[发明专利]一种基于卡口图像的车辆定位及型号识别方法

权利要求书

1.一种基于卡口图像的车辆定位及型号识别方法，其特征在于:利用卡口图像样本集，训练可检测车辆型号的卷积神经网络，对卡口系统拍摄的图像中的车辆的定位及型号进行识别，包括以下步骤：

（1）样本采集及标注：从高速公路卡口系统中采集车辆的源图像，标注出源图像中包含的每一辆车辆的位置及型号，将源图像和标注信息作为卷积神经网络的训练样本集；

（2）卷积神经网络的设计：设计用于定位识别车辆的卷积神经网络，将源图像和标注信息输入网络的输入层，网络的中间层采用卷积层和全连接层提取特征，网络的输出层利用提取到的特征通过两个输出分支分别得到图片中车辆的包围盒和类型；

（3）卷积神经网络的训练：使用源图像和标注信息对卷积神经网络的参数进行迭代训练，使其具备定位和识别车辆类型的功能；

（4）车辆定位及型号识别：根据训练好的卷积神经网络，对卡口系统拍摄的图像中车辆所在位置进行定位，并判断其所属的型号。

2.根据权利要求1所述的一种基于卡口图像的车辆定位及型号识别方法，其特征在于，所述步骤（1）中样本收集过程如下：

大数据的样本采集：根据现阶段公路上行驶车辆的型号，按照每种型号至少100张样本源图像的要求，在从不同地域、不同路况的高速公路的卡口系统中采集不同时间段的源图像样本。

3.根据权利要求1所述的一种基于卡口图像的车辆定位及型号识别方法，其特征在于，所述步骤（1）中样本标注过程如下：

大数据的样本标注：根据卡口自动获取的车牌号，利用车管所的数据库获取车辆的型号；通过人工框选的方法得到源图像中车辆位置的左上角和右下角坐标，将同一张源图像中的所包含的所有车辆位置和类别信息都记录在一个XML文档中；对每一张车辆源图像使用selective search分割，产生的分割快的坐标全部保存在一个ss.mat中。

4.根据权利要求1所述的一种基于卡口图像的车辆定位及型号识别方法，其特征在于，所述步骤（2）中，卷积神经网络的输入层设计过程如下：

卷积神经网络的输入层为整个网络输入数据：训练阶段输入的数据包括图像数据，感兴趣区域包围盒，标定的目标包围盒及其所属类别的标签；检测阶段的输入层输入的数据包括图像数据和感兴趣区域包围盒。

5.根据权利要求1所述的一种基于卡口图像的车辆定位及型号识别方法，其特征在于，所述步骤（2）中，卷积神经网络的中间层设计过程如下：

卷积神经网络的中间层为提取特征的卷积层和全连接层，网络的结构为八层网络结构，第一层和第二层分别是96个核大小为11*11和256个核大小为5*5的卷积层，每一层的后面设有一个用于降维的池化层；第三层、第四层、第五层是核大小为3*3的卷积层，卷积核数量分别是384、384和256个，其中第五层卷积层后设有一个ROI池化层，该ROI池化层用以实现前面的卷积层在整张图片上的操作，并将卷积的结果映射到各个感兴趣区域，同时产生一个固定大小的输出作为全连接层一、全连接层二的输入。

6.根据权利要求1所述的一种基于卡口图像的车辆定位及型号识别方法，其特征在于，所述步骤（2）中，卷积神经网络的输出层采用分支结构的全连接层组合，其设计过程如下：

首先是全连接层一、全连接层二将所述ROI池化层的输出作为输入，产生一个4096为的特征向量；

然后将这个特征向量分别输入到两个分支结构的全连接层三和全连接层四：全连接层三用于判断目标的类别，其输出的长度为N+1，其中N为包含车型类别的总数，1为背景的数值；全连接层四用于输出目标的包围盒调整后的值，其长度为(N+1)*4，其中N为包含车型类别的总数，1为背景的数值，4为包围盒左上右下点的横纵坐标的数值。