本發(fā)明屬于智能交通技術(shù)領(lǐng)域，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的以圖搜車方法。

背景技術(shù)：

以圖搜車方法依賴車輛外觀特征對搜索集進(jìn)行相似度排序，能夠從視頻或圖像集中找到包含用戶查找的車輛的所有圖像，查找過程不依賴于車牌信息，對無牌、假牌和套牌同樣適用。

卷積神經(jīng)網(wǎng)絡(luò)是目前研究和工業(yè)應(yīng)用的熱點，與傳統(tǒng)的人工智能算法相比，如神經(jīng)網(wǎng)絡(luò)、支持向量機等，深度學(xué)習(xí)算法能大幅度提升圖像分類的精度，在人臉識別應(yīng)用領(lǐng)域已經(jīng)超越肉眼識別的準(zhǔn)確率。

以圖搜車方法中的車輛外觀特征表示有很多種方法：《基于sift特征的嫌疑車輛檢索方法》103678558A中，在車輛圖像的R、G、B三個顏色通道上分別提取SIFT特征，結(jié)合車輛顏色描述車輛的外觀特征；《一種基于相似度學(xué)習(xí)的車輛檢索方法》105488099A中先提取車輛圖像的SIFT特征，利用聚類算法離散該SIFT特征，轉(zhuǎn)換成鄰域特征作為基礎(chǔ)的車輛描述特征；《一種基于圖像的機動車輛檢索方法及裝置》104361087A根據(jù)車輛在圖像中的外觀輪廓將車輛圖像劃分為多個子窗口，在子窗口中提取SIFT或HoG特征，融合所有子窗口的紋理特征表達(dá)車輛的外觀特征。

在這些已有的車輛外觀表示方法中，普遍采用SIFT、HoG等手工方法計算紋理特征，這種傳統(tǒng)手工特征提取模式適用于大多數(shù)模式識別應(yīng)用，通用性好，但是由于計算方法固定，不能達(dá)到很高的精度，不利于車輛檢索的開展。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)的不足，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的以圖搜車方法。

本發(fā)明的主要構(gòu)思：收集不同車輛的圖像集，相同的車輛作為正樣本對，不同的車輛作為負(fù)樣本對，在典型卷積神經(jīng)網(wǎng)絡(luò)模型，如TripletLoss、Inception、VGG等網(wǎng)絡(luò)模型上訓(xùn)練，最小化相似度差異或分類誤差，學(xué)習(xí)一組車輛特征表達(dá)方法，車輛圖像在該卷積神經(jīng)網(wǎng)絡(luò)模型前向傳播后，數(shù)據(jù)層的結(jié)果便可作為車輛的紋理特征，用該特征計算待檢索車輛特征與檢索集車輛的相似度，按相似度進(jìn)行排序得到以圖搜車的結(jié)果。

其中的特征表達(dá)學(xué)習(xí)方案：

1. 首先利用常規(guī)的目標(biāo)檢測方法定位車輛位置。

2. 將車輛區(qū)域圖像進(jìn)行合理的旋轉(zhuǎn)、縮放、色彩變換等操作，增加樣本的數(shù)量。

3. 規(guī)范車輛圖像樣本的尺寸。

4. 將車輛圖像打標(biāo)簽，相同的車輛打相同的標(biāo)簽，不同的車輛標(biāo)簽不同。

5. 根據(jù)使用的卷積神經(jīng)網(wǎng)絡(luò)框架和懲罰函數(shù)整合數(shù)據(jù)，組成訓(xùn)練集。

6. 在訓(xùn)練集上學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，運用GPU加速卡提高學(xué)習(xí)速率。

7. 規(guī)范后的車輛圖像在學(xué)習(xí)到的網(wǎng)絡(luò)參數(shù)下按照卷積神經(jīng)網(wǎng)絡(luò)前向傳播，每一個數(shù)據(jù)層都可作為車輛的外觀表達(dá)，可用GPU加速。

