[发明专利]车辆辨识系统及其辨识方法

说明书

本申请涉及智慧交通的领域，其具体地公开了一种车辆辨识系统及其辨识方法，其通过不同层数和不同个数过滤器的卷积神经网络模型来进行图像的特征提取，以分别提取出所述车辆特征图像、车牌图像和车辆外观图像中所述车辆的形状、车牌的号码以及车辆的颜色等特征信息，进一步再计算得到的这三个所述特征向量间的衍生信息超凸度量值，以通过具有不同特征深度维数和过滤器分辨率的特征向量在高维空间内的内部元素子维度间的信息度量，来进行流形的超凸一致性衍生表示，以使得特征向量间的流形差异性能够适应各子维度投影上的凸单调性。这样，能够对违规的车辆进行更准确地识别处罚。

技术领域

本发明涉及智慧交通的领域，且更为具体地，涉及一种车辆辨识系统及其辨别方法。

背景技术

伴随着我国经济的飞速发展，机动车保有量持续稳定增长，现有的交通管理技术手段难以满足工作需要。因此，提高科技水平，实时了解道路交通信息，实现精细化管理，是公安交通管理部门当前面临的必然选择。详细交通流数据的采集是实现精细化管理的基础。

因此，期待一种基于人工智能技术的车辆融合信息辨识系统。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展，为智慧交通下的车辆辨识提供了解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种车辆辨识系统及其辨别方法，其通过不同层数和不同个数过滤器的卷积神经网络模型来进行图像的特征提取，以分别提取出所述车辆特征图像、车牌图像和车辆外观图像中所述车辆的形状、车牌的号码以及车辆的颜色等特征信息，进一步再计算得到的这三个所述特征向量间的衍生信息超凸度量值，以通过具有不同特征深度维数和过滤器分辨率的特征向量在高维空间内的内部元素子维度间的信息度量，来进行流形的超凸一致性衍生表示，以使得特征向量间的流形差异性能够适应各子维度投影上的凸单调性。这样，能够对违规的车辆进行更准确地识别处罚。

根据本申请的一个方面，提供了一种车辆辨识系统，其包括：

源信息采集单元，用于获取车辆特征图像、车牌图像和车辆外观图像；

第一神经网络单元，用于将所述车辆特征图像通过第一卷积神经网络以获得第一特征向量，所述第一卷积神经网络具有N1层，每层具有M1个过滤器；

第二神经网络单元，用于将所述车牌图像通过第二卷积神经网络以获得第二特征向量，所述第二卷积神经网络具有N2层，每层具有M2个过滤器；

第三神经网络单元，用于将所述车辆外观图像通过第三卷积神经网络以获得第三特征向量，所述第三卷积神经网络具有N3层，每层具有M3个过滤器，其中，N1大于N3大于N2，M2大于M3大于M1；

衍生信息超凸度量值单元，用于计算所述第一特征向量、所述第二特征向量和所述第三特征向量中每两个特征向量之间的衍生信息超凸度量值，所述衍生信息超凸度量值为每两个特征向量中相对应位置的各个位置的特征值之间的距离的加权和的对数函数值；

加权系数确定单元，用于计算所述第一特征向量、所述第二特征向量和所述第三特征向量中每个特征向量对应的两个衍生信息超凸度量值的加权系数作为该特征向量的加权系数；

分类特征向量生成单元，用于以所述第一特征向量、所述第二特征向量和所述第三特征向量中每个特征向量的加权系数计算所述第一特征向量、所述第二特征向量和所述第三特征向量之间的加权和以生成分类特征向量；以及

识别结果单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示是否针对车辆产生预警信号。