CN110147707B - 一种高精度车辆识别方法及系统 - Google Patents
一种高精度车辆识别方法及系统 Download PDFInfo
- Publication number
- CN110147707B CN110147707B CN201811245662.XA CN201811245662A CN110147707B CN 110147707 B CN110147707 B CN 110147707B CN 201811245662 A CN201811245662 A CN 201811245662A CN 110147707 B CN110147707 B CN 110147707B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle type
- model
- neural network
- vector
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆识别技术领域,特别涉及一种稀有车辆识别的系统和方法。现有技术中部分车型数量较少,训练时可能出现较为严重的样本不均衡情况;本发明提供了一种车辆识别的系统和方法,该方法包括步骤S1:将待检测的图像输入通用车型检测模型进行检测;步骤S2:根据类别概率和预设阈值判断是否使用特定车型检测模型;步骤S3:如果所述类别概率满足步骤S2所述的阈值条件,将图片输入特定车型检测网络,由所述特定车型检测模型输出车辆位置和类别概率;如果不满足,则由所述通用车型检测模型输出车辆位置和类别概率。通过使用特定车辆检测模型来检测稀有车型,实现了对稀有车型的较高分类和位置准确率从而提高了车型检测的整体精准度。
Description
技术领域
本发明涉及一种车辆识别技术领域,特别涉及一种稀有车辆识别的系统和方法。
背景技术
车型识别指智能系统根据车辆图像自动判别出图像中车辆所属的类别。依据车型识别人们可以统计道路交通情况,或者锁定某一类型的车辆。
现有的车型识别系统往往直接使用大的数学模型或者神经网络学习所有车型的特征并对车型进行识别。然而,由于部分车型数量较少,训练时可能出现较为严重的样本不均衡情况。而这些不常见车型一旦出现在实际道路行驶时,会因之前训练的不充分,造成自动驾驶判断的不准确。因此如何针对稀有、特殊车型车辆进行神经网络学习是目前亟待解决的问题。另外某些车型之间模式差异很小,这对神经网络学习训练都会带来困扰。上述情况都可能导致不同车型识别准确率相差很大从而影响识别系统整体的精准度。
发明内容
有鉴于此,本申请提供一种基于卷积神经网络的高精度车型识别方法。该方法通过预先训练好的两个车型检测网络,这两个识别网络可以对车辆图片特征进行提取并识别对应车型,本申请中通过将两个网络级联的方法实现了对稀有车型或相似车型的较高识别准确率从而提高了车型识别的整体精准度。
鉴于现有技术中存在的问题,本发明提供一种车辆识别方法,其特征在于:所述方法包括以下步骤:
步骤S1:将待检测的图像输入通用车型检测模型进行检测;
步骤S2:根据类别概率和预设阈值判断是否使用特定车型检测模型;
步骤S3:如果所述类别概率满足步骤S2所述的阈值条件,将图片输入特定车型检测网络,由所述特定车型检测模型输出车辆位置和类别概率;如果不满足,则由所述通用车型检测模型输出车辆位置和类别概率。
优选地,所述通用车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
优选地,所述特定车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
优选地,所述步骤S2包括通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时,将该待检测的图像输入用于识别稀有车型的所述特定车型检测模型。
优选地,该卷积神经网络会输出长度为M的向量,M代表稀有车型的数目,向量中每个数值代表图像中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
优选地,所述卷积神经网络提取的特征输入到softmax函数进行识别,softmax函数如下:
其中,x为卷积神经网络提取的特征向量,j为类别索引,T为矩阵转置,wj为第j类特征的权重向量,wm为第m类特征的权重向量,M为识别系统中模式类别的数量即车型的数目;该卷积神经网络会输出长度为M的向量,向量中每个数值P(y=j|x)代表图片中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
本发明的第二个方面,提供一种车辆识别方法,其特征在于:所述方法包括以下步骤:
步骤S1:将待检测的图像输入通用车型检测模型进行检测;
步骤S2:根据类别概率和预设阈值判断是否使用特定车型检测模型;
步骤S3:如果所述类别概率满足步骤S2所述的阈值条件,将图片输入特定车型检测网络,由所述特定车型检测模型输出车辆位置和类别概率;如果不满足,则由所述通用车型检测模型输出车辆位置和类别概率;
步骤S4:将识别出的车辆位置和类别概率输入到下级车辆位置或速度判别模型以提高这些模型的准确率。
本发明的第三个方面,提供一种车辆识别系统,所述系统包括通用车型检测模型、特定车辆识别模型;
所述通用车型检测模型用于检测待检测的图像,计算类别概率并输出识别结果;