基于卷積神經(jīng)網(wǎng)絡(luò)以圖搜車方案：

1. 利用常規(guī)的目標(biāo)檢測方法定位待搜索車輛和搜索集中的車輛位置。

2. 規(guī)范車輛圖像樣本的尺寸。

3. 使用GPU加速，將規(guī)范后的車輛圖像在學(xué)習(xí)到的網(wǎng)絡(luò)參數(shù)下按照卷積神經(jīng)網(wǎng)絡(luò)前向傳播，選擇一個數(shù)據(jù)層的數(shù)據(jù)作為車輛的外觀特征向量。

4. 依據(jù)外觀特征向量計算待搜索車輛和搜索集車輛的相似度，按照相似度降序排列搜索集。

本發(fā)明的有益效果：

1、針對以圖搜車問題學(xué)習(xí)特征表達(dá)方法，學(xué)習(xí)到的特征提取方法與以圖搜車任務(wù)緊密相關(guān)，最大限度提高特征在以圖搜車任務(wù)中的適用性。

2、可以將度量學(xué)習(xí)結(jié)合到卷積神經(jīng)網(wǎng)絡(luò)框架中，降低車輛檢索任務(wù)的復(fù)雜性，算法更穩(wěn)定可控。

3、使用GPU加速，大幅度提高特征提取的速度。

附圖說明

圖1為特征表達(dá)學(xué)習(xí)流程圖。

圖2為以圖搜圖流程圖。

具體實施方式

以下結(jié)合實施例和附圖對本發(fā)明作進(jìn)一步說明：

在視頻偵查項目中，本實施例采用了基于卷積神經(jīng)網(wǎng)絡(luò)以圖搜車方案。

如圖1所示，在特征表達(dá)學(xué)習(xí)過程中：（1）用常規(guī)的目標(biāo)檢測方法定位車輛位置，將車輛區(qū)域圖像進(jìn)行10°范圍內(nèi)的旋轉(zhuǎn)、0.2范圍內(nèi)的縮放、用PCA進(jìn)行色彩變換，每張車輛圖像擾動10次，數(shù)據(jù)集擴(kuò)展后共收集300萬張圖像進(jìn)行訓(xùn)練。（2）將所有訓(xùn)練集圖像規(guī)范至224x224。（3）將數(shù)據(jù)集中所有的圖像組成三元組（a，p，n），a代表任意一張車輛圖像，p與a是相同車輛的不同圖像，n與a是不同車輛，將所有三元組存入數(shù)據(jù)庫。（4）在VGG網(wǎng)絡(luò)上添加Tripletloss懲罰函數(shù)組成車輛特征表達(dá)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在訓(xùn)練集上訓(xùn)練網(wǎng)絡(luò)參數(shù)。

如圖2所示，在基于卷積神經(jīng)網(wǎng)絡(luò)以圖搜車過程中：（1）用常規(guī)的目標(biāo)檢測方法定位待搜索車輛和搜索集中的車輛位置。（2）規(guī)范車輛圖像至224x224。（3）在GPU加速卡，將規(guī)范后的車輛圖像在學(xué)習(xí)到的網(wǎng)絡(luò)參數(shù)下按照卷積神經(jīng)網(wǎng)絡(luò)前向傳播，選擇Tripletloss層前面的數(shù)據(jù)層數(shù)據(jù)作為車輛的外觀特征向量。（4） 依據(jù)外觀特征向量計算待搜索車輛和搜索集車輛的內(nèi)積，排列搜索集。

綜上，本發(fā)明利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)車輛圖像的外觀表示方法，較SIFT、HoG特征等目的性更強，特征更直觀，不需要額外的度量學(xué)習(xí)過程，有利于大幅度提高搜索的準(zhǔn)確度和精度，且特征的維數(shù)可控制在較小的數(shù)量級，有利于在海量圖像庫中實現(xiàn)快速搜索。

以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍，應(yīng)帶理解，本發(fā)明并不限于這里所描述的實現(xiàn)方案，這些實現(xiàn)方案描述的目的在于幫助本領(lǐng)域中的技術(shù)人員實踐本發(fā)明。