一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車(chē)型識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車(chē)型識(shí)別方法。
【背景技術(shù)】
[0002]截至到2014年底,機(jī)動(dòng)車(chē)在我國(guó)的保有量達(dá)2.64億輛。全國(guó)平均每百戶(hù)家庭擁有25輛私家車(chē)。隨著經(jīng)濟(jì)的發(fā)展,這一數(shù)字還在持續(xù)增長(zhǎng)。大量的機(jī)動(dòng)車(chē)在道路上行駛,給交通管理部門(mén)帶了巨大的管理壓力。另一方,許多治安案件中,都存在機(jī)動(dòng)車(chē)作為交通工具而出現(xiàn)的情況。
[0003]我們國(guó)家已有的對(duì)機(jī)動(dòng)車(chē)管理自動(dòng)化手段主要是電子警察和卡口系統(tǒng)。這些系統(tǒng)能夠?qū)崟r(shí)捕獲車(chē)輛高清圖片,并且自動(dòng)分析出車(chē)牌號(hào)碼,通過(guò)車(chē)管庫(kù)的信息可以達(dá)到對(duì)車(chē)輛的自動(dòng)化管理。案件發(fā)生后,也可以車(chē)牌信息為線索快速的找到車(chē)主信息。然而,車(chē)牌很容易更換、偽造。實(shí)際中存在一些假牌車(chē)、套牌車(chē)。犯罪的車(chē)輛更有可能使用假牌、套牌,或者干脆把車(chē)牌遮起來(lái)。因此,僅僅依靠車(chē)牌來(lái)定位一輛車(chē),對(duì)于實(shí)際的交管和刑偵業(yè)務(wù)存在諸多不足的地方。
[0004]近些年出現(xiàn)一些自動(dòng)識(shí)別車(chē)輛類(lèi)型的技術(shù),將車(chē)輛自動(dòng)分類(lèi)轎車(chē)、卡車(chē)、大巴等?;诖祟?lèi)技術(shù)的專(zhuān)利有《一種公交車(chē)車(chē)型識(shí)別方法-201210337115.0》、《一種車(chē)型識(shí)別方法及系統(tǒng)-201410313009.8》以及《一種基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)型識(shí)別方法-201510071919.4》。
[0005]然而同一類(lèi)型的車(chē),比如轎車(chē),大量存在,仍然不能為交管部門(mén)、刑偵部門(mén)提供有效的業(yè)務(wù)支持。
【發(fā)明內(nèi)容】
[0006]本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足,提供了一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車(chē)型識(shí)別方法。
[0007]本發(fā)明解決技術(shù)問(wèn)題所采取的技術(shù)方案為:
第一步:利用統(tǒng)計(jì)學(xué)習(xí)的方法在卡口圖像中,實(shí)現(xiàn)不同類(lèi)型,多個(gè)目標(biāo)的車(chē)臉的快速檢測(cè)。
[0008]以任意兩像素點(diǎn)的差異作為特征,由級(jí)聯(lián)AdaBoost分類(lèi)器加去誤檢分類(lèi)器構(gòu)成檢測(cè)器。改進(jìn)弱分類(lèi)器,使弱分類(lèi)器對(duì)目標(biāo)的類(lèi)內(nèi)多樣性具有豐富的表達(dá),完成單個(gè)檢測(cè)器對(duì)不同類(lèi)型,多視角,復(fù)雜環(huán)境下的車(chē)頭的檢測(cè)。
[0009]第二步:采用SDM方法結(jié)合HOG特征,通過(guò)多次迭代實(shí)現(xiàn)車(chē)前臉特征點(diǎn)的精確定位;11個(gè)點(diǎn)的定義為:車(chē)前臉擋風(fēng)玻璃的四個(gè)角點(diǎn)(4 ),車(chē)前大燈各自的中心點(diǎn)(2 ),車(chē)前底部左中右點(diǎn)(3),車(chē)標(biāo)中心點(diǎn)(1),車(chē)牌中心點(diǎn)(I)。
