所以更适合用于检索。
[0039]本发明针对传统图像检索在图像的特征描述上所存在的问题，提供一种基于深度学习的车辆检索系统，该系统中包含了模型训练模块、特征提取模块、图像检索模块三部分，相应的方法包括模型训练，特征提取和图像检索三个步骤。本发明提供的方案能够克服传统图像检索存在的识别度不高，速度慢等一系列问题，抗干扰能力强，且检索精度高。
[0040]1.模型训练模块:
[0041]模型训练采用双误差传导级联矩阵结构，使训练好的模型更准确有效的提取卡口图片的特征。
[0042]从物理意义上来讲，深度学习的方式是让计算机记录大量的图片，然后告诉他每张图片是什么。这种方式类似于记忆学习，就是让计算机死记硬背给它看过的东西，然后让它自己去学习。这种学习方式过于粗暴和简单，因为计算机不存在逻辑，所以即使找到了每张图片特有的特征，也无法辨别其中的重要信息。车辆检索的要求相对来说会更加苛刻，这就需要模型有非常高的判别能力。我们的方法是，通过监督学习，将图片更加细致的分类，然后通过双系统进行联调，让计算机去学习图片更细致的异同。这种方法更符合我们图像检索的需求，也更为有效。
[0043]针对车辆检索的需求和特性，本发明对标定的方式进行了修改，训练数据使用特殊标注过的卡口车辆图像，对车辆图片的分类更加细致，不同车辆的特征更加突出。
[0044]2.特征提取模块:
[0045]通过本发明得到的模型，提取出的特征维度超过5000维。这些特征涵盖颜色、形状、纹理等多种特征，可以从不同角度对图片进行细致有效的描述。而且由于维度非常高，使得特征的区别能力非常强，个性化特征突出。如下图所示，每个数值都代表了一种特征形式(真实情况并非图片中所示)。由于深度学习特征为计算机自主提取的，不掺杂人为影响，不存在先验影响，所以描述能力更有说服力。
[0046]系统采用分布式提取特征，大幅度提高特征提取的效率。
[0047]3.图像检索模块:
[0048]本模块中采用快速检索算法，将查询图片特征与已经准备好的数据库特征进行快速比对。快速检索算法的特点是精度损失很小，比对速度快。在保证准确率的同时，有效的提高检索的效率。
[0049]本模块使用余弦相似度作为距离比对算法。余弦相似度的特点是其余弦值的范围在[-1，1]之间，值越趋近于1，代表两个向量的方向越趋近于0，他们的方向更加一致，相应的相似度越高。同时，余弦相似度的计算复杂度低，速度快，也可以更好的满足快速检索的需要。
[0050]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:
[0051](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；
[0052](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；
[0053](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。
[0054]在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
【主权项】
1.一种基于深度学习实现交通卡头车辆图片检索的系统，其特征在于，所述的系统包括: 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； 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； 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。2.根据权利要求1所述的基于深度学习实现交通卡头车辆图片检索的系统，其特征在于，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。3.根据权利要求1所述的基于深度学习实现交通卡头车辆图片检索的系统，其特征在于，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。4.根据权利要求1所述的基于深度学习实现交通卡头车辆图片检索的系统，其特征在于，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。5.一种通过权利要求1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: (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; (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； (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。6.根据权利要求5所述的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，所述的步骤(1)，具体为: 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。7.根据权利要求5所述的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，所述的步骤(2)，具体为: 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。8.根据权利要求5所述的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，所述的步骤(3)，具体为: 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。
【专利摘要】本发明涉及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，其中系统包括模型训练模块，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；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；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。采用该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，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；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；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。
【IPC分类】G06F17/30
【公开号】CN105320759
【申请号】CN201510682978
【发明人】邵杰, 宿博洋, 周建英
【申请人】公安部第三研究所
【公开日】2016年2月10日
【申请日】2015年10月20日