CN109409337A - 基于卷积神经网络的渣土车特征识别方法 - Google Patents

基于卷积神经网络的渣土车特征识别方法 Download PDF

Info

Publication number
CN109409337A
CN109409337A CN201811459480.2A CN201811459480A CN109409337A CN 109409337 A CN109409337 A CN 109409337A CN 201811459480 A CN201811459480 A CN 201811459480A CN 109409337 A CN109409337 A CN 109409337A
Authority
CN
China
Prior art keywords
picture
slag
soil truck
tailstock
recognizer
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.)
Granted
Application number
CN201811459480.2A
Other languages
English (en)
Other versions
CN109409337B (zh
Inventor
蔡岗
王长君
孙正良
张慧辰
张森
童刚
杨广明
林峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN201811459480.2A priority Critical patent/CN109409337B/zh
Publication of CN109409337A publication Critical patent/CN109409337A/zh
Application granted granted Critical
Publication of CN109409337B publication Critical patent/CN109409337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0454Architectures, e.g. interconnection topology using a combination of multiple neural nets

Abstract

基于卷积神经网络的渣土车特征识别方法,其包括:S1:从监控系统中提取监控图片;S2:通过图像识别技术,输出车辆区域图片;S3:在车辆区域图片内进行车辆位置分类识别,将车辆区域图片划分为车头图片和车尾图片;S4:把车头、车尾图片分别输入到训练好的渣土车识别算法模型进行识别;S5:如果甄别结果为发现渣土车,且是通过车尾图片识别出渣土车,则把车尾图片输入到训练好的渣土车违法行为识别算法模型中进行识别;如果是通过车头图片识别出渣土车,则把车辆信息通知给监管人员;S6:S5中通过训练好的渣土车违法行为识别算法模型对车尾图片进行识别,如果违法识别结果为存在违法行为,则生成预警信息,把预警信息通知监管人员。

