基于深度学习实现交通卡头车辆图片检索的系统及方法
【技术领域】
[0001]本发明涉及图像检索技术领域，尤其涉及基于深度学习进行图像检索领域，具体是指一种基于深度学习实现交通卡头车辆图片检索的系统及方法。
【背景技术】
[0002]基于内容的图像检索(CBIR，Content-based Image Retrieval)，是计算机视觉领域中关注大规模数字图像内容检索的研究分支。CBIR的核心是使用图像的可视特征对图像进行描述。它从本质上将是一种近似匹配技术，融合了图像处理、计算机视觉和数据库等多个领域的技术成果。它允许用户输入一张图片，根据图像、图像的内容语义以及其他关系，以图像语义特征为线索，从图像数据库中查找具有相同或相似内容的其他图片。
[0003]CBIR的实现依赖于图像特征的选择和提取。图像特征分为两类:1.低层视觉，主要包括颜色、形状、纹理等；2.语义内容，它包含更高层的概念来对物体进行描述和解释，往往要借助人类的知识。目前的CBIR系统，多是采用基于文本、颜色、形状和纹理的单一或混合检索技术。这种检索方式简单直观，但是因为人工描述的主观性而存在不足之处，具体说明如下:
[0004]1.颜色误差:中午光照强烈，使颜色空间中距离较近的颜色分辨不清；夜晚光线太暗，导致所有颜色都会向黑色靠近。例如深蓝、深灰、棕色和黑色在图像中就会看起来极为相似，白色，银色和浅灰色也很难分辨。
[0005]2.形状误差:车辆图像取自交通卡口视频，当一辆车由远及近行驶过来，然后在中途拐弯，我们得到的这一辆车的图片在形状上存在明显的变化，尤其是在远处车辆很小，以及车辆拐弯时图片中车辆从正面变到侧面，车辆会展现出各种不同形状，而形状特征无法捕捉到这种变化。
[0006]3.个性化误差:肇事车辆可能会改变自己的车牌和内饰以躲避交警的发现，或者车辆无牌套牌，甚至车辆在图片中部分被遮挡等问题，直接导致图像的纹理特征发生巨大变化。
[0007]传统图像检索方法无法完美的解决上述问题，不能快速准确的检索到目标。
【发明内容】
[0008]本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现解决海量卡口数据检索困难问题、以及无牌、假牌和套牌车辆检索问题、快速准确、适用于大规模推广应用的基于深度学习实现交通卡头车辆图片检索的系统及方法。
[0009]为了实现上述目的，本发明的基于深度学习实现交通卡头车辆图片检索的系统及方法具有如下构成:
[0010]该基于深度学习实现交通卡头车辆图片检索的系统，其主要特点是，所述的系统包括:
[0011]模型训练模块，用以基于卡口车辆图像数据库进行模型训练得到图像特征的训练集;
[0012]特征提取模块，用以提取待检索卡口图片的数个维度的特征；
[0013]图像检索模块，用以根据卡口图片的特征与所述的训练集中的图像特征进行对比得到检索结果。
[0014]较佳地，所述的模型训练模块用以基于卡口车辆图像数据库，采用双误差传导级矩阵结构进行模型训练得到图像特征的训练集。
[0015]较佳地，所述的特征提取模块用以分布式提取待检索卡口图片的数个维度的特征。
[0016]较佳地，所述的图像检索模块用以采用余弦相似度作为距离比对算法，根据卡口图片的特征与所述的训练集中的图像特征进行对比得到检索结果。
[0017]本发明还涉及一种通过所述的系统基于深度学习实现交通卡头车辆图片检索的方法，其特征在于，所述的方法包括以下步骤:
[0018](1)所述的模型训练模块基于卡口车辆图像数据库进行模型训练得到图像特征的训练集；
[0019](2)所述的特征提取模块提取待检索卡口图片的数个维度的特征；
[0020](3)所述的图像检索模块根据卡口图片的特征与所述的训练集中的图像特征进行对比得到检索结果。
[0021 ] 较佳地，所述的步骤(1)，具体为:
[0022]所述的模型训练模块基于卡口车辆图像数据库，采用双误差传导级矩阵结构进行模型训练得到图像特征的训练集。
[0023]较佳地，所述的步骤(2)，具体为:
[0024]所述的特征提取模块分布式提取待检索卡口图片的数个维度的特征。
[0025]较佳地，所述的步骤(3)，具体为:
[0026]所述的图像检索模块采用余弦相似度作为距离比对算法，根据卡口图片的特征与所述的训练集中的图像特征进行对比得到检索结果。
[0027]采用了该发明中的基于深度学习实现交通卡头车辆图片检索的系统及方法，具有如下有益效果:
[0028](1)对车辆图片的分类更加细致，不同车辆的特征更加突出，检索识别度高，精度损失很小，召回率高达92%以上；
[0029](2)检索速度快，在保证准确率的同时，有效的提高检索的效率，单张图片的检索时间在秒级；
[0030](3)检索过程全自动，可以有效的节约人力资源，适用于大规模推广应用。
【附图说明】
[0031]图1为本发明的基于深度学习实现交通卡头车辆图片检索的系统的结构示意图。
[0032]图2为本发明的数据标定方式示意图。
[0033]图3为本发明的特征模式示意图。
[0034]图4为本发明的快速检索比对示意图。
【具体实施方式】
[0035]为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
[0036]本发明利用机器学习的研究结果，将深度学习和传统图像检索合二为一，提出了基于深度学习的交通卡口图像的车辆检索方法。
[0037]为了能更好的协助相关部门办案，本发明结合目前深度学习研究成果，发明了一套快速有效的图像检索算法。
[0038]深度学习的概念源于人工神经网络的研究，其动机在于建立模拟人脑分析学习的神经网络，模仿人脑机制解释数据。它的应用涵盖了文本、声音、图像、视频等多个领域。深度学习的特点是发展迅速，综合性强，泛化性好，特征鲁棒性强，需要大数据支持，硬件要求苛刻。我们使用深度学习来对图片进行描述，是因为深度学习可以通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。它其实包含了颜色、形状、纹理等一系列特征，而且这些特征的关系更复杂，相关性更强；除此之外还包含了大量计算机自己学习到的人工无法定义的特征，特征维度广，描述能力强，