所述系统根据类别概率和预设阈值判断是否使用特定车型检测模型;
所述特定车辆识别模型用于检测满足所述阈值的图像,并输出识别结果。
优选地,所述通用车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
优选地,所述特定车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
优选地,所述通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时,将该待检测的图像输入用于识别稀有车型的所述特定车型检测模型。
优选地,该卷积神经网络会输出长度为M的向量,M代表稀有车型的数目,向量中每个数值代表图像中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
优选地,所述卷积神经网络提取的特征输入到softmax函数进行识别,softmax函数如下:
其中,x为卷积神经网络提取的特征向量,j为类别索引,T为矩阵转置,wj为第j类特征的权重向量,wm为第m类特征的权重向量,M为检测系统中模式类别的数量即车型的数目。该卷积神经网络会输出长度为M的向量,向量中每个数值P(y=j|x)代表图片中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
本发明的第四方面,提供一种车辆识别系统,所述系统包括通用车型检测模型、特定车辆检测模型;
所述通用车型检测模型用于检测待检测的图像,计算类别概率并输出识别结果;
所述系统根据类别概率和预设阈值判断是否使用特定车型检测模型;
所述特定车辆检测模型用于检测满足所述阈值的图像,并输出识别结果;
所述系统还包括下级车辆位置或速度判别模型,其用于检测车辆位置或速度以提高所述系统的准确率。
与现有技术相比,本发明具有下述的发明点与有益效果,但不局限于下述几点:
(1)设立特定车型检测模型;实现了对稀有车型(也可以是相似车型)的较高识别准确率从而提高了车型识别的整体精准度;通过该方式,实现对车型学习的细分。现有技术中因为没有做这样的车型细分技术,造成因稀有车型的训练数据少,在大数据训练时出现数据不平衡,影响训练效果。现有技术中有车辆与非车辆的图像识别,但与本发明有着极大的不同,对于非车辆其图像参数特征与车辆有很大的区别,这使用构造模型训练时较为简单,也不需要后续的类别概率判断。因此本发明的构建特定车型检测模型是本发明的发明点之一。
(2)通过阈值来控制识别模型的使用,使用者可根据外界情况的变化进行调整。将卷积神经网络提取的特征输入到softmax函数进行识别。该卷积神经网络会输出长度为M的向量,向量中每个数值P(y=j|x)代表图片中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。采用该类别概率识别方法来划分出稀有车型与通用车型是本发明的一个创新之处,虽然softmax函数是本领域中已知的函数,但还未发现将该函数用于两类不用车型的划分这一技术领域,采用该算法实践表明其类别概率满足了判定稀有车型与通用车型的要求。符合本发明模型的需求。这是本发明的发明点之一。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的车型识别过程示意图;
图2是本发明实施例提供的通用车型检测网络和特定车型检测网络训练过程示意图;
图3本发明实施例提供的车型检测网络施用过程示意图。
具体实施例
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
本发明通过利用级联网络提取车辆图像的图片特征然后对图片中的车型进行高精准度识别,后续可以根据车型对车辆的位置和速度进行更精准的测定。
接下来对本申请实施例提供的一种高精度车型检测模型的训练方法的具体实现方式进行介绍。
步骤1:获取车辆样本图片,图片应有标注好的车型并根据车型稀有度将车型进行分类。
车辆样本图像可以视为用于训练车型检测模型的样本图像。本申请实施例中,训练模型采用了有监督的训练方式,因此所用样本图像需要具有相应标注。其中需要对车辆样本图像中车辆所属类型进行标注。另外,因为对稀有车型有特殊处理,所以在标注时需要将该类别的车型挑选出来。在本申请的一种实施例中,稀有车型被定义为在公共道路上出现比例较小的车型,典型的例如运送小汽车的车,市政施工车(扫地车,洒水车,清障车,拖车等),三轮车(包括运送快递用车)等,或者定义为这些车型车辆出现的比例占总车型车辆出现比例的小于5%,典型的例如1%左右。
为了提高车型检测模型的精准度,需要大量样本图像。在本申请实施例中,样本图像来源于网络爬虫爬取的车辆图片或者车载摄像头和道路摄像头中截取的视频帧。然后,将上述图片使用车辆检测算法裁剪出车辆图片。为了获得训练所需的监督信息,需要对所得到的车辆样本图片进行标注。接着对标注得到的车辆种类依据稀有程度进行划分。把经过标注后的图片建立成样本库后即可用于训练,在本申请实施例中样本库将包含训练集,验证集和测试集。
步骤2:将车辆样本图片输入初始化的神经网络模型。
为了对初始化的神经网络模型进行训练,需要将经过标注的车辆样本图片输入模型中。在本申请实施例一些可能的实现方式中,在将车辆样本图像输入预先建立的初始神经网络模型之前,需要将车辆样本图像缩放至预设尺寸。
步骤3:利用经过标注的车辆样本图像训练初始化的神经网络。