Description

基于卷积神经网络的渣土车特征识别方法
技术领域
本发明涉及智能交通控制技术领域,具体为基于卷积神经网络的渣土车特征识别方法。
背景技术
渣土车并不是特定的某种车型,而是指专门用于运送沙石等建筑料的卡车。由于渣土车一般是在市区夜间允许通行,由于渣土车体积庞大、驾驶室高,存在很多视觉盲区,且部分驾驶员安全意识淡薄,使得渣土车给道路交通秩序带来了很大的隐患,属于需要必须监管的车种。因为城市建设中建筑工地无规律变化,渣土车集中的路段也无规律变化,现有方法中需要人工发现渣土车集中路段,然后人工确认是否有违法行为,导致人工实施监管会有一定的滞后性,且效率不高。
发明内容
为了解决人工甄别渣土车违法行为有滞后性且效率不高的问题,本发明提供基于卷积神经网络的渣土车特征识别方法,其可以利用现有设备在自动识别出渣土车、以及渣土车的违法行为,成本低、费时短、效率高,确保后续监管工作的正常实施。
本发明的技术方案是这样的:基于卷积神经网络的渣土车特征识别方法,其包括以下步骤:
S1:从监控系统中提取监控图片;
S2:通过图像识别技术,从图片中检出车辆区域,输出车辆区域图片;
其特征在于,其还包括下述步骤:
S3:在所述车辆区域图片内进行车辆位置分类识别,将车辆区域图片划分为车头图片和车尾图片;
S4:把所述车头图片和所述车尾图片分别输入到训练好的渣土车识别算法模型中进行识别;
S5:如果甄别结果为发现渣土车,且是通过所述车尾图片识别出渣土车的,则把所述车尾图片输入到训练好的渣土车违法行为识别算法模型中进行识别;如果是通过所述车头图片识别出渣土车,则把车辆信息通知给监管人员;如果所述甄别结果为未发现渣土车则本次识别结束;
S6:步骤S5中通过训练好的所述渣土车违法行为识别算法模型对所述车尾图片进行识别,如果违法识别结果为存在违法行为,则生成预警信息,把所述预警信息通知监管人员;如果违法识别结果为无违法行为,则本次识别结束。
其进一步特征在于:
步骤4中所述渣土车识别算法模型,包括车头用渣土车识别算法模型和车尾用渣土车识别算法模型;
所述车头用渣土车识别算法模型的训练过程如下:
a-1: 定期地通过各地的卡口管理系统、违章采集系统不断收集海量车头用样本图片;
a-2:每次收集新的样本图片后,对候选车头用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
a-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车头用9分类算法模型;
a-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
a-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车头用2分类算法模型;
所述车尾用渣土车识别算法模型的训练过程如下:
b-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
b-2:每次收集新的样本图片后,对候选车尾用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
b-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车尾用9分类算法模型;
b-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
b-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车尾用2分类算法模型;
步骤S4中,将所述车头图片输入到训练好的所述车头用渣土车识别算法模型进行识别,过程如下:
S4-1-1:将所述车头图片输入到训练好的所述车头用9分类算法模型进行分类;
S4-1-2: 如果分类结果中所述车头图片为大货车的概率最大,则把所述车头图片继续输入到所述车头用2分类算法模型,否则所述车头图片识别结果设置为非渣土车图片;
S4-1-3:如果所述车头图片在所述车头用2分类算法模型中的分类结果为渣土车的概率最大,则所述车头图片识别结果设置为渣土车图片,否则所述车头图片识别结果设置为非渣土车图片;
步骤S4中,将所述车尾图片输入到训练好的所述后盖识别算法模型中进行识别,过程如下:
S4-3-1:将所述车尾图片输入到训练好的所述车尾用9分类算法模型进行分类;
S4-3-2: 如果分类结果中所述车尾图片为大货车的概率最大,则把所述车尾图片继续输入到所述车尾用2分类算法模型,否则所述车尾图片识别结果设置为非渣土车图片;
S4-3-3:如果所述车尾图片在所述车头用2分类算法模型中的分类结果为渣土车的概率最大,则所述车尾图片识别结果设置为渣土车图片,否则所述车尾图片识别结果设置为非渣土车图片;
步骤S5中所述渣土车违法行为识别算法模型,包括后盖识别算法模型和放大车牌号识别算法模型;
所述后盖识别算法模型的训练过程如下:
