[发明专利]一种分级前脸卡口车型识别方法

说明书

本发明公开了一种分级前脸卡口车型识别方法。本发明以车前脸检测定位技术、车标定位技术为基石，采用多个深度卷积神经网络集成学习，分别实现车辆的品牌车标、车型、车型年款这三个任务的识别(其中车型年款包含车标和车型，车型包含车标)，然后结合各级别学习分类器的输出置信度、先验统计出来的相似车型混淆矩阵以及三个级别的包含关系，输出鲁棒的车型识别结果。本发明识别的车型可以具体到车辆的品牌、型号和年份；通过三个分类器的集成，可进一步提升车辆车型精度。

技术领域

本发明属于视频监控技术领域，涉及一种分级前脸卡口车型识别方法。

背景技术

随着我国国民经济的不断发展，交通管理在人们的经济、社会活动中已经变得越来越重要。人们对交通管理的层次、质量等问题也提出了越来越多的新要求。因此，对智能交通的深入研究变得愈发有意义。

在大量的交通卡口视频数据中寻找特定目标车辆，对于交通管理和视频侦查都有重要的意义。传统的技术手段通过识别车辆牌号来检索和定位，虽然车牌识别准确率较高，但是在套牌、无牌、车牌遮挡等条件下，此类技术基本无法实用。因此，基于图像的车型识别技术更具价值和实用性。

基于此类技术的专利有《车型识别方法及装置-201410381923.6 》、《一种车型识别方法及系统-201410313009.8》、《基于前脸特征的车型识别方法-201410009098.7》以及《一种基于卷积神经网络的车型识别方法-201510071919.4》。

此类技术的缺陷：

这些技术中有的采用人工特征提取方法，但是此类特征非常依赖人的先验知识，鲁棒性较差；有的通过深度学习提取鲁棒特征，然后采用模板匹配的方法来识别车型，此方法存在模板局限、匹配精度差以及效率低下问题；有的采用卷积神经网络学习离线训练，但是只能识别训练库中已有的品牌和车型，对于不停上市的新车型无能为力。

发明内容

本发明针对现有技术的不足，提供了一种分级前脸卡口车型识别方法。

本发明以车前脸检测定位技术、车标定位技术为基石，采用多个深度卷积神经网络集成学习，分别实现车辆的品牌车标、车型、车型年款这三个任务的识别，然后结合各级别学习分类器的输出置信度、先验统计出来的相似车型混淆矩阵以及三个级别的包含关系，输出鲁棒的车型识别结果。

本发明方法主要包括以下步骤：

第1步：分析交通卡口图像，采用基于深度卷积神经网络分类的方法对图像中的车前脸做粗定位。

第2步：对第1步定位出的车前脸区域，基于深度卷积神经网络检测车前脸的特征点位置，其中包括车标、车灯、挡风玻璃、车牌、车前保险杠下沿共计11点。

第3步：根据第2步定位出的11个点，分别精细化抠取车前脸包围盒以及由先验的相对位置关系，抠取出粗略的车标区域。

第4步：车标区域和车前脸包围盒分别缩放至固定大小，分别将车标区域输入到车标分类器、车前脸包围盒输入到车型与车型年款分类器中，得到此辆车的品牌、车型、车型年款排序结果以及相应的置信度。

第5步：由上而下地融合三个分类器结果；根据事先统计出来置信度高低阈值以及相似车型混淆矩阵，对三者融合输出一个一致的车型结果。

本发明的有益效果：本发明识别的车型可以具体到车辆的品牌、型号和年份；通过三个分类器的集成，可进一步提升车辆车型精度。

附图说明

图1为本发明方法流程图。

图2为分类结果融合流程图。

具体实施方式