采集实际应用场景的图片；自动对获取的图片打标签，即同一辆车的图片归为一类，建立训练集和测试集；设计神经网络结构；将训练集的样本输入到神经网络结构中进行训练，得到以图搜车模型；利用以图搜车模型计算测试集所有样本的特征向量；特征比对：采用余弦距离计算目标图像特征向量与样本特征向量之间的相似度大小；对得到的相似度，按照从大到小进行排序，得到以图搜车结果。

技术领域

本发明涉及计算机视觉技术领域，具体为基于一种深度学习的以图搜车方法。

背景技术

以图搜车是一种基于图像的车辆检索技术，其旨在搜索到不同视频监控场景下的同一辆车。数据显示，65％以上的犯罪案件都与车辆有关。而在涉车案件中，嫌疑车辆的车牌通常是假牌、套牌，无法通过识别车牌号码来锁定车辆身份，因此基于视觉表观特征的以图搜车技术具有重大研究意义和实用价值。

目前以图搜车技术主要分为两大类，一类是基于传统图像特征，另一类是基于深度特征。基于传统图像特征通过手工设计的特征描述子，如sift、hog等，以及颜色直方图等，获取目标图像的颜色特征、纹理特征等用于以图搜车。传统图像特征具有运行速度快、可解释性强等优点。但在实际应用中其泛化性差，对遮挡、光照变化、角度变化等干扰的鲁棒性差等缺点。基于深度特征通过自动学习数据的分布式特征表示用于以图搜车，其具有较强的泛化性与鲁棒性。

于2018年1月23日公开的公开号为“CN107622229A”的发明专利，其通过计算目标车辆图像与待匹配车辆图像的颜色特征相似度和编码方向梯度直方图特征相似度进行加权融合来得到相似度，然而在实际应用中，光照、阴影、相机偏色等都会造成车辆颜色发生剧烈变化，从而导致算法鲁棒性非常差。

于2017年8月4日公开的公开号为“CN107016362A”的发明专利，其拍摄车辆前挡风玻璃图片，输入深度训练的检测器进行检测定位，得到前挡风玻璃粘贴的每个标志的候选区域，统计标志的数量及颜色序列，计算标志与车辆前挡风玻璃图片中心点的相对位置。若两张车辆前挡风玻璃图片的标志的数量、颜色序列均一致，且相对位置的差异值在预设值以内，判定车辆为同一车辆，否则不是同一车辆。这种方法只适用车辆前拍的情况，且当粘贴标志有改动时，会造成车辆识别精度显著下降。

发明内容

为解决现有技术所存在的技术问题，本发明提出一种基于深度学习的以图搜车方法，其融合了车辆的全局外观特征与局部特征，具有较强的泛化性与鲁棒性。

本发明采用以下技术方案来实现：一种基于深度学习的以图搜车方法，包括如下步骤：

S1、采集实际应用场景的图片；

S2、自动对S1获取的图片打标签，即同一辆车的图片归为一类，建立训练集和测试集；

S3、设计神经网络结构；

S4、将步骤S2处理好的训练集的样本输入到步骤S3所设计的神经网络结构中进行训练，得到以图搜车模型；

S5、利用步骤S4中的以图搜车模型计算步骤S2中测试集所有样本的特征向量；

S6、特征比对：采用余弦距离计算目标图像特征向量与步骤S5所得的每一样本的特征向量之间的相似度大小；

S7、对步骤S6得到的相似度，按照从大到小进行排序，得到以图搜车结果。