c-1:定期地通过各地的卡口管理系统、违章采集系统持续不断收集海量车尾用样本图片;
c-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:盖上后盖、未盖后盖;
c-3:将分类完毕的图片中的两个类型:盖上后盖、未盖后盖,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记做后盖识别算法模型;
所述放大车牌号识别算法模型的训练过程如下:
d-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
d-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:喷涂放大号、未喷涂放大号;
d-3:将分类完毕的图片中的两个类型:喷涂放大号、未喷涂放大号,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记为放大车牌号识别算法模型;
步骤S5中通过训练好的所述渣土车违法行为识别算法模型对所述车尾图片进行识别,过程包括下述步骤:
S5-1:将所述车尾图片输入到训练好的所述后盖识别算法模型中进行识别;
S5-2:如果通过所述后盖识别算法模型分类后,所述车尾图片的类型为未盖后盖的概率最大,则认为存在违法行为,所述违法识别结果设置为存在违法行为,所述车尾图片的类型为盖上后盖的概率最大,所述违法识别结果设置为不存在违法行为,所述违法识别结果设置为无违法行为;
S5-3:如果所述违法识别结果为无违法行为,则将所述车尾图片输入到训练好的所述放大车牌号识别算法模型中;
S5-4:如果通过所述放大车牌号识别算法模型分类后,所述车尾图片的类型为未喷涂放大号的概率最大,则认为存在违法行为,所述违法识别结果设置为存在违法行为,所述车尾图片的类型为喷涂放大号的概率最大,所述违法识别结果设置为不存在违法行为,所述违法识别结果设置为无违法行为。
本发明提供的基于卷积神经网络的渣土车特征识别方法,其通过基于卷积神经网络对嫌疑车辆的车辆图片进行图像分类,通过对车头图片和车尾图片进行分类识别,判断目标车辆是否渣土车,然后通过对车尾图片进行识别,判断目标车辆是否存在违法行为;利用现有的设备即可实现判别,无需添加任何新设备,成本低廉,且自动实施,实时发现问题。发现问题随时通知监管人员,不存在滞后性,提高了对渣土车的管控效率;基于卷积神经网络的算法模型泛化能力强,对于不在训练集内的数据拟合效果也非常好;在应用过程中持续的定期地收集样本图片,输入到卷积神经网络中,持续的对各个分类用卷积神经网络进行训练,得到与实际情况变化同步更新的训练好的卷积神经网络模型,进一步的确保了本发明技术方案中的判别方法的识别准确率。
附图说明
图1为本发明的方法流程示意图;
图2为通过车头图片识别渣土车的流程示意图;
图3为通过车尾图片识别渣土车以及违法行为的流程示意图。
具体实施方式
如图1~图3所示,基于卷积神经网络的渣土车特征识别方法,其包括以下步骤:
S1:从监控系统中提取监控图片;
S2:通过图像识别技术,从图片中检出车辆区域,输出车辆区域图片;
S3:在车辆区域图片内进行车辆位置分类识别,将车辆区域图片划分为车头图片和车尾图片;
S4:分别把车头图片和车尾图片分别输入到训练好的渣土车识别算法模型中进行识别;
S5:如果甄别结果为发现渣土车,且是通过车尾图片识别出渣土车的,则把车尾图片输入到训练好的渣土车违法行为识别算法模型中进行识别;如果是通过车头图片识别出渣土车,则把车辆信息通知给监管人员;如果甄别结果为未发现渣土车则本次识别结束;
S6:步骤S5中通过训练好的渣土车违法行为识别算法模型对车尾图片进行识别,如果违法识别结果为存在违法行为,则生成预警信息,把预警信息通知监管人员;如果违法识别结果为无违法行为,则本次识别结束;
通过把所有收到的图片先分类为车头图片和车尾图片两个类型,分别输入到算法模型中进行识别,而非把所有的图片放到一个模型中识别,降低了计算量,提高了图片处理的效率。
如图2和图3所示,通过车头图片和车尾图片识别渣土车,详细描述如下所示。
步骤4中渣土车识别算法模型,包括车头用渣土车识别算法模型和车尾用渣土车识别算法模型。
车头用渣土车识别算法模型的训练过程如下:
a-1: 定期地通过各地的卡口管理系统、违章采集系统不断收集海量车头用样本图片;
a-2:每次收集新的样本图片后,对候选车头用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
a-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车头用9分类算法模型;
a-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
a-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车头用2分类算法模型。
车尾用渣土车识别算法模型的训练过程如下:
