[发明专利]一种基于深度学习的改装车识别方法

权利要求书

1.一种基于深度学习的改装车识别方法，其特征在于：包括如下步骤：

S1.输入图像或视频，若是视频抽帧为图像进行处理；

S2.对图像进行预处理，得到有效的图像(集)；

S3.对预处理后的图像进行零部件特征提取；

S4.与数据库内存储的数据进行匹配。

2.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

上述S1中的图像或视频可通过交通监控摄像头进行拍摄或录取，再通过网络云平台上传至图像处理设备内部，图像处理设备可对视频进行抽帧处理，同时可对图片进行特征提取。

3.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

上述S2中图像预处理不仅排除没有目标的无效图像，并且无论图像中存在单个或多个目标，后续都能按照统一的流程处理。

4.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

车辆改装仅限于有限的部分，常见改装如车身颜色、轮毂等，很多零部件如前挡风玻璃就不属于需要识别的部分，有效的零部件特征能够准确的识别是否为改装车。

5.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

上述S1中由于视频可以做抽帧处理从而得到图像，所以以下默认处理对象为图像形式。

6.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

本发明对于预处理得到的图像(集)，采用零部件识别的方式来提取体征，提取得到的无效特征，不仅增加了运算负担，而且增大误判风险。

7.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

本发明对于很多车辆的图片则划分得到图像中的每一辆车，单个车辆可以裁剪出车辆图像，也可不做处理，且可对多个车辆同时进行特征提取。

8.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

本发明仅针对车辆指定的部分零部件进行特征提取，具体指定范围可根据应用场景设定，此外，本发明还可有效解决车身不全或者部分被遮挡的情况。

9.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

车型数据库中包括多个正规车辆零部件特征集,每一零部件特征集对应一个车辆类型，如果零部件特征集与所述车型特征数据库中的任一零部件特征集均不匹配时,确认目标车辆为改装车。

10.根据权利要求1所述的基于深度学习的改装车识别方法，其特征在于：

本发明采用的是综合了深度可分离卷积、具有线性瓶颈的逆残差结构和基于squeezeand excitation结构的网络模型，是目前同系列最新的轻量化网络模型；hard version ofswish激活函数相较于swish激活函数极大地降低了计算量，准确度和快速性都有保证。