CN108009579A - 基于深度学习的特种车辆检测与识别系统 - Google Patents
基于深度学习的特种车辆检测与识别系统 Download PDFInfo
- Publication number
- CN108009579A CN108009579A CN201711225395.5A CN201711225395A CN108009579A CN 108009579 A CN108009579 A CN 108009579A CN 201711225395 A CN201711225395 A CN 201711225395A CN 108009579 A CN108009579 A CN 108009579A
- Authority
- CN
- China
- Prior art keywords
- special vehicle
- extraction
- deep learning
- vehicle
- special
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的特种车辆检测与识别系统,涉及车辆识别领域。本发明包括摄像头、图像处理单元和特种车辆样本库,图像处理单元对视频监控拍摄的过车图片进行局部构件分割,对每个子区域的局部构件进行特征提取,利用局部构件与深度学习的特种车辆样本库中的信息匹配。本发明通过取特种车辆局部构件与特种车样本库中信息进行快速比对,克服了整车进行特征提取的难度大、步骤繁琐的缺点,提高了匹配速度和识别准确率。
Description
技术领域
本发明属于车辆识别领域,特别是涉及基于深度学习的特种车辆检测与识别系统。
背景技术
2006年,加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton发表的一篇文章,开启了深度学习在学术界和工业界的浪潮。
深度学习使机器学习研究中的一个新领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本,它是无监督学习的一种。深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。
传统的车辆识别系统,通过在道路口安装摄像头来进行图像采集,但是只能通过车辆大小来识别,大体将车辆分为大型车、中型车、小型车,但无法识别特种车辆(油罐车、拖车、吊车、水泥车等),急需提供一种车辆识别系统识别特种车辆来加强交通安全监管力度。
发明内容
本发明的目的在于提供基于深度学习的特种车辆检测与识别系统,通过视频监控拍摄的过车图片进行局部构件分割,对每个子区域的局部构件进行特征提取,利用局部构件与特征车辆样本库中的信息匹配,解决了现有车辆识别系统无法识别特种车辆,或整车进行特征提取的难度大、步骤繁琐等问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为基于深度学习的特种车辆检测与识别系统,包括包括如下步骤:
步骤S001基于深度学习的监测方法训练特种车辆样板图片进行灰度降维,并创建特种车辆样本库;
步骤S002对样板特种车辆的灰度降维图像中每一个像素点的特征构成特征图;
步骤S003将特征图输入深度卷积网络提取深度卷积特征,并将深度卷积特征输入到分类器;
步骤S004对路口监控视频获取的车辆图片进行局部构件提取,对提取后的图片进行灰度降维;
步骤S005对局部构件的灰度图像每一个像素点进行特征提取,并与样本库中分类器特征图进行比对;
步骤S006比对成功,确认特种车辆。
优选地,所述步骤S004中,局部构件提取利用特种车辆颜色以及边缘特性,将监控获取的图像分割成多个子区域;对每个子区域进行有效线段检测;根据车辆各部件的不同特征,聚类合并有效线段,并结合相应子区域的纹理信息以及边缘梯度信息,形成每个子区域的特征关联向量;根据特征关联向量,提取每个子区域的局部构件进行灰度处理。
优选地,所述基于深度学习的特种车辆检测与识别系统包括摄像头、图像处理单元和特种车辆样本库;所述图像处理单元包括:用于对监控获取的图像进行分割的局部构件提取模块;用于提取的局部构件图像进行灰度处理的灰度处理模块;用于对灰度图像进行特征提取的特征提取模块;用于将提取的特征信息与特种车辆样本库中分类器中数据进行比对的匹配模块;用于将匹配成功的特种车辆信息存入数据库的存储模块;所述特种车辆样本库包括:用于对特种车辆样本图像进行灰度降维处理并存入样本库的车辆录入模块;用于将特征图输入深度卷积网络提取深度卷积特征的卷积提取模块;用于存储样本特种车辆卷积特征信息的分类器。
优选地,所述深度卷积采用LeNet5卷积神经网络结构,模块共分为八层,前六层为特征提取部分,后两层为分类器部分,对于特征提取部分采用CNN方法进行训练。
优选地,所述分类器采用全连接结构,由多层感知器MLP和SOFTMAX构成,采用LSE方法进行训练。
优选地,所述存储模块存储的特种车辆有违法记录时,其中的待检违章结果应当接受人工检查,然后将确认无误的信息导入违章数据库,并对误判的信息进行删除或对辨别特种车辆错误的信息进行修改。
本发明具有以下有益效果:
本发明通过视频监控拍摄的过车图片进行局部构件分割,对每个子区域的局部构件进行特征提取,利用局部构件与深度学习的特征车辆样本库中的信息匹配,克服了整车进行特征提取的难度大、步骤繁琐的缺点,提高了匹配速度和识别准确率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于深度学习的特种车辆检测与识别系统;
图2为本发明的基于深度学习的特种车辆检测与识别系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为基于深度学习的特种车辆检测与识别系统,包括如下步骤:
步骤S001基于深度学习的监测方法训练特种车辆样板图片进行灰度降维,并创建特种车辆样本库;
步骤S002对样板特种车辆的灰度降维图像中每一个像素点的特征构成特征图,特征图包括:LBP特征图、梯度幅值特征图和梯度方向特征图;