[0010]第三步:基于檢測(cè)出的特征點(diǎn),確定四個(gè)基準(zhǔn)點(diǎn),對(duì)車(chē)臉圖像進(jìn)行仿射變換,得到大小一致的,對(duì)齊的車(chē)臉。
[0011]第四步:基于上述規(guī)范化的車(chē)輛圖片,在每個(gè)特征點(diǎn)附近區(qū)域提取HOG或類(lèi)似的局部特征,并串接到一起,得到車(chē)臉表達(dá)的L維特征向量。
[0012]第五步:對(duì)L維特征向量做PCA和LDA,降維至M維(M〈〈L)。
[0013]第六步:對(duì)同一個(gè)車(chē)型的所有降維后特征向量做kMeans聚類(lèi),得到車(chē)型模板。
[0014]第七步:計(jì)算降維之后的車(chē)輛特征與訓(xùn)練出模板的Ll-Norm距離,距離最小的模板即為車(chē)型識(shí)別結(jié)果。
[0015]本發(fā)明的有益效果:本發(fā)明提出一種基于統(tǒng)計(jì)學(xué)習(xí)的車(chē)輛品牌和型號(hào)識(shí)別方法,能夠根據(jù)車(chē)輛圖像識(shí)別出車(chē)輛的品牌(Make,生產(chǎn)商),型號(hào)(Model,包括年份信息)。由于每輛車(chē)在車(chē)管所都登記的車(chē)牌、品牌和型號(hào)信息?;谶@一技術(shù),通過(guò)實(shí)時(shí)車(chē)管所查詢(xún),可以檢測(cè)出假牌車(chē)、套牌車(chē)。在案件中,通過(guò)品牌、型號(hào)的約束,可以快速實(shí)現(xiàn)嫌疑車(chē)輛的檢索和查找。該方法準(zhǔn)確率高,實(shí)時(shí)性強(qiáng),同時(shí)方便添加新的車(chē)型。
【附圖說(shuō)明】
[0016]圖1為本發(fā)明方法流程圖。
[0017]圖2為車(chē)臉關(guān)鍵點(diǎn)定位不意圖。
[0018]圖3為車(chē)臉對(duì)齊后的基準(zhǔn)點(diǎn)示意圖。
[0019]圖4 HOG提取示意圖。
【具體實(shí)施方式】
[0020]以下結(jié)合實(shí)施例和附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明:
本發(fā)明著眼于一套完整的車(chē)輛品牌和型號(hào)識(shí)別系統(tǒng),結(jié)合車(chē)前臉檢測(cè)定位技術(shù)、車(chē)牌識(shí)別技術(shù)、車(chē)前臉特征學(xué)習(xí)訓(xùn)練技術(shù)以及車(chē)前臉模板匹配技術(shù),實(shí)現(xiàn)了對(duì)車(chē)輛的品牌、型號(hào)(細(xì)化到車(chē)型推出的年份)的自動(dòng)識(shí)別。
[0021]基于此技術(shù),結(jié)合車(chē)管庫(kù),交管部分可以實(shí)現(xiàn)假牌車(chē)、套牌車(chē)的自動(dòng)檢測(cè)。刑偵部門(mén)可以快速的對(duì)嫌疑車(chē)輛進(jìn)行查找,大大減少人工辨識(shí)的工作量。
[0022]如圖1所示,本實(shí)施例具體包括以下步驟:
1.利用統(tǒng)計(jì)學(xué)習(xí)的方法在卡口圖像中,實(shí)現(xiàn)不同類(lèi)型,多個(gè)目標(biāo)的車(chē)臉的快速檢測(cè)。
[0023]以任意兩像素點(diǎn)的差異作為特征,由級(jí)聯(lián)AdaBoost分類(lèi)器加去誤檢分類(lèi)器構(gòu)成檢測(cè)器。改進(jìn)弱分類(lèi)器,使弱分類(lèi)器對(duì)目標(biāo)的類(lèi)內(nèi)多樣性具有豐富的表達(dá),完成單個(gè)檢測(cè)器對(duì)不同類(lèi)型,多視角,復(fù)雜環(huán)境下的車(chē)頭的檢測(cè);
訓(xùn)練過(guò)程:
1-1、收集和標(biāo)注卡口圖像中的車(chē)頭,生成正負(fù)訓(xùn)練樣本集,其中正樣本為標(biāo)注目標(biāo)統(tǒng)一縮放到固定尺寸,為了增強(qiáng)正樣本集的豐富性,對(duì)每個(gè)標(biāo)注結(jié)果同時(shí)進(jìn)行邊界擾動(dòng)和添加噪聲的處理;負(fù)樣本為除正樣本之外的多尺度掃描窗圖像。
[0024]1-2、特征為任意兩點(diǎn)之間像素灰度值的比較結(jié)果,記大于等于零的結(jié)果為0,小于零的為I。根據(jù)此特征結(jié)合決策樹(shù)來(lái)訓(xùn)練單個(gè)弱分類(lèi)器,決策樹(shù)的葉子層將樣本分為多個(gè)不同的子集,每個(gè)子集對(duì)應(yīng)一個(gè)弱分類(lèi)器的分類(lèi)置信度,所有子集的置信度構(gòu)成一個(gè)弱分類(lèi)器。每段置信度根據(jù)不同的應(yīng)用可以有多種計(jì)算和表現(xiàn)形式,例如正負(fù)樣本的比例等等。
[0025]1-3、結(jié)合弱分類(lèi)器的訓(xùn)練完成級(jí)聯(lián)AdaBoost分類(lèi)器的訓(xùn)練。具體方法,可以參見(jiàn) v1la 論文:V1la, P.and Jones, Μ., Rapid object detect1n using a boostedcascade of simple features.Proceedings of the 2001 IEEE Computer SocietyConference on Computer Vis1n and Pattern Recognit1n, 2001.1-4、在檢測(cè)過(guò)程中收集誤檢樣本,利用H0G+SVM的方式訓(xùn)練去誤檢分類(lèi)器。
[0026]檢測(cè)過(guò)程:
1-5、建立待檢測(cè)圖像的多尺度縮放圖像族。
[0027]1-6、在每個(gè)尺度上利用掃描窗的方式完成每個(gè)掃描窗是否為目標(biāo)的判斷。
[0028]1-7、利用分極大值抑制完成后選掃描窗的合并。
[0029]1-8、對(duì)合并后的目標(biāo)窗口進(jìn)行去誤檢分類(lèi)器判斷,判斷為目標(biāo)的則作為檢測(cè)器的檢測(cè)和定位結(jié)果。
[0030]2、車(chē)臉特征點(diǎn)定位。
[0031]11個(gè)點(diǎn)的定義為:車(chē)前臉擋風(fēng)玻璃的四個(gè)角點(diǎn)(4),車(chē)前大燈各自的中心點(diǎn)(2),車(chē)前底部左中右點(diǎn)(3 ),車(chē)標(biāo)中心點(diǎn)(I),車(chē)牌中心點(diǎn)(I)。
[0032]A.特征點(diǎn)定位的 SDM 方法詳見(jiàn)文獻(xiàn)“Supervised Descent Method for SolvingNonlinear Least Squares Problems in Computer Vis1n,,中的 4.2 節(jié)?;騾⒖家韵掠嘤质?
a)特征點(diǎn)定位模型訓(xùn)練(訓(xùn)練階段)
a-Ι、樣本:一系列標(biāo)注了特征點(diǎn)位置且已經(jīng)完成粗定位的車(chē)前臉,原始樣本規(guī)模為S。
[0033]a-2、統(tǒng)計(jì)出特征點(diǎn)在粗定位車(chē)前臉上的平均位置。
[0034]a-3、為每個(gè)樣本擾動(dòng)出N組初始點(diǎn)位置,從而樣本數(shù)目變?yōu)镹S。
[0035]初始點(diǎn)位置生成方式:使用a-2中統(tǒng)計(jì)得到的平均位置進(jìn)一步擾動(dòng)生成。
[0036]a-4、設(shè)置訓(xùn)練迭代的次數(shù)(層數(shù))以及各層對(duì)應(yīng)的形狀模板的大小。(形狀模板用于將各車(chē)臉映射到該形狀模板上,以進(jìn)一步提取特定大小的特征;模板的大小會(huì)隨迭代的加深而變大或保持不變)
a_5、將樣本圖像根據(jù)當(dāng)前特征點(diǎn)位置對(duì)齊到一個(gè)規(guī)定大小的模板上(以進(jìn)行下一步的特征提取)。
[0037]a-6、提取特征:在各個(gè)特征點(diǎn)周?chē)?2*32大小的窗口上