[发明专利]基于卷积神经网络的渣土车特征识别方法

权利要求书

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；

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；

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；

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；

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；

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。

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：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。

3.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：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。