为了便于理解,首先对神经网络模型的概念进行简单介绍。神经网络是由大量的、简单的处理单元广泛地互相连接而形成的网络系统,它因为拥有大量的可调节参数而具有强大的学习能力。神经网络模型即为基于神经网络建立的一种数学模型,基于神经网络模型的强大的学习能力,神经网络模型在许多领域都得到广泛的应用。
其中,在图像处理和模式识别领域,常常采用卷积神经网络模型进行模式识别。由于卷积神经网络模型中的卷积层局部连接以及权值共享的特性,使得需要训练的参数大大减少,简化了网络模型,提高了训练效率。
在本实施例中可以采用卷积神经网络作为初始化神经网络模型。利用部分卷积神经网络层对车辆样本图像中的特征进行提取。根据提取到的图像特征,后续全连接层进行分类从而得到车型识别的结果。将神经网络输出的车型识别结果和车辆样本图像预先标注的车型进行对比,由此可以对初始神经网络模型的参数进行优化,当初始化的神经网络经过足够多的训练样本训练后,就可以得到训练好的车型检测模型。
由上可知,本申请提供了一种车型检测模型的训练方法。获取车辆样本图片,对图片中车型进行标注,将车辆样本图像输入预先建立的初始神经网络模型,利用车辆样本图像以监督学习方式训练初始神经网络模型。
为了使本申请的技术方案更清楚,下面将结合具体实施例和图一对车辆样本图片经过神经网络识别得到车型的具体过程进行描述。
步骤1:如图1所示将经过车辆检测得到的车辆样本图片输入通用车型检测模型。
该通用车型检测模型指的是卷积神经网络模型。该卷积神经网络模型由卷积层,批处理归一化,ReLU激活函数和池化层组合而成。其中卷积层对一张图像的不同区域采用相同的卷积核提取出该图像的一种特征,例如沿某一方向的边缘,不同区域之间实现权值共享,如此可以大大降低训练的参数。进一步地,采用多种卷积核分别对图像的不同区域进行特征提取,可以得到该图像的多种特征。批处理归一化通过对每一层的特征进行归一化使得后续神经网络的训练更容易收敛并减少了过拟合情况的发生。ReLU激活函数则为卷积神经网络中常用的激活函数,它为整个神经网络提供了非线性建模能力。池化层则减少了特征的大小,减少了计算量,同时它还能够使神经网络对平移变换有一定鲁棒性。现有的卷积神经网络模型包括VGG Net(Visual Geometry Group)、AlexNet、ResNet深度残差网络模型等等。这些网络在网络深度,计算量,提取特征的精准度等方面有所不同。在本申请实施例中,模型可根据硬件计算能力决定。该卷积神经网络最后会有一层全连接层,该全连接层对卷积神经网络提取到的特征进行映射,在经过softmax函数后输入长度为K的向量。其中K代表车型的个数,向量中的数值代表车辆样本图片中的车辆属于某一类别的类别概率。
步骤2:根据类别概率和预设阈值判断是否使用特定车型检测网络。
如图1所示,当步骤1中的通用车型检测模型输出的类别概率向量(此处输出是一个向量,这个向量里面的每一个元素都是一个后验类别概率,代表属于某一类别的类别概率)的最大值小于设定阈值时,将该车辆样本图像输入用于识别稀有车型的特定车型检测模型。当类别概率向量的最大值大于阈值时,认为该车属于最大值所对应的车型。
步骤3:如果满足步骤2阈值条件,将图片输入特定车型检测网络。
与上述车型识别大模型类似,该模型也属于卷积神经网络模型,同样由卷积层,批处理归一化,ReLU激活函数和池化层组合而成。不同的是,该模型处理车型种类较少,可以采用较小的卷积神经网络结构。卷积神经网络提取的特征输入到softmax函数进行识别,softmax函数如下:
其中,x为卷积神经网络提取的特征向量,j为类别索引,T为矩阵转置,wj为第j类特征的权重向量,wm为第m类特征的权重向量,M为识别系统中模式类别的数量即车型的数目。该卷积神经网络会输出长度为M的向量,向量中每个数值P(y=j|x)代表图片中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
由上可知,车辆样本图像经过通用车型识别结果输出车型判断结果,识别类别概率小于阈值的使用特定车型检测模型再进行判断,否则直接输出识别结果。在训练中,需要将通用车型检测模型和特定车型检测模型的识别结果与对车辆样本图片标注进行对比从而训练神经网络。接下来将结合图2对对比和训练方法进行详细说明。
步骤1:将车辆样本图像缩放至预设尺寸,在本申请实施例的一种实现方式中,预设尺寸为224x224。
步骤2:将训练集中车辆样本图像输入至通用车型检测网络,计算获得的车型类别向量和标注的车型类别向量(标注车型对应的类别概率值为1,其他为0)之间的交叉熵损失。
步骤3:在本申请实施例的一种实现方式中,需要将通用车型检测网络上述损失函数训练25个epoch,其中学习率设定为0.01,采用的优化算法为Adam算法。在本申请实施例的其他实现方法中,训练的次数,学习率可依据数据量调整,优化方法也可采用基于梯度下降的其他优化方法。
步骤4:将训练集中稀少车辆样本图片输入到特定车型检测网络中,计算获得的车型类别向量和标注的车型类别向量(标注车型对应的类别概率值为1,其他为0)之间的交叉熵损失。
其中交叉熵损失为深度学习分类技术中一种损失函数,设标注结果中每个类别的类别概率为pij(所属类别为1,其他为0),模型预测每个类别类别概率为qij,训练时batch的大小为N,类别个数为M,则交叉熵损失为:
当预测类别概率向量和标注车型类别向量越接近时,损失函数越小。目前现有技术中还未发现有将交叉熵用于车型类别的辨认上。
