[发明专利]一种基于卷积神经网络的车辆后拍子品牌识别方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

为了解决现有技术中存在的技术缺陷，本发明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。

本发明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focal loss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。