一種車輛識別方法及裝置制造方法及圖紙

本申請?zhí)峁┝艘环N車輛識別方法及裝置，包括：獲取待識別車輛圖像；利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率；根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。由于本申請所提供的方案利用的是深度學習網(wǎng)絡(luò)識別車輛，深度學習網(wǎng)絡(luò)足以刻畫和區(qū)分物體，相比現(xiàn)有的人工定義特征進行分類的方式準確性更高，可以使得誤報率和漏報率同時降低。

【技術(shù)實現(xiàn)步驟摘要】

本申請涉及計算機視覺
，尤其涉及一種車輛識別方法及裝置。
技術(shù)介紹
目前，在識別圖片中的具體內(nèi)容時，通常是包括如下步驟：第一步，在圖片中檢測感興趣物體的位置，比如：若要進行車輛的識別則需要先使用一個檢測器將這輛車從圖片中找出來，檢測器的輸出結(jié)果為該車在圖片上的坐標；第二步，將該車按照坐標位置從原圖中剪切下來，將剪切后的圖片放到分類器中，分類器的輸出結(jié)果為這輛車的識別結(jié)果。在第二步中，通常是將輸入的原始圖片像素值轉(zhuǎn)化為人工定義的特征(human-engineeredfeatures)，比如：尺度不變特征變換(SIFT，Scale-invariantfeaturetransform)、方向梯度直方圖(HOG，HistogramofOrientedGradient)特征等，然后將這些變換得到的特征放入分類器中進行分類，最終得到物體的識別結(jié)果。采用這種方式進行識別，由于分類算法是基于人工定義的特征進行分類，使用的模型通常只包含一個提取特征的隱含層，特征往往不足以刻畫和區(qū)分物體，導致識別的準確率較低。現(xiàn)有技術(shù)不足在于：采用現(xiàn)有的方式識別物體準確率較低。
技術(shù)實現(xiàn)思路
本申請實施例提出了一種車輛識別方法及裝置，以解決現(xiàn)有技術(shù)中的物體識別方法識別物體的準確率較低的技術(shù)問題。本申請實施例提供了一種車輛識別方法，包括如下步驟：獲取待識別車輛圖像；利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率；根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。本申請實施例提供了一種車輛識別裝置，包括：獲取模塊，用于獲取待識別車輛圖像；訓練模塊，用于訓練深度學習網(wǎng)絡(luò)；所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率；識別模塊，用于利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；確定模塊，用于根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。有益效果如下：本申請實施例所提供的車輛識別方法及裝置，在獲取到待識別車輛圖像之后，無需用戶手動定義特征再進行分類，直接利用預先訓練得到的深度學習網(wǎng)絡(luò)即可識別所述待識別車輛圖像，依次經(jīng)過卷積層、池化層和全連接層后得到車輛屬性概率，從而確定車輛屬性信息。由于本申請實施例所提供的方案利用的是深度學習網(wǎng)絡(luò)識別車輛，深度學習網(wǎng)絡(luò)足以刻畫和區(qū)分物體，相比現(xiàn)有的人工定義特征進行分類的方式準確性更高，使得誤報率和漏報率同時降低。附圖說明下面將參照附圖描述本申請的具體實施例，其中：圖1示出了本申請實施例中車輛識別方法實施的流程示意圖；圖2示出了本申請實施例中深度學習網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；圖3示出了本申請實施例中車輛識別裝置的結(jié)構(gòu)示意圖。具體實施方式為了使本申請的技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖對本申請的示例性實施例進行進一步詳細的說明，顯然，所描述的實施例僅是本申請的一部分實施例，而不是所有實施例的窮舉。并且在不沖突的情況下，本說明中的實施例及實施例中的特征可以互相結(jié)合。專利技術(shù)人在專利技術(shù)過程中注意到：現(xiàn)有方式還存在著如下缺點：1)誤報和漏報是一對矛盾，即可以人為地調(diào)整模型外在參數(shù)，使得誤報率降低而造成漏報率上升，反之亦然。由于現(xiàn)有方式準確性不高，造成無論怎樣調(diào)整參數(shù)，結(jié)果的誤報和漏報率都難以同時降低；2)現(xiàn)有算法是基于手工定義的特征，在輸入圖片后進行提取特征時需要人手動參與；3)現(xiàn)有技術(shù)中大多為淺層模型，不能很好的刻畫出欲分類物體的特征。針對現(xiàn)有技術(shù)的不足，本申請實施例提出了一種車輛識別方法及裝置，下面進行說明。圖1示出了本申請實施例中車輛識別方法實施的流程示意圖，如圖所示，所述車輛識別方法可以包括如下步驟：步驟101、獲取待識別車輛圖像；步驟102、利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率；步驟103、根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。具體實施時，可以首先獲取待識別車輛圖像，所述圖像中可以為具有一定屬性的車輛，所述屬性可以為車型、車款、年份等，例如，所述待識別車輛圖像上可以為奧迪-A4-2012這輛車。然后利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像。其中，深度學習(deeplearning)屬于神經(jīng)網(wǎng)絡(luò)的一種，近年來在計算機視覺、語音識別等領(lǐng)域有較多應用，它是一種解決訓練問題的深層神經(jīng)網(wǎng)絡(luò)，可以通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。本申請實施例中的深度學習網(wǎng)絡(luò)可以包括卷積層、池化層和全連接層這三個層次，其中：卷積層(Convolution)，通過卷積運算使得原信號特征增強并降低噪音，具體的卷積計算可以采用現(xiàn)有技術(shù)實現(xiàn)；池化層(Pooling)，利用圖像局部性原理通過抽樣的方法減少很多特征，可以包括最大池化、均值池化、隨機池化等方式，具體實現(xiàn)可以采用現(xiàn)有技術(shù)；全連接層(FullConnected)，全連接層的每個神經(jīng)元都與下一層的每個神經(jīng)元相連，像傳統(tǒng)的多層感知器(MLP，Multi-layerperceptron)神經(jīng)網(wǎng)絡(luò)一樣，執(zhí)行正常分類。將所述待識別車輛圖像作為輸入，從輸入層到卷積層通過卷積操作，卷積層的每個神經(jīng)元可以與輸入層中一定尺寸的局部感受野相連，通過卷積后獲得了所述待識別車輛圖像的特征(features)；從卷積層到池化層的過程可以稱為池化過程，目的在于減少上一層的特征數(shù)量；經(jīng)過卷積層和池化層之后得到的特征會由全連接層進行分類，經(jīng)過全連接層的計算處理，最終輸出結(jié)果。所述全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率，即每個輸出節(jié)點上輸出的是該車輛屬于某個屬性的概率，例如：第一個輸出節(jié)點為該車輛屬于奧迪-A4-2012的概率、第二個輸出節(jié)點為該車輛屬于奧迪-A3-2010的概率等，最終根據(jù)車輛屬性本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種車輛識別方法，其特征在于，包括如下步驟：獲取待識別車輛圖像；利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述車輛圖像的車輛屬性概率；根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。

【技術(shù)特征摘要】
1.一種車輛識別方法，其特征在于，包括如下步驟：
獲取待識別車輛圖像；
利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像；所述深度學
習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括卷積層、池化層和全連接層，所述卷積層的后面連接所
述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出
節(jié)點為所述車輛圖像的車輛屬性概率；
根據(jù)所述車輛屬性概率確定所述待識別車輛圖像的車輛屬性信息。
2.如權(quán)利要求1所述的方法，其特征在于，所述深度學習網(wǎng)絡(luò)的訓練步驟
具體包括：
獲取帶有標記的車輛圖像樣本；所述標記包括車輛的屬性信息；
利用預先設(shè)置有初始參數(shù)的深度學習網(wǎng)絡(luò)對所述車輛圖像樣本進行分類；
根據(jù)所述深度學習網(wǎng)絡(luò)輸出結(jié)果與所述車輛的屬性信息之間的差異逐層
反傳至所述深度學習網(wǎng)絡(luò)，訓練所述深度學習網(wǎng)絡(luò)的參數(shù)。
3.如權(quán)利要求2所述的方法，其特征在于，所述利用預先設(shè)置有初始參數(shù)
的深度學習網(wǎng)絡(luò)對所述車輛圖像樣本進行分類具體為：利用預先設(shè)置有初始參
數(shù)的卷積核與所述車輛圖像樣本進行卷積計算；經(jīng)過池化層的池化操作以及全
連接層的全連接操作，得到所述車輛圖像樣本的車輛屬性概率；
所述根據(jù)所述深度學習網(wǎng)絡(luò)輸出結(jié)果與所述車輛的屬性信息之間的差異
逐層反傳至所述深度學習網(wǎng)絡(luò)，訓練所述深度學習網(wǎng)絡(luò)的參數(shù)，具體為：當所
述車輛屬性概率與所述車輛的屬性信息之間存在差異時，調(diào)整所述卷積核中的
參數(shù)，直至輸出的車輛屬性概率與所述車輛的屬性信息相符。
4.如權(quán)利要求2所述的方法，其特征在于，所述訓練所述深度學習網(wǎng)絡(luò)的
參數(shù)具體為使用深度網(wǎng)絡(luò)訓練工具caffe進行訓練，所述caffe的參數(shù)包括：基
礎(chǔ)學習率范圍為0.0001～0.01，學習動量范圍為0.9～0.99，權(quán)重懲罰系數(shù)范圍為
0.0001～0.001。
5.如權(quán)利要求1所述的方法，其特征在于，所述深度學習網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
具體包括5個卷積層、5個池化層和3個全連接層，每個卷積層后面連接所述
池化層，所述池化層后面連接下一個卷積層，在最后一個池化層后面順次連接
3個全連接層，最后一個全連接層的輸出個數(shù)為車輛屬性分類的數(shù)目。
6.如權(quán)利要求1所述的方法，其特征在于，所述利用預先訓練得到的深度
學習網(wǎng)絡(luò)識別所述待識別車輛圖像具體為：
在卷積層，將所述待識別車輛圖像與預先訓練得到的卷積核進行卷積計
算，輸出一個或多個特征圖像；
在池化層，對所述卷積層的輸出進行池化操作；
在全連接層，對所述上一層的輸出進行全連接操作，所述最后的全連接層
的節(jié)點個數(shù)與車輛屬性分類的數(shù)目相同；
對所述最后的全連接層的輸出進行分類，得到車輛屬性概率。
7.如權(quán)利要求1所述的方法，其特征在于，在獲取待識別車輛圖像之后、
在所述利用預先訓練得到的深度學習網(wǎng)絡(luò)識別所述待識別車輛圖像之前，進一
步包括：
對所述待識別車輛圖像進行預處理；
所述預處理至少包括以下一種操作：旋轉(zhuǎn)、直方圖均衡、白平衡、鏡像操
作、隨機剪切、中心化、均值化、調(diào)整大小resize。
8.一種車輛識別裝置，其特征在于，包...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：丁鵬，
申請(專利權(quán))人：北京格靈深瞳信息技術(shù)有限公司，
類型：發(fā)明
國別省市：北京;11