步骤5:在本申请实施例的一种实现方式中,需要将特定车型检测网络依据上述损失函数训练16个epoch,其中学习率设定为0.001,采用的优化算法为Adam算法。在本申请实施例的其他实现方法中,训练的次数,学习率可依据数据量调整,优化方法也可采用基于梯度下降的其他优化方法。
步骤6:将验证集中车辆样本图片输入到训练好的车型检测模型中,记录所有识别为非稀有车型的类别概率向量最大值和对应的车辆样本图片。该部分车辆样本图片中既有确实为非稀有车型的图片,也有实际是稀有车型却识别为非稀有车型的图片。本申请使用线性软间隔支持向量机对这两类图片对应的类别概率向量最大值进行分类从而获得阈值。
当通用车型检测模型和特定车型检测模型训练完成后,本申请实施例具体实施细节如下:
步骤1:获取道路摄像机或者车载摄像头中的图像然后使用双线性插值将图片缩放为预设尺寸。
步骤2:将步骤1获得的图片输入车辆检测模型,现有的fast-RCNN,yolo等通用物体识别框架均可经过一定训练应用于车辆检测。在本申请实施例中,车辆检测框架可根据计算资源和检测准确率要求确定。
步骤3:将步骤2识别到的车辆裁剪出输入通用车型检测网络,将输出的类别概率向量最大值和阈值比较,若大于阈值则直接输出车型识别结果,否则将车辆图片输入特定车型检测网络,由该网络判断车型。
实验过程中发现当通用识别模型识别后验类别概率低时,这类图像基本属于异型车图像。这说明通用模型由于系统内待识别车型类数较多,无法在训练过程中准确刻画这些出现类别概率较小车型。通用模型的识别结果可靠性已经不够,需要更精细化的模型进行识别,而精细化的模型是在异型车图像上训练的,因此通过通用模型和精细化模型融合的方式可以进一步提高车型识别系统的准确度。
步骤4:将识别出的车型输入到下级车辆位置或速度判别模型以提高这些模型的准确率。
由于车辆的占位大小和速度与车型有一定相关性,直接对车辆位置或者速度进行预测可能需要较大的网络容量才能实现。当我们把车型作为辅助信息输入到后续车辆位置或速度判别模型时,模型可以利用车辆大小和速度与车型相关的先验信息提高判断的准确度。这也是本发明的发明点之一。
上述内容对本申请实施例中高精度车型检测模型训练和使用的细节步骤做了详细描述,下面将从硬件或软件实现角度对本发明实施例进行介绍。本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种车辆识别方法,其特征在于:所述方法包括以下步骤:
步骤S1:将待检测的图像输入通用车型检测模型进行检测;
步骤S2:根据类别概率和预设阈值判断是否使用特定车型检测模型,其中,所述特定车型检测模型用于识别稀有车型,所述稀有车型为车型车辆出现的比例占总车型车辆出现比例的小于5%的车型;
步骤S3:如果所述类别概率满足步骤S2所述的阈值条件,将图片输入特定车型检测网络,由所述特定车型检测模型输出车辆位置和类别概率;如果不满足,则由所述通用车型检测模型输出车辆位置和类别概率;
步骤S4:将识别出的车辆位置和类别概率输入到下级车辆位置或速度判别模型,把车型作为辅助信息输入到后续车辆位置或速度判别模型时,模型可以利用车辆大小和速度与车型相关的先验信息提高判断的准确度。
2.根据权利要求1所述的方法,其特征在于:所述通用车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
3.根据权利要求1所述的方法,其特征在于:所述特定车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
4.根据权利要求1所述的方法,其特征在于:所述步骤S2包括通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时,将该待检测的图像输入用于检测稀有车型的所述特定车型检测模型。
5.根据权利要求2-3任一所述的方法,所述卷积神经网络最后一层为全连接层,所述全连接对卷积神经网络提取到的特征进行映射,再经过softmax函数后输入长度为K的向量;其中K代表车型的数目,向量中的数值代表车辆样本图片中的车辆属于某一类别的类别概率。
6.根据权利要求3所述的方法,其特征在于:所述卷积神经网络会输出长度为M的向量,M代表稀有车型的数目,向量中每个数值代表图像中车辆属于某一类别的类别概率,所述类别概率向量中最大值对应的车型即为识别结果。
8.一种车辆识别系统,其特征在于:所述系统包括通用车型检测模型、特定车辆检测模型;
所述通用车型检测模型用于检测待检测的图像,计算类别概率并输出识别结果;
所述系统根据类别概率和预设阈值判断是否使用特定车型检测模型,其中,所述特定车型检测模型用于识别稀有车型,所述稀有车型为车型车辆出现的比例占总车型车辆出现比例的小于5%的车型;
所述特定车辆检测模型用于检测满足所述阈值的图像,并输出识别结果;
所述系统还包括下级车辆位置或速度判别模型,其用于检测车辆位置或速度,把车型作为辅助信息输入到后续车辆位置或速度判别模型时,模型可以利用车辆大小和速度与车型相关的先验信息提高判断的准确度。
9.根据权利要求8所述的系统,其特征在于:所述通用车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
10.根据权利要求8所述的系统,其特征在于:所述特定车型检测模型由卷积神经网络模型实现,该卷积神经网络模型包括卷积层、批处理归一化、ReLU激活函数和池化层。
11.根据权利要求9所述的系统,其特征在于:所述通用车型检测模型输出的所述类别概率的最大值小于所述预设阈值时,将该待检测的图像输入用于识别稀有车型的所述特定车型检测模型。
12.根据权利要求9-10任一所述的系统,所述卷积神经网络最后会有一层全连接层,所述全连接对卷积神经网络提取到的特征进行映射,在经过softmax函数后输入长度为K的向量;其中K代表车型的数目,向量中的数值代表车辆样本图片中的车辆属于某一类别的类别概率。
13.根据权利要求10所述的系统,其特征在于:该卷积神经网络会输出长度为M的向量,M代表稀有车型的数目,向量中每个数值代表图像中车辆属于某一类别的类别概率,类别概率向量中最大值对应的车型即为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245662.XA CN110147707B (zh) | 2018-10-25 | 2018-10-25 | 一种高精度车辆识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245662.XA CN110147707B (zh) | 2018-10-25 | 2018-10-25 | 一种高精度车辆识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147707A CN110147707A (zh) | 2019-08-20 |
CN110147707B true CN110147707B (zh) | 2021-07-20 |
Family
ID=67588353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245662.XA Active CN110147707B (zh) | 2018-10-25 | 2018-10-25 | 一种高精度车辆识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147707B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540203B (zh) * | 2020-04-30 | 2021-09-17 | 东华大学 | 基于Faster-RCNN调节绿灯通行时间的方法 |
CN111860112A (zh) * | 2020-06-01 | 2020-10-30 | 华迪计算机集团有限公司 | 一种车型识别方法、装置 |
CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN111931768A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种自适应样本分布的车辆识别方法及系统 |
CN112329772B (zh) * | 2020-11-06 | 2024-03-05 | 浙江大搜车软件技术有限公司 | 车辆部件识别方法、装置、电子装置和存储介质 |
CN112598084B (zh) * | 2021-03-02 | 2021-06-29 | 深圳金三立视频科技股份有限公司 | 一种基于图像处理的车辆类型识别方法及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440769A (zh) * | 2013-08-11 | 2013-12-11 | 中国计量学院 | 积分提取地磁曲线信息实现车型识别的方法 |
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 |
CN107368827A (zh) * | 2017-04-01 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 字符识别方法及装置、用户设备、服务器 |
CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技(深圳)有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
-
2018
- 2018-10-25 CN CN201811245662.XA patent/CN110147707B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440769A (zh) * | 2013-08-11 | 2013-12-11 | 中国计量学院 | 积分提取地磁曲线信息实现车型识别的方法 |
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 |
CN107368827A (zh) * | 2017-04-01 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 字符识别方法及装置、用户设备、服务器 |
CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技(深圳)有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
Non-Patent Citations (2)
Title |
---|