b-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
b-2:每次收集新的样本图片后,对候选车尾用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
b-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车尾用9分类算法模型;
b-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
b-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车尾用2分类算法模型。
步骤S4中,将车头图片输入到训练好的车头用渣土车识别算法模型进行识别,过程如下:
S4-1-1:将车头图片输入到训练好的车头用9分类算法模型进行分类;
S4-1-2: 如果分类结果中车头图片为大货车的概率最大,则把车头图片继续输入到车头用2分类算法模型,否则车头图片识别结果设置为非渣土车图片;
S4-1-3:如果车头图片在车头用2分类算法模型中的分类结果为渣土车的概率最大,则车头图片识别结果设置为渣土车图片,否则车头图片识别结果设置为非渣土车图片。
步骤S4中,将车尾图片输入到训练好的后盖识别算法模型中进行识别,过程如下:
S4-3-1:将车尾图片输入到训练好的车尾用9分类算法模型进行分类;
S4-3-2: 如果分类结果中车尾图片为大货车的概率最大,则把车尾图片继续输入到车尾用2分类算法模型,否则车尾图片识别结果设置为非渣土车图片;
S4-3-3:如果车尾图片在车头用2分类算法模型中的分类结果为渣土车的概率最大,则车尾图片识别结果设置为渣土车图片,否则车尾图片识别结果设置为非渣土车图片。
对车头图片和车尾图片进行分类筛选的时候,先把与渣土车归类为大货车的类别,然后再从大货车的分类中找出渣土车,这样的分类方法首先通过把与渣土车归类为与其外形类似的大货车类别,通过9分类算法模型把其他的数据筛选出去,把数据运算量降低,然后再对大货车分类中的数据进行详细分类,找出渣土车;这种进行两次分类的方法不但降低了运算的难度,而且提高了图像识别的准确率。
如图3所示,通过图片识别渣土车违法行为的流程详细描述如下。
步骤S5中渣土车违法行为识别算法模型,包括后盖识别算法模型和放大车牌号识别算法模型。
后盖识别算法模型的训练过程如下:
c-1:定期地通过各地的卡口管理系统、违章采集系统持续不断收集海量车尾用样本图片;
c-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:盖上后盖、未盖后盖;
c-3:将分类完毕的图片中的两个类型:盖上后盖、未盖后盖,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记做后盖识别算法模型。
放大车牌号识别算法模型的训练过程如下:
d-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
d-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:喷涂放大号、未喷涂放大号;
d-3:将分类完毕的图片中的两个类型:喷涂放大号、未喷涂放大号,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记为放大车牌号识别算法模型。
步骤S5中通过训练好的渣土车违法行为识别算法模型对车尾图片进行识别,过程包括下述步骤:
S5-1:将车尾图片输入到训练好的后盖识别算法模型中进行识别;
S5-2:如果通过后盖识别算法模型分类后,车尾图片的类型为未盖后盖的概率最大,则认为存在违法行为,违法识别结果设置为存在违法行为,车尾图片的类型为盖上后盖的概率最大,违法识别结果设置为不存在违法行为,违法识别结果设置为无违法行为;
S5-3:如果违法识别结果为无违法行为,则将车尾图片输入到训练好的放大车牌号识别算法模型中;
S5-4:如果通过放大车牌号识别算法模型分类后,车尾图片的类型为未喷涂放大号的概率最大,则认为存在违法行为,违法识别结果设置为存在违法行为,车尾图片的类型为喷涂放大号的概率最大,违法识别结果设置为不存在违法行为,违法识别结果设置为无违法行为。
本发明中定义了两个具体的违法行为:未盖后盖、未喷涂放大号,分别通过两个2分类算法模型,依次对两个违法行为进行分类甄别,技术方案易于理解,容易实现,适于实际应用,降低了人工监控违法行为的工作量,提高了交通执法的效率。
使用本发明的技术方案后,通过现有的监控设备,如卡口系统、电子警察系统提取数据,进行后续的图像分析,无需增加新的图像设备,成本相对较低;通过卡口系统、电子警察系统主动识别分析路面上行驶的渣土车及其特征,极大提高了交通管理部门对渣土车的管控力度;本发明中定期地收集多场景下的多种车辆样本、持续地训练过程中用到的多个神经网络模型,保持渣土车以及特征识别水平稳中提升。

Claims (10)

1.基于卷积神经网络的渣土车特征识别方法,其包括以下步骤:
S1:从监控系统中提取监控图片;
S2:通过图像识别技术,从图片中检出车辆区域,输出车辆区域图片;
其特征在于,其还包括下述步骤:
S3:在所述车辆区域图片内进行车辆位置分类识别,将车辆区域图片划分为车头图片和车尾图片;
S4:把所述车头图片和所述车尾图片分别输入到训练好的渣土车识别算法模型中进行识别;
S5:如果甄别结果为发现渣土车,且是通过所述车尾图片识别出渣土车的,则把所述车尾图片输入到训练好的渣土车违法行为识别算法模型中进行识别;如果是通过所述车头图片识别出渣土车,则把车辆信息通知给监管人员;如果所述甄别结果为未发现渣土车则本次识别结束;
S6:步骤S5中通过训练好的所述渣土车违法行为识别算法模型对所述车尾图片进行识别,如果违法识别结果为存在违法行为,则生成预警信息,把所述预警信息通知监管人员;如果违法识别结果为无违法行为,则本次识别结束。
2.根据权利要求1所述基于卷积神经网络的渣土车特征识别方法,其特征在于:步骤4中所述渣土车识别算法模型,包括车头用渣土车识别算法模型和车尾用渣土车识别算法模型。
3.根据权利要求2所述基于卷积神经网络的渣土车特征识别方法,其特征在于:所述车头用渣土车识别算法模型的训练过程如下:
a-1: 定期地通过各地的卡口管理系统、违章采集系统不断收集海量车头用样本图片;
a-2:每次收集新的样本图片后,对候选车头用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
a-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车头用9分类算法模型;
a-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
a-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车头用2分类算法模型。
4.根据权利要求2所述基于卷积神经网络的渣土车特征识别方法,其特征在于:所述车尾用渣土车识别算法模型的训练过程如下:
b-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
b-2:每次收集新的样本图片后,对候选车尾用样本图片进行第一次分类,第一次分类的类型包括9个类型:大客车、大货车、中巴车、小货车、面包车、小轿车、越野车、摩托车、三轮车;
b-3:将分类完毕的图片输入到卷积神经网络中,利用卷积神经网络训练出一个9分类算法模型,记做车尾用9分类算法模型;
b-4:将大货车分类中的样本图片进行第二次分类,第二次分类的类型包括2个类型:渣土车、非渣土车;
b-5:将渣土车、非渣土车两个种类的样本图片输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,训练好的模型记作车尾用2分类算法模型。
5.根据权利要求2所述基于卷积神经网络的渣土车特征识别方法,其特征在于:步骤S4中,将所述车头图片输入到训练好的所述车头用渣土车识别算法模型进行识别,过程如下:
S4-1-1:将所述车头图片输入到训练好的所述车头用9分类算法模型进行分类;
S4-1-2: 如果分类结果中所述车头图片为大货车的概率最大,则把所述车头图片继续输入到所述车头用2分类算法模型,否则所述车头图片识别结果设置为非渣土车图片;
S4-1-3:如果所述车头图片在所述车头用2分类算法模型中的分类结果为渣土车的概率最大,则所述车头图片识别结果设置为渣土车图片,否则所述车头图片识别结果设置为非渣土车图片。
6.根据权利要求2所述基于卷积神经网络的渣土车特征识别方法,其特征在于:步骤S4中,将所述车尾图片输入到训练好的所述后盖识别算法模型中进行识别,过程如下:
S4-3-1:将所述车尾图片输入到训练好的所述车尾用9分类算法模型进行分类;
S4-3-2: 如果分类结果中所述车尾图片为大货车的概率最大,则把所述车尾图片继续输入到所述车尾用2分类算法模型,否则所述车尾图片识别结果设置为非渣土车图片;
S4-3-3:如果所述车尾图片在所述车头用2分类算法模型中的分类结果为渣土车的概率最大,则所述车尾图片识别结果设置为渣土车图片,否则所述车尾图片识别结果设置为非渣土车图片。
7.根据权利要求1所述基于卷积神经网络的渣土车特征识别方法,其特征在于:步骤S5中所述渣土车违法行为识别算法模型,包括后盖识别算法模型和放大车牌号识别算法模型。
8.根据权利要求7所述基于卷积神经网络的渣土车特征识别方法,其特征在于:所述后盖识别算法模型的训练过程如下:
c-1:定期地通过各地的卡口管理系统、违章采集系统持续不断收集海量车尾用样本图片;
c-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:盖上后盖、未盖后盖;
c-3:将分类完毕的图片中的两个类型:盖上后盖、未盖后盖,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记做后盖识别算法模型。
9.根据权利要求7所述基于卷积神经网络的渣土车特征识别方法,其特征在于:所述放大车牌号识别算法模型的训练过程如下:
d-1:定期地通过各地的卡口管理系统、违章采集系统不断收集海量车尾用样本图片;
d-2:每次收集新的样本图片后,对候选车尾用样本图片进行分类,分类的类型包括2个类型:喷涂放大号、未喷涂放大号;
d-3:将分类完毕的图片中的两个类型:喷涂放大号、未喷涂放大号,输入到卷积神经网络中,利用卷积神经网络训练出一个2分类算法模型,记为放大车牌号识别算法模型。
10.根据权利要求7所述基于卷积神经网络的渣土车特征识别方法,其特征在于:步骤S5中通过训练好的所述渣土车违法行为识别算法模型对所述车尾图片进行识别,过程包括下述步骤:
S5-1:将所述车尾图片输入到训练好的所述后盖识别算法模型中进行识别;
S5-2:如果通过所述后盖识别算法模型分类后,所述车尾图片的类型为未盖后盖的概率最大,则认为存在违法行为,所述违法识别结果设置为存在违法行为,所述车尾图片的类型为盖上后盖的概率最大,所述违法识别结果设置为不存在违法行为,所述违法识别结果设置为无违法行为;
S5-3:如果所述违法识别结果为无违法行为,则将所述车尾图片输入到训练好的所述放大车牌号识别算法模型中;
S5-4:如果通过所述放大车牌号识别算法模型分类后,所述车尾图片的类型为未喷涂放大号的概率最大,则认为存在违法行为,所述违法识别结果设置为存在违法行为,所述车尾图片的类型为喷涂放大号的概率最大,所述违法识别结果设置为不存在违法行为,所述违法识别结果设置为无违法行为。
CN201811459480.2A 2018-11-30 2018-11-30 基于卷积神经网络的渣土车特征识别方法 Active CN109409337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811459480.2A CN109409337B (zh) 2018-11-30 2018-11-30 基于卷积神经网络的渣土车特征识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811459480.2A CN109409337B (zh) 2018-11-30 2018-11-30 基于卷积神经网络的渣土车特征识别方法