步骤S003将特征图输入深度卷积网络提取深度卷积特征,并将深度卷积特征输入到分类器,分类器获得系统的前向预测输出,其中深度卷积网络和分类器的参数均为前一次学习的结果;这里的深度卷积网络,即深度卷积神经网络是由多层卷积层连接而成,前面的卷积层主要是获取图片的低层特征,如边缘,轮廓等,越往后的卷积层获取的就是图片的局部或整体的语义特征,即高层特征。
步骤S004对路口监控视频获取的车辆图片进行局部构件提取,对提取后的图片进行灰度降维;
步骤S005对局部构件的灰度图像每一个像素点进行特征提取,并与样本库中分类器特征图进行比对,将特种车辆进行特征分割,加快匹配速度;
步骤S006比对成功,确认特种车辆。
其中,步骤S004中,局部构件提取利用特种车辆颜色以及边缘特性,将监控获取的图像分割成多个子区域;对每个子区域进行有效线段检测;根据车辆各部件的不同特征,聚类合并有效线段,并结合相应子区域的纹理信息以及边缘梯度信息,形成每个子区域的特征关联向量;根据特征关联向量,提取每个子区域的局部构件进行灰度处理。
请参阅图2所示,本发明为基于深度学习的特种车辆检测与识别系统,包括摄像头、图像处理单元和特种车辆样本库;图像处理单元包括:用于对监控获取的图像进行分割的局部构件提取模块;用于提取的局部构件图像进行灰度处理的灰度处理模块;用于对灰度图像进行特征提取的特征提取模块;用于将提取的特征信息与特种车辆样本库中分类器中数据进行比对的匹配模块;用于将匹配成功的特种车辆信息存入数据库的存储模块;特种车辆样本库包括:用于对特种车辆样本图像进行灰度降维处理并存入样本库的车辆录入模块;用于将特征图输入深度卷积网络提取深度卷积特征的卷积提取模块;用于存储样本特种车辆卷积特征信息的分类器。
其中,深度卷积采用LeNet5卷积神经网络结构,模块共分为八层,前六层为特征提取部分,后两层为分类器部分,对于特征提取部分采用CNN方法进行训练。
其中,分类器采用全连接结构,由多层感知器MLP和SOFTMAX构成,采用LSE方法进行训练。
其中,存储模块存储的特种车辆有违法记录时,其中的待检违章结果应当接受人工检查,然后将确认无误的信息导入违章数据库,并对误判的信息进行删除或对辨别特种车辆错误的信息进行修改。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.基于深度学习的特种车辆检测与识别系统,其特征在于,包括如下步骤:
步骤S001基于深度学习的监测方法训练特种车辆样板图片进行灰度降维,并创建特种车辆样本库;
步骤S002对样板特种车辆的灰度降维图像中每一个像素点的特征构成特征图;
步骤S003将特征图输入深度卷积网络提取深度卷积特征,并将深度卷积特征输入到分类器;
步骤S004对路口监控视频获取的车辆图片进行局部构件提取,对提取后的图片进行灰度降维;
步骤S005对局部构件的灰度图像每一个像素点进行特征提取,并与样本库中分类器特征图进行比对;
步骤S006比对成功,确认特种车辆。
2.根据权利要求1所述的基于深度学习的特种车辆检测与识别系统,其特征在于,所述步骤S004中,局部构件提取利用特种车辆颜色以及边缘特性,将监控获取的图像分割成多个子区域;对每个子区域进行有效线段检测;根据车辆各部件的不同特征,聚类合并有效线段,并结合相应子区域的纹理信息以及边缘梯度信息,形成每个子区域的特征关联向量;根据特征关联向量,提取每个子区域的局部构件进行灰度处理。
3.根据权利要求1所述的基于深度学习的特种车辆检测与识别系统,包括摄像头、图像处理单元和特种车辆样本库;
所述图像处理单元包括:用于对监控获取的图像进行分割的局部构件提取模块;用于提取的局部构件图像进行灰度处理的灰度处理模块;用于对灰度图像进行特征提取的特征提取模块;用于将提取的特征信息与特种车辆样本库中分类器中数据进行比对的匹配模块;用于将匹配成功的特种车辆信息存入数据库的存储模块;
所述特种车辆样本库包括:用于对特种车辆样本图像进行灰度降维处理并存入样本库的车辆录入模块;用于将特征图输入深度卷积网络提取深度卷积特征的卷积提取模块;用于存储样本特种车辆卷积特征信息的分类器。
4.根据权利要求3所述的基于深度学习的特种车辆检测与识别系统,其特征在于,所述深度卷积采用LeNet5卷积神经网络结构,模块共分为八层,前六层为特征提取部分,后两层为分类器部分,对于特征提取部分采用CNN方法进行训练。
5.根据权利要求3所述的基于深度学习的特种车辆检测与识别系统,其特征在于,所述分类器采用全连接结构,由多层感知器MLP和SOFTMAX构成,采用LSE方法进行训练。
6.根据权利要求3所述的基于深度学习的特种车辆检测与识别系统,其特征在于,所述存储模块存储的特种车辆有违法记录时,其中的待检违章结果应当接受人工检查,然后将确认无误的信息导入违章数据库,并对误判的信息进行删除或对辨别特种车辆错误的信息进行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225395.5A CN108009579A (zh) | 2017-11-29 | 2017-11-29 | 基于深度学习的特种车辆检测与识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225395.5A CN108009579A (zh) | 2017-11-29 | 2017-11-29 | 基于深度学习的特种车辆检测与识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009579A true CN108009579A (zh) | 2018-05-08 |
Family
ID=62054737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711225395.5A Pending CN108009579A (zh) | 2017-11-29 | 2017-11-29 | 基于深度学习的特种车辆检测与识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960412A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像识别方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537348A (zh) * | 2014-12-23 | 2015-04-22 | 博康智能网络科技股份有限公司 | 特种车辆识别方法及其识别系统 |