Vehicle Type Recognition Combining Global and Local Features via Two-Stage Classification;Wei Sun et al;《Mathematical Problems in Engineering》;20171113;第2-6页 * |
基于卷积神经网络的车型识别;郭晓伟 等;《第二十届计算机工程与工艺年会暨第六届微处理器技术论坛论文集》;20160811;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110147707A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147707B (zh) | 一种高精度车辆识别方法及系统 | |
CN111539370B (zh) | 一种基于多注意力联合学习的图像行人重识别方法和系统 | |
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN112380921A (zh) | 一种基于车联网的道路检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
Li et al. | Traffic anomaly detection based on image descriptor in videos | |
CN113269054B (zh) | 一种基于时空2d卷积神经网络的航拍视频分析方法 | |
Awang et al. | Vehicle counting system based on vehicle type classification using deep learning method | |
Seidel et al. | NAPC: A neural algorithm for automated passenger counting in public transport on a privacy-friendly dataset | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
Kheder et al. | Transfer learning based traffic light detection and recognition using CNN inception-V3 model | |
CN111339834B (zh) | 车辆行驶方向的识别方法、计算机设备及存储介质 | |
Anees et al. | Deep learning framework for density estimation of crowd videos | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
CN112308066A (zh) | 一种车牌识别系统 | |
KR102143073B1 (ko) | 차량의 주차면 분석을 위한 지능형 cctv 장치 | |
CN114821470A (zh) | 基于图卷积网络的人车关联方法及装置 | |
Arce et al. | Efficient lane detection based on artificial neural networks | |
Liu et al. | Weather recognition of street scene based on sparse deep neural networks | |
KR20170104756A (ko) | 국부지역별 크기 특정 차량 분류 방법 및 이를 이용한 차량검출방법 | |
CN112541469A (zh) | 基于自适应分类的人群计数方法及系统 | |
Ajith et al. | Road Accident Detection from CCTV Footages using Deep Learning | |
Kassymkhanova et al. | Majority voting approach and fuzzy logic rules in license plate recognition process | |
CN114882449B (zh) | 一种基于Car-Det网络模型的车辆检测方法及装置 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211124 Address after: 215100 floor 23, Tiancheng Times Business Plaza, No. 58, qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou, Jiangsu Province Patentee after: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. Address before: Room 601-a32, Tiancheng information building, No. 88, South Tiancheng Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |