一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法
【專利摘要】本發(fā)明屬于智能交通和視頻監(jiān)控【技術(shù)領(lǐng)域】，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的車輛類型識別方法。首先設(shè)計用于車型識別的卷積神經(jīng)網(wǎng)絡(luò)；收集訓(xùn)練樣本并進行人工標注；對所收集的樣本進行預(yù)處理，包括灰度轉(zhuǎn)化，下采樣，亮度標準化，對比度標準化以及補零；將預(yù)處理后的樣本通過所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)，獲得特征；利用所獲得的特征訓(xùn)練車型分類器，使用分類器對車輛類型進行識別，得到最終的車輛類型識別結(jié)果。本發(fā)明可以有效地提高車輛類型的識別率，應(yīng)用前景廣闊。
【專利說明】一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能交通和視頻監(jiān)控【技術(shù)領(lǐng)域】，具體為一種基于單幅車輛圖像的車型 識別方法，是智能交通監(jiān)控系統(tǒng)的一個重要組成部分。

【背景技術(shù)】
[0002] 車型識別是智能交通監(jiān)控系統(tǒng)中的重要組成部分，有著廣泛應(yīng)用，如車流量統(tǒng)計、 智能泊車和車輛類型檢測等，因此魯棒的車型識別方法對于智能交通監(jiān)控系統(tǒng)具有重要意 義。已有的方法一般是利用超聲波、磁感應(yīng)線圈等技術(shù)，然而隨著成像技術(shù)的發(fā)展和交通監(jiān) 控攝像機的廣泛使用，基于圖像的車型識別方法已成為主要的趨勢。
[0003] 目前基于圖像的車型識別方法分為兩類。第一類方法是基于模型的，即利用一個 或多個監(jiān)控攝像機所拍攝的圖像來恢復(fù)車輛的三維信息，如長、寬、高等，并使用車輛的形 狀作為先驗信息從而進行車型車別。此類方法存在許多缺陷，首先為了能夠恢復(fù)車輛的三 維信息，整個車身都需要包含在所拍攝的圖像當中，然而對于一些大型車輛，例如大貨車、 大巴等，只有車頭區(qū)域可以拍攝到；其次，一些基于模型的方法不僅需要車輛正面圖像，還 需要側(cè)面圖像，這在一些監(jiān)控場景下是無法滿足的，并且目前多數(shù)場景（如卡口、十字路口 等）下監(jiān)控攝像機所拍攝到的都只有車輛正面圖像；此外，復(fù)雜的立體視覺算法使得基于 模型的方法較為耗時。
[0004] 受模式識別和機器學(xué)習技術(shù)的啟發(fā)，另一種基于圖像進行車型識別的方法是：從 車輛圖像中提取該車輛的視覺特征，并訓(xùn)練一個用于識別各種不同車輛類型的分類器，利 用特征和分類器對圖像中車輛的類型進行識別。此類方法對光照變化、背景干擾、尺度大小 等因素具有一定的魯棒性，但目前的方法都是利用人工設(shè)計的通用視覺特征，對于智能監(jiān) 控場景下的車型識別不具備專用性，而且不能夠保證足夠的判別力，所以在復(fù)雜的場景下 可能失效。
[0005] 目前，為了獲得行駛中的車輛以及駕駛員的清晰圖像，高清攝像機在智能交通系 統(tǒng)中已經(jīng)得到了廣泛的應(yīng)用。同時，高清攝像機提供的高分辨率圖像包含了豐富的細節(jié)信 息，有利于提取可靠且具有判別力的車型特征，從而提高車型識別的準確率。為此，如何在 車輛圖像中提取到好的特征并魯棒地進行車型識別具有重要的理論意義和應(yīng)用價值。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是克服現(xiàn)有車型識別方法所提取的視覺特征不夠魯棒且判別力不 足的問題，從而提供一種全新的智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法。該方法能夠針 對車型識別任務(wù)，自動學(xué)習得到魯棒且具有足夠判別力的特征，能在高清攝像機獲取的車 輛圖像中準確地識別車型，為后續(xù)的交通監(jiān)控任務(wù)提供有效的基礎(chǔ)信息。
[0007] 本發(fā)明的主要內(nèi)容為：設(shè)計一個用于車型識別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸 入為預(yù)處理后的車輛圖像，網(wǎng)絡(luò)的輸出為所學(xué)得的這個車輛的表觀特征。然后訓(xùn)練softmax 分類器，它以之前學(xué)得的特征為輸入，輸出該車輛屬于不同類別的概率，通過選擇最大的概 率值來獲得該車輛的類別。所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)包括兩個階段，每個階段包含四層：卷積 層、絕對值校正層、局部對比度標準化層和池化下采樣層。神經(jīng)網(wǎng)絡(luò)的這兩個階段可以從預(yù) 處理后的車輛圖像中學(xué)習獲得魯棒的車輛表觀特征，用于后續(xù)的識別操作。
[0008] 本發(fā)明的目的是通過下述技術(shù)方案實現(xiàn)的。
[0009] -種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，包括訓(xùn)練階段和測試階段，實現(xiàn) 步驟如下：
[0010] 一、訓(xùn)練階段
[0011] (1)設(shè)計用于車型識別的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)包括兩個階段，每個階段包含四 層：卷積層、絕對值校正層、局部對比度增強層和池化下采樣層，確定輸入層的大小以及各 層的參數(shù)；
[0012] (2)收集訓(xùn)練樣本集，訓(xùn)練樣本應(yīng)至少包含車頭信息，各類車輛的圖片都應(yīng)在訓(xùn)練 集中有所體現(xiàn)；
[0013] (3)對訓(xùn)練樣本集中的圖像進行預(yù)處理，包括轉(zhuǎn)換為灰度圖、下采樣、亮度標準化、 對比度標準化和補零五個步驟；
[0014] (4)對預(yù)處理后的圖像通過卷積神經(jīng)網(wǎng)絡(luò)，得到車輛特征；
[0015] (5)利用學(xué)得的特征訓(xùn)練softmax分類器。
[0016] 測試階段：利用訓(xùn)練階段得到的分類器，得到車輛屬于不同類別的概率，通過選擇 最大的概率值來獲得該車輛的類別。
[0017] 有益效果
[0018] 本發(fā)明與其它基于圖像的車型識別方法相比，具有以下幾個方面的優(yōu)勢：
[0019] (1)對交通場景中的光照變化、背景干擾、惡劣天氣、部分遮擋等因素具有較強的 魯棒性，無需額外的后處理過程；
[0020] (2)對于固定場景下固定的監(jiān)控攝像機所拍攝的圖像，若每張圖像中只包含一輛 車，則無需進行車輛檢測，可直接通過神經(jīng)網(wǎng)絡(luò)學(xué)習特征進行分類，可大大節(jié)約處理時間；
[0021] (3)神經(jīng)網(wǎng)絡(luò)可以充分學(xué)習到同一類車輛之間的相似性和不同類車輛之間的差 異，使得學(xué)到的特征更具有判別力，從而提高車型識別的準確率。

【專利附圖】

【附圖說明】
[0022] 圖1為本發(fā)明的智能交通監(jiān)控系統(tǒng)中的車型識別方法流程圖；
[0023] 圖2為本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)示意圖；網(wǎng)絡(luò)包含兩個階段，每個階段都由卷積層、 絕對值校正層、局部對比度標準化層和池化下采樣層組成；圖中的數(shù)字表示的是每一層的 特征維度；"卷積"后面的括號中的數(shù)字表示的是卷積時所用濾波器的尺寸；"均值濾波"后 面的括號中的數(shù)字表示的是均值濾波器的尺寸；"下采樣"后面的數(shù)字表示的是采樣率；
[0024] 圖3本發(fā)明實施例的六種車輛類型示意圖。

【具體實施方式】
[0025] 下面結(jié)合附圖和以識別6種車輛類型為例對本發(fā)明做詳細說明。
[0026] 實施例
[0027] -種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，其流程圖如圖1所示，具體實施 步驟包括訓(xùn)練階段和測試階段：
[0028] 訓(xùn)練階段：
[0029] 步驟一：設(shè)計用于車型識別的卷積神經(jīng)網(wǎng)絡(luò)
[0030] 卷積神經(jīng)網(wǎng)絡(luò)是一個多層的前饋型神經(jīng)網(wǎng)絡(luò)。不同于以往利用人工設(shè)計特征的方 法，卷積神經(jīng)網(wǎng)絡(luò)能夠為特定的任務(wù)學(xué)習多層魯棒的特征，它也因為良好的性能而被廣泛 應(yīng)用在人臉檢測、行人檢測、圖像質(zhì)量評價、圖像分類和視頻分類等多個領(lǐng)域。
[0031] 本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)如圖2所示，該網(wǎng)絡(luò)共包含兩個階段。第一階段所得到的 特征是底層特征，主要用于刻畫車輛的局部信息。相比于第一階段而言，第二階段所得到的 特征更加抽象、更具有語義信息。將兩個階段所學(xué)得的特征拼接在一起作為最終特征，這樣 做的目的是充分利用這兩種特征所攜帶的信息，以獲得更好的車型識別性能。
[0032] 網(wǎng)絡(luò)的每個階段分別由卷積層、絕對值校正層、局部對比度標準化層和池化下采 樣層組成，為方便起見，令X為每一層的輸入，它是一個三維矩陣，大小為S 1X S2 X S3，令y為 每一層的輸出，它也是一個三維矩陣，大小為L X X h。
[0033] 卷積層：在卷積層，首先將輸入與一系列的濾波器進行卷積運算，然后將運算結(jié)果 中的每一個元素都通過一個非線性函數(shù)一sigmoid函數(shù)：

【權(quán)利要求】
1. 一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，其特征在于：包括訓(xùn)練階段和測試 階段，實現(xiàn)步驟如下： 一、 訓(xùn)練階段 (1) 設(shè)計用于車型識別的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)包括兩個階段，每個階段包含四層：卷 積層、絕對值校正層、局部對比度增強層和池化下采樣層，確定輸入層的大小以及各層的參 數(shù)； (2) 收集訓(xùn)練樣本集，訓(xùn)練樣本應(yīng)至少包含車頭信息，各類車輛的圖片都應(yīng)在訓(xùn)練集中 有所體現(xiàn)； (3) 對訓(xùn)練樣本集中的圖像進行預(yù)處理，包括轉(zhuǎn)換為灰度圖、下采樣、亮度標準化、對比 度標準化和補零； (4) 對預(yù)處理后的圖像通過卷積神經(jīng)網(wǎng)絡(luò)，得到車輛特征； (5) 利用學(xué)得的特征訓(xùn)練softmax分類器； 二、 測試階段：利用訓(xùn)練階段得到的分類器，得到車輛屬于不同類別的概率，通過選擇 最大的概率值來獲得該車輛的類別。
2. 根據(jù)權(quán)利要求1所述的一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，其特征在 于：所述 步驟（1)中的卷積層：在卷積層，首先將輸入與一系列的濾波器進行卷積運算，然后將 運算結(jié)果中的每一個元素都通過一個非線性函數(shù)--sigmoid函數(shù)： "《"-）=-1-> (1) I +e 其中e^ 2. 71828是自然指數(shù)；輸入* = 包含S3組二維特征,每組二維特 征Xi的大小是S1Xs2，用表示與Xi進行卷積運算并作用到第j個輸出特征上的二維濾 波器（這里的濾波器采用隨機賦值的方式），則輸出表示為 yj=.坤(Σk(f⑩xJ (2) 其中?表示卷積運算，輸出？ =y，,}包含t3組二維特征，每組二維特征yj的大 小是LXt2 ;令1^_的大小為I1XI2，則有如下大小關(guān)系： =S1-I1+!, ； (3) =S2_l2+1 絕對值校正層：在絕對值校正層，所有的元素通過絕對值函數(shù)進行校正： yi.j.k= ⑷ 其中xi;j;k和yi;j;k分別代表輸入X和輸出y的元素； 局部對比度標準化層：本層的目的是引入神經(jīng)元和其周圍神經(jīng)元之間的競爭，從而使 得特征的表示能力更強；在本層，共進行兩種標準化操作：減和除；減操作執(zhí)行如下：
其中w是一個二維高斯濾波器，p和q用來遍歷該濾波器以計算卷積，它們的取值范圍 是-4?4,z是減操作的輸出，并用作除操作的輸入，Xuk和Zuk分別代表輸入X和輸出 Z的元素，Wm表示W(wǎng)的元素；在濾波的過程中，對于邊界要補零，所以減操作的輸出Z的尺 寸與輸入X相同，均為S1Xs2Xs3 ; 除操作執(zhí)行如下：
其中yuk表示局部對比度標準化層輸出y的元素，M用來對除操作的分母最大值進行 限制，W、'q、p和q等其余符號的含義與公式（5)相同；在除操作的濾波過程中依然要在邊 界補0,所以局部對比對標準化層的輸出尺寸和輸入尺寸完全相同； 池化下采樣層：本層的目的是對輸入進行下采樣，使得到的特征對于幾何形變和小的 平移具有不變性；選用均值濾波作為池化操作：
其中V是尺寸Sf1Xf2的均值濾波器，vp，q=IAf1Xf2),與公式（5)類似，P和q用來 遍歷濾波器以計算卷積，Xuk和yuk分別代表輸入X和輸出y的元素；考慮到邊界的影響， z的大小為（Si-fi+DXG^f^+l);在池化之后進行下采樣操作，水平和堅直方向的下采樣 率分別為P1和口2,則池化下采樣層的輸出y的尺寸LXt2Xt3和輸入X的尺寸S1Xs2Xs3 有如下關(guān)系：
其中!表示下取整操作。
3.根據(jù)權(quán)利要求1所述的一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，其特征在 于：所述步驟（5)訓(xùn)練車輛類型softmax分類器在特征魯棒的情況下，具有較好的分類效 果；給定步驟四所學(xué)習得到的N個訓(xùn)練樣本的特征，記為丨;'彳其中x(i)eRd是第i個訓(xùn)練樣本的d維特征向量，y(i)eR6是相應(yīng)的標簽，它是一個列向量，只有在x(i)類別對 應(yīng)的分量上是1，其余分量為〇 ;用C來表示向量χω的第j個元素，來表示向量y(i)的 第j個元素；Softmax的目標函數(shù)定義為
其中
并且W= [W1,w2,...，W6]eRdx6 和b= [bi，b2,...，b6]TeRdx6 是分類器參數(shù)，（是 對樣本x(i)屬于第j類的可能性的預(yù)測，exp是以自然指數(shù)e為底數(shù)的指數(shù)函數(shù)；利用在線 梯度下降法可以求解式（9)。
4.根據(jù)權(quán)利要求1所述的一種智能交通監(jiān)控系統(tǒng)中的車輛類型識別方法，其特征在 于：在測試階段中，通過訓(xùn)練階段的步驟五得到分類器后，對于測試圖像可進行如下步驟進 行車型識別： (1) 執(zhí)行步驟三的預(yù)處理操作； (2) 利用所設(shè)計的神經(jīng)網(wǎng)絡(luò)獲得特征； (3) 根據(jù)式（10)計算該車輛屬于不同類別的概率Cl1,d2,...d6 ; (4) 選擇(I1,d2, . . .d6中的最大值dj，則該車輛屬于第j類。
【文檔編號】G06K9/66GK104463241SQ201410601560
【公開日】2015年3月25日 申請日期:2014年10月31日 優(yōu)先權(quán)日:2014年10月31日
【發(fā)明者】董震, 裴明濤, 賈云得 申請人:北京理工大學(xué)