CN104680149A (zh) * | 2015-03-10 | 2015-06-03 | 苏州科达科技股份有限公司 | 一种物体类型识别方法及系统 |
CN105321178A (zh) * | 2015-10-12 | 2016-02-10 | 武汉工程大学 | 一种基于稀疏主成分分析的图像分割的方法及装置 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
US20160259994A1 (en) * | 2015-03-04 | 2016-09-08 | Accenture Global Service Limited | Digital image processing using convolutional neural networks |
-
2017
- 2017-11-29 CN CN201711225395.5A patent/CN108009579A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537348A (zh) * | 2014-12-23 | 2015-04-22 | 博康智能网络科技股份有限公司 | 特种车辆识别方法及其识别系统 |
US20160259994A1 (en) * | 2015-03-04 | 2016-09-08 | Accenture Global Service Limited | Digital image processing using convolutional neural networks |
CN104680149A (zh) * | 2015-03-10 | 2015-06-03 | 苏州科达科技股份有限公司 | 一种物体类型识别方法及系统 |
CN105321178A (zh) * | 2015-10-12 | 2016-02-10 | 武汉工程大学 | 一种基于稀疏主成分分析的图像分割的方法及装置 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960412A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像识别方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
JP6159489B2 (ja) | 顔認証方法およびシステム | |
CN113688652B (zh) | 一种异常驾驶行为的处理方法和装置 | |
CN108304788A (zh) | 基于深度神经网络的人脸识别方法 | |
TW201706918A (zh) | 作爲供神經網路的訓練準則的濾波器特異性 | |
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
Bar et al. | The vulnerability of semantic segmentation networks to adversarial attacks in autonomous driving: Enhancing extensive environment sensing | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN112257665A (zh) | 图像内容的识别方法、图像识别模型的训练方法及介质 | |
CN106408037A (zh) | 图像识别方法及装置 | |
CN110472045A (zh) | 一种基于文档嵌入的短文本虚假问题分类预测方法及装置 | |
TW201633181A (zh) | 用於經非同步脈衝調制的取樣信號的事件驅動型時間迴旋 | |
Mo et al. | Highlight-assisted nighttime vehicle detection using a multi-level fusion network and label hierarchy | |
WO2023185074A1 (zh) | 一种基于互补时空信息建模的群体行为识别方法 | |
CN112115761A (zh) | 自动驾驶汽车视觉感知系统漏洞检测的对抗样本生成方法 | |
CN112507947A (zh) | 基于多模态融合的手势识别方法、装置、设备及介质 | |
CN112949469A (zh) | 针对人脸篡改图像特点分布的图像识别方法、系统及设备 | |
Abbott et al. | Deep object classification in low resolution lwir imagery via transfer learning | |
CN116958637A (zh) | 图像检测模型的训练方法、装置、设备及存储介质 | |
KR20230099941A (ko) | 자기 지도학습과 복사-붙이기 데이터 증강을 이용한 건설객체 분할모델 일반화방법 및 일반화시스템 | |
CN108009579A (zh) | 基于深度学习的特种车辆检测与识别系统 | |
CN112699800A (zh) | 一种车辆查找方法、装置、存储介质及终端 | |
Grimnes | End-to-end steering angle prediction and object detection using convolutional neural networks | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |