一種基于統(tǒng)計(jì)學(xué)習(xí)的卡口車型識(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)的卡口車型識(shí)別方法。
【背景技術(shù)】
[0002]截至到2014年底，機(jī)動(dòng)車在我國(guó)的保有量達(dá)2.64億輛。全國(guó)平均每百戶家庭擁有25輛私家車。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)車在道路上行駛，給交通管理部門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)捕獲車輛高清圖片，并且自動(dòng)分析出車牌號(hào)碼，通過(guò)車管庫(kù)的信息可以達(dá)到對(duì)車輛的自動(dòng)化管理。案件發(fā)生后，也可以車牌信息為線索快速的找到車主信息。然而，車牌很容易更換、偽造。實(shí)際中存在一些假牌車、套牌車。犯罪的車輛更有可能使用假牌、套牌，或者干脆把車牌遮起來(lái)。因此，僅僅依靠車牌來(lái)定位一輛車，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)別車輛類型的技術(shù)，將車輛自動(dòng)分類轎車、卡車、大巴等?；诖祟惣夹g(shù)的專利有《一種公交車車型識(shí)別方法-201210337115.0》、《一種車型識(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)的車型識(shí)別方法-201510071919.4》。
[0005]然而同一類型的車，比如轎車，大量存在，仍然不能為交管部門、刑偵部門提供有效的業(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)不同類型，多個(gè)目標(biāo)的車臉的快速檢測(cè)。
[0008]以任意兩像素點(diǎn)的差異作為特征，由級(jí)聯(lián)AdaBoost分類器加去誤檢分類器構(gòu)成檢測(cè)器。改進(jìn)弱分類器，使弱分類器對(duì)目標(biāo)的類內(nèi)多樣性具有豐富的表達(dá)，完成單個(gè)檢測(cè)器對(duì)不同類型，多視角，復(fù)雜環(huán)境下的車頭的檢測(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)車前臉特征點(diǎn)的精確定位；11個(gè)點(diǎn)的定義為:車前臉擋風(fēng)玻璃的四個(gè)角點(diǎn)(4 )，車前大燈各自的中心點(diǎn)(2 )，車前底部左中右點(diǎn)(3)，車標(biāo)中心點(diǎn)(1)，車牌中心點(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)車臉圖像進(jìn)行仿射變換，得到大小一致的，對(duì)齊的車臉。
[0011]第四步:基于上述規(guī)范化的車輛圖片，在每個(gè)特征點(diǎn)附近區(qū)域提取HOG或類似的局部特征，并串接到一起，得到車臉表達(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)車型的所有降維后特征向量做kMeans聚類，得到車型模板。
[0014]第七步:計(jì)算降維之后的車輛特征與訓(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)的車輛品牌和型號(hào)識(shí)別方法，能夠根據(jù)車輛圖像識(shí)別出車輛的品牌(Make，生產(chǎn)商)，型號(hào)(Model，包括年份信息)。由于每輛車在車管所都登記的車牌、品牌和型號(hào)信息。基于這一技術(shù)，通過(guò)實(shí)時(shí)車管所查詢，可以檢測(cè)出假牌車、套牌車。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)方便添加新的車型。
【附圖說(shuō)明】
[0016]圖1為本發(fā)明方法流程圖。
[0017]圖2為車臉關(guān)鍵點(diǎn)定位不意圖。
[0018]圖3為車臉對(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輛品牌和型號(hào)識(shí)別系統(tǒng)，結(jié)合車前臉檢測(cè)定位技術(shù)、車牌識(shí)別技術(shù)、車前臉特征學(xué)習(xí)訓(xùn)練技術(shù)以及車前臉模板匹配技術(shù)，實(shí)現(xiàn)了對(duì)車輛的品牌、型號(hào)(細(xì)化到車型推出的年份)的自動(dòng)識(shí)別。
[0021]基于此技術(shù)，結(jié)合車管庫(kù)，交管部分可以實(shí)現(xiàn)假牌車、套牌車的自動(dòng)檢測(cè)。刑偵部門可以快速的對(duì)嫌疑車輛進(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)不同類型，多個(gè)目標(biāo)的車臉的快速檢測(cè)。
[0023]以任意兩像素點(diǎn)的差異作為特征，由級(jí)聯(lián)AdaBoost分類器加去誤檢分類器構(gòu)成檢測(cè)器。改進(jìn)弱分類器，使弱分類器對(duì)目標(biāo)的類內(nèi)多樣性具有豐富的表達(dá)，完成單個(gè)檢測(cè)器對(duì)不同類型，多視角，復(fù)雜環(huán)境下的車頭的檢測(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)合決策樹來(lái)訓(xùn)練單個(gè)弱分類器，決策樹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)弱分類器的分類置信度，所有子集的置信度構(gòu)成一個(gè)弱分類器。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)合弱分類器的訓(xùn)練完成級(jí)聯(lián)AdaBoost分類器的訓(xùn)練。具體方法，可以參見 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、車臉特征點(diǎn)定位。
[0031]11個(gè)點(diǎn)的定義為:車前臉擋風(fēng)玻璃的四個(gè)角點(diǎn)(4)，車前大燈各自的中心點(diǎn)(2)，車前底部左中右點(diǎn)(3 )，車標(biāo)中心點(diǎn)(I)，車牌中心點(diǎn)(I)。
[0032]A.特征點(diǎn)定位的 SDM 方法詳見文獻(xiàn)“Supervised Descent Method for SolvingNonlinear Least Squares Problems in Computer Vis1n，，中的 4.2 節(jié)。或參考以下余又述:
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)周圍32*32大小的窗口上