一種基于卷積神經網絡的以圖搜車方法技術

本發明專利技術涉及一種基于卷積神經網絡的以圖搜車方法。本發明專利技術收集不同車輛的圖像集，相同的車輛作為正樣本對，不同的車輛作為負樣本對，在典型卷積神經網絡模型上訓練，最小化相似度差異或分類誤差，學習一組車輛特征表達方法，車輛圖像在該卷積神經網絡模型前向傳播后，數據層的結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，按相似度進行排序得到以圖搜車的結果。本發明專利技術利用卷積神經網絡學習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習過程，有利于大幅度提高搜索的準確度和精度，且特征的維數可控制在較小的數量級，有利于在海量圖像庫中實現快速搜索。

【技術實現步驟摘要】

本專利技術屬于智能交通
，涉及一種基于卷積神經網絡的以圖搜車方法。
技術介紹
以圖搜車方法依賴車輛外觀特征對搜索集進行相似度排序，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。卷積神經網絡是目前研究和工業應用的熱點，與傳統的人工智能算法相比，如神經網絡、支持向量機等，深度學習算法能大幅度提升圖像分類的精度，在人臉識別應用領域已經超越肉眼識別的準確率。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，結合車輛顏色描述車輛的外觀特征；《一種基于相似度學習的車輛檢索方法》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，轉換成鄰域特征作為基礎的車輛描述特征；《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，這種傳統手工特征提取模式適用于大多數模式識別應用，通用性好，但是由于計算方法固定，不能達到很高的精度，不利于車輛檢索的開展。
技術實現思路
本專利技術針對現有技術的不足，提供了一種基于卷積神經網絡的以圖搜車方法。本專利技術的主要構思：收集不同車輛的圖像集，相同的車輛作為正樣本對，不同的車輛作為負樣本對，在典型卷積神經網絡模型，如TripletLoss、Inception、VGG等網絡模型上訓練，最小化相似度差異或分類誤差，學習一組車輛特征表達方法，車輛圖像在該卷積神經網絡模型前向傳播后，數據層的結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，按相似度進行排序得到以圖搜車的結果。其中的特征表達學習方案：1. 首先利用常規的目標檢測方法定位車輛位置。2. 將車輛區域圖像進行合理的旋轉、縮放、色彩變換等操作，增加樣本的數量。3. 規范車輛圖像樣本的尺寸。4. 將車輛圖像打標簽，相同的車輛打相同的標簽，不同的車輛標簽不同。5. 根據使用的卷積神經網絡框架和懲罰函數整合數據，組成訓練集。6. 在訓練集上學習網絡參數，運用GPU加速卡提高學習速率。7. 規范后的車輛圖像在學習到的網絡參數下按照卷積神經網絡前向傳播，每一個數據層都可作為車輛的外觀表達，可用GPU加速。基于卷積神經網絡以圖搜車方案：1. 利用常規的目標檢測方法定位待搜索車輛和搜索集中的車輛位置。2. 規范車輛圖像樣本的尺寸。3. 使用GPU加速，將規范后的車輛圖像在學習到的網絡參數下按照卷積神經網絡前向傳播，選擇一個數據層的數據作為車輛的外觀特征向量。4. 依據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。本專利技術的有益效果：1、針對以圖搜車問題學習特征表達方法，學習到的特征提取方法與以圖搜車任務緊密相關，最大限度提高特征在以圖搜車任務中的適用性。2、可以將度量學習結合到卷積神經網絡框架中，降低車輛檢索任務的復雜性，算法更穩定可控。3、使用GPU加速，大幅度提高特征提取的速度。附圖說明圖1為特征表達學習流程圖。圖2為以圖搜圖流程圖。具體實施方式以下結合實施例和附圖對本專利技術作進一步說明：在視頻偵查項目中，本實施例采用了基于卷積神經網絡以圖搜車方案。如圖1所示，在特征表達學習過程中：（1）用常規的目標檢測方法定位車輛位置，將車輛區域圖像進行10°范圍內的旋轉、0.2范圍內的縮放、用PCA進行色彩變換，每張車輛圖像擾動10次，數據集擴展后共收集300萬張圖像進行訓練。（2）將所有訓練集圖像規范至224x224。（3）將數據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據庫。（4）在VGG網絡上添加Tripletloss懲罰函數組成車輛特征表達卷積神經網絡結構，在訓練集上訓練網絡參數。如圖2所示，在基于卷積神經網絡以圖搜車過程中：（1）用常規的目標檢測方法定位待搜索車輛和搜索集中的車輛位置。（2）規范車輛圖像至224x224。（3）在GPU加速卡，將規范后的車輛圖像在學習到的網絡參數下按照卷積神經網絡前向傳播，選擇Tripletloss層前面的數據層數據作為車輛的外觀特征向量。（4） 依據外觀特征向量計算待搜索車輛和搜索集車輛的內積，排列搜索集。綜上，本專利技術利用卷積神經網絡學習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習過程，有利于大幅度提高搜索的準確度和精度，且特征的維數可控制在較小的數量級，有利于在海量圖像庫中實現快速搜索。以上所述，僅為本專利技術的較佳實施例而已，并非用于限定本專利技術的保護范圍，應帶理解，本專利技術并不限于這里所描述的實現方案，這些實現方案描述的目的在于幫助本領域中的技術人員實踐本專利技術。本文檔來自技高網...

【技術保護點】
一種基于卷積神經網絡的以圖搜車方法，其特征在于：收集不同車輛的圖像集，相同的車輛作為正樣本對，不同的車輛作為負樣本對，在典型卷積神經網絡模型上訓練，最小化相似度差異或分類誤差，學習一組車輛特征表達方法，車輛圖像在該卷積神經網絡模型前向傳播后，數據層的結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，按相似度進行排序得到以圖搜車的結果。

【技術特征摘要】
1.一種基于卷積神經網絡的以圖搜車方法，其特征在于：收集不同車輛的圖像集，相同的車輛作為正樣本對，不同的車輛作為負樣本對，在典型卷積神經網絡模型上訓練，最小化相似度差異或分類誤差，學習一組車輛特征表達方法，車輛圖像在該卷積神經網絡模型前向傳播后，數據層的結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，按相似度進行排序得到以圖搜車的結果。2.根據權利要求1所述的一種基于卷積神經網絡的以圖搜車方法，其特征在于：特征表達學習具體是：步驟1. 利用目標檢測方法定位...

【專利技術屬性】
技術研發人員：尚凌輝，高華，王弘玥，
申請(專利權)人：浙江捷尚視覺科技股份有限公司，
類型：發明
國別省市：浙江;33