Publications (2)

Publication Number Publication Date
CN109409337A true CN109409337A (zh) 2019-03-01
CN109409337B CN109409337B (zh) 2022-05-13

Family

ID=65456767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811459480.2A Active CN109409337B (zh) 2018-11-30 2018-11-30 基于卷积神经网络的渣土车特征识别方法

Country Status (1)

Country Link
CN (1) CN109409337B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948612A (zh) * 2019-03-19 2019-06-28 苏州怡林城信息科技有限公司 基于卷积网络的车牌检测方法、存储介质和检测设备
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
CN111145558A (zh) * 2019-12-27 2020-05-12 北京容联易通信息技术有限公司 一种基于高点视频监控的违法行为识别方法
CN112801056A (zh) * 2021-04-02 2021-05-14 上海闪马智能科技有限公司 一种基于局部图像分类的渣土车顶盖状态确定方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297531A (zh) * 2013-06-08 2013-09-11 安徽工程大学 基于wsn的智能渣土车监控系统
CN104537387A (zh) * 2014-12-16 2015-04-22 广州中国科学院先进技术研究所 利用神经网络实现车型分类的方法和系统
CN108133599A (zh) * 2017-12-21 2018-06-08 山东亿海兰特通信科技有限公司 一种渣土车视频识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297531A (zh) * 2013-06-08 2013-09-11 安徽工程大学 基于wsn的智能渣土车监控系统
CN104537387A (zh) * 2014-12-16 2015-04-22 广州中国科学院先进技术研究所 利用神经网络实现车型分类的方法和系统
CN108133599A (zh) * 2017-12-21 2018-06-08 山东亿海兰特通信科技有限公司 一种渣土车视频识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐超: "基于卷积网络的物体检测应用研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948612A (zh) * 2019-03-19 2019-06-28 苏州怡林城信息科技有限公司 基于卷积网络的车牌检测方法、存储介质和检测设备
CN109961057A (zh) * 2019-04-03 2019-07-02 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
CN109961057B (zh) * 2019-04-03 2021-09-03 罗克佳华科技集团股份有限公司 一种车辆位置获得方法及装置
CN111145558A (zh) * 2019-12-27 2020-05-12 北京容联易通信息技术有限公司 一种基于高点视频监控的违法行为识别方法
CN112801056A (zh) * 2021-04-02 2021-05-14 上海闪马智能科技有限公司 一种基于局部图像分类的渣土车顶盖状态确定方法及系统

Also Published As

Publication number Publication date
CN109409337B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN109409337A (zh) 基于卷积神经网络的渣土车特征识别方法
CN106652468A (zh) 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN103279756B (zh) 基于集成分类器的车辆检测分析系统及其检测分析方法
CN105335710A (zh) 一种基于多级分类器的精细车辆型号识别方法
CN202077142U (zh) 一种车载智能视频侦测分析系统
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN106251635A (zh) 一种套牌嫌疑车牌号的识别方法及系统
CN106297292A (zh) 基于高速公路卡口及综合监控的轨迹系统
CN103294775B (zh) 基于地理时空约束的警务云图像识别车辆管控系统
CN107284355A (zh) 一种安全车门开启处理方法及系统
CN104282154B (zh) 一种车辆超载监控系统及方法
CN108133178B (zh) 一种基于图像识别的智能环境监控系统与方法
CN104537841A (zh) 无牌车辆违章检测方法及其检测系统
CN106096504A (zh) 一种基于无人机机载平台的车型识别方法
CN103985182A (zh) 一种公交客流自动计数方法及自动计数系统
CN104794906A (zh) 室外停车场出口车辆管理平台
CN102163278B (zh) 一种公交车道非法车辆闯入检测方法
CN103914682A (zh) 一种车牌识别方法及系统
CN111429726B (zh) 一种监控视频违停车辆检测、管理方法及对应的系统
CN110288823B (zh) 一种基于朴素贝叶斯网络的交通违章误判识别方法
CN108053669A (zh) 一种智能车载管理器
CN109523787A (zh) 一种基于车辆通行轨迹的疲劳驾驶分析方法
CN109948419A (zh) 一种基于深度学习的违法停车自动审核方法
CN106600953A (zh) 出租车异常营运监测方法及系统
CN104537840A (zh) 非法营运出租车辆的检测系统

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
GR01 Patent grant
GR01 Patent grant