车款识别

2018-03-22 10:22:03
随着经济技术的高速发展,机动车辆与日俱增,传统的人工管理方式越来越无法满足实际的需求。与此同时,随着科技的发展,智能交通管理系统正日益成熟,渐渐取代传统的人工管理方式。车辆识别是实现智能交通管理的一个分支,能够用于电子警察监控,对肇事、嫌疑、被盗车辆进行智能识别,因此得到极大地关注。图1给出了现实中的一个电子警察监控图像。

传递安全之声,从心感动您!

图1 电子警察监控图像


目前的车辆识别主要是基于车牌的识别,然而随着假牌、套牌、无牌等违章现象的出现,车牌识别并不完全可靠。针对这种情况,出现了车型识别技术,该技术可以识别车辆的车标(如奥迪、宝马、雪佛兰等)、车模型。图2给出了部分车标图。

传递安全之声,从心感动您!
图2 部分车标图
目前,车型识别技术主要包括两个部分:车辆区域检测车辆区域识别


1


车辆区域检测


车辆区域检测用于获取车辆的候选区域。现有的车辆区域检测算法主要包括:基于车牌定位的车辆区域检测方法和基于车辆整体特征的车辆区域检测方法。
基于车牌定位的车辆区域检测方法通过先检测图像中的车牌位置,再根据车牌位置确定车辆区域,该方法可以快速地提取车辆区域,但对于无车牌的车辆不能获取车辆区域。
基于车辆整体特征的车辆区域检测方法大致可以分为静态车辆区域检测方法和动态车辆检测区域方法。静态车辆区域检测方法一般采用分类器或者神经网络通过提取车辆样本进行训练获取训练好的分类器或者网络模型,再通过训练好的分类器或者网络模型在图像中搜寻可能的车辆区域。静态车辆区域检测方法通常采用的分类器或者神经网络有SVM分类器、Adaboost分类器、BP神经网络等。现有的静态车辆区域检测方法由于分类器或者神经网络的计算量大,因此检测速度较慢。动态车辆区域检测方法一般是通过检测运动目标选择可能的区域,再对可能的区域进行筛选获取车辆的候选区域。动态车辆区域检测方法有背景帧差法、光流法等。现有的动态车辆区域检测方法只能检测单独运动的车辆,对于静止的车辆无法检测,且对于多个目标相交等复杂场景鲁棒性较差。


2


车辆区域识别


车辆区域识别用于对车辆的候选区域进行款式识别。目前,现有的车辆区域识别算法主要是利用模板匹配法、结合机器学方法、特征提取与分类器结合的方法等。模板匹配的方法首选生成车标的模板特征库,然后提取车标图像的SIFT、Hu不变矩等特征进行模板匹配。这类方法计算速度快,但是识别率高低取决于模板信息库是否完善;而且当识别车款类型较多或者定位的车标不精确时识别率较低。机器学的方法在提取图像的特征,如HOG特征、PCA特征等后,使用SVM分类器、Adaboost级联分类器、BP神经网络等机器学**方法来训练分类器从而实现车款识别。该方法识别率较高且能识别多类车标,但是对误识别的情况无法判断,而且识别率跟训练样本的数量、定位的车位精确度密切相关。
综上,现有的车型识别技术存在以下问题:
①包括车标、车模型的车型识别技术还不能满足实际应用的需求,即仅依靠车标和车模型信息无法快速检索到目标车辆;
②车型识别技术对于较多类别的识别准确率较低,尚不能满足实际的需求。
为了解决上述问题,知远电子研发了一种基于卷积神经网络的车款识别方法,该方法能够准确识别车辆的车标、车模型、车身颜色以及出厂年代。根据车款识别结果可以快速的检索到目标车辆。
基于卷积神经网络的车款识别方法包括:采用快速车辆区域检测算法提取视频场景图像中的车辆候选区域;采用架构的卷积神经网络对大量标签的车款样本图像进行训练,获得训练好的车款识别模型;利用训练好的车款识别模型对候选区域进行识别,输出车款识别结果。
其中,快速车辆区域检测算法结合了车牌定位和车辆整体特征,一方面通过车牌定位快速的定位图像中车辆的候选区域,另一方面先通过筛选提取可能的候选区域,再在可能的候选区域内搜寻车辆。经测试,快速车辆区域检测算法可以快速地检测出图像中车辆的候选区域,且鲁棒性较好。
卷积神经网络(Convolutional Neural Network,简称为CNN)主要由卷积层(Convolutions Layer)、下采样层(Subsampling layer)、全连接层(Full connection)等构成。其中,下采样层又称为池化层(Pooling Layer)。图3给出了卷积神经网络的模型图。

传递安全之声,从心感动您!


图3 卷积神经网络的模型图
卷积神经网络被认为是第一个真正成功的采用多层层次结构的具有鲁棒性的深度学**方法。在卷积神经网络中,局部感知区域被当作层次结构中的底层的输入数据,信息通过前向传播经过网络中的各个层,在每一层中都由过滤器构成,以便能够获得观测数据的一些显著特征。因为局部感知区域能够获得一些基础的特征,比如图像中的边界和角落等,因此卷积神经网络对位移、拉伸和旋转具有鲁棒性。卷积神经网络中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解,并且能够自动的从图像中抽取出丰富的相关特性。图4给出了卷积神经网络识别车辆的过程图。
传递安全之声,从心感动您!
图4 卷积神经网络识别车辆的过程图
基于卷积神经网络的车款识别方法正是利用了卷积神经网络的这种优异特性。
综上,知远电子车款识别方法一方面采用了基于卷积神经网络的训练和识别方法,极大地提高了车款识别的准确率;另一方面通过快速的车辆检测算法定位车辆的候选区域,极大地减少了识别所需要的时间。
图5给出了基于卷积神经网络的车款识别方法的识别结果图像。
传递安全之声,从心感动您!
图5 基于卷积神经网络的车款识别方法的识别结果图像
目前,知远电子的基于卷积神经网络的车款识别方法能够识别2000多种车款,识别准确率≥97%,算法所需运行时间≤40ms。与其他公司的嵌入式算法不同,知远电子将车款识别方法在芯片上实现了智能硬化。含有车款识别硬化算子的芯片可以实现直接在相机端进行实时处理,提高了运算速率,节约了运算时间和成本。