一种基于统计学习的卡口车型识别方法
【技术领域】
[0001]本发明涉及一种基于统计学习的卡口车型识别方法。
【背景技术】
[0002]截至到2014年底，机动车在我国的保有量达2.64亿辆。全国平均每百户家庭拥有25辆私家车。随着经济的发展，这一数字还在持续增长。大量的机动车在道路上行驶，给交通管理部门带了巨大的管理压力。另一方，许多治安案件中，都存在机动车作为交通工具而出现的情况。
[0003]我们国家已有的对机动车管理自动化手段主要是电子警察和卡口系统。这些系统能够实时捕获车辆高清图片，并且自动分析出车牌号码，通过车管库的信息可以达到对车辆的自动化管理。案件发生后，也可以车牌信息为线索快速的找到车主信息。然而，车牌很容易更换、伪造。实际中存在一些假牌车、套牌车。犯罪的车辆更有可能使用假牌、套牌，或者干脆把车牌遮起来。因此，仅仅依靠车牌来定位一辆车，对于实际的交管和刑侦业务存在诸多不足的地方。
[0004]近些年出现一些自动识别车辆类型的技术，将车辆自动分类轿车、卡车、大巴等。基于此类技术的专利有《一种公交车车型识别方法-201210337115.0》、《一种车型识别方法及系统-201410313009.8》以及《一种基于卷积神经网络的车型识别方法-201510071919.4》。
[0005]然而同一类型的车，比如轿车，大量存在，仍然不能为交管部门、刑侦部门提供有效的业务支持。
【发明内容】
[0006]本发明针对现有技术的不足，提供了一种基于统计学习的卡口车型识别方法。
[0007]本发明解决技术问题所采取的技术方案为:
第一步:利用统计学习的方法在卡口图像中，实现不同类型，多个目标的车脸的快速检测。
[0008]以任意两像素点的差异作为特征，由级联AdaBoost分类器加去误检分类器构成检测器。改进弱分类器，使弱分类器对目标的类内多样性具有丰富的表达，完成单个检测器对不同类型，多视角，复杂环境下的车头的检测。
[0009]第二步:采用SDM方法结合HOG特征，通过多次迭代实现车前脸特征点的精确定位；11个点的定义为:车前脸挡风玻璃的四个角点(4 )，车前大灯各自的中心点(2 )，车前底部左中右点(3)，车标中心点(1)，车牌中心点(I)。
[0010]第三步:基于检测出的特征点，确定四个基准点，对车脸图像进行仿射变换，得到大小一致的，对齐的车脸。
[0011]第四步:基于上述规范化的车辆图片，在每个特征点附近区域提取HOG或类似的局部特征，并串接到一起，得到车脸表达的L维特征向量。
[0012]第五步:对L维特征向量做PCA和LDA，降维至M维(M〈〈L)。
[0013]第六步:对同一个车型的所有降维后特征向量做kMeans聚类，得到车型模板。
[0014]第七步:计算降维之后的车辆特征与训练出模板的Ll-Norm距离，距离最小的模板即为车型识别结果。
[0015]本发明的有益效果:本发明提出一种基于统计学习的车辆品牌和型号识别方法，能够根据车辆图像识别出车辆的品牌(Make，生产商)，型号(Model，包括年份信息)。由于每辆车在车管所都登记的车牌、品牌和型号信息。基于这一技术，通过实时车管所查询，可以检测出假牌车、套牌车。在案件中，通过品牌、型号的约束，可以快速实现嫌疑车辆的检索和查找。该方法准确率高，实时性强，同时方便添加新的车型。
【附图说明】
[0016]图1为本发明方法流程图。
[0017]图2为车脸关键点定位不意图。
[0018]图3为车脸对齐后的基准点示意图。
[0019]图4 HOG提取示意图。
【具体实施方式】
[0020]以下结合实施例和附图对本发明作进一步说明:
本发明着眼于一套完整的车辆品牌和型号识别系统，结合车前脸检测定位技术、车牌识别技术、车前脸特征学习训练技术以及车前脸模板匹配技术，实现了对车辆的品牌、型号(细化到车型推出的年份)的自动识别。
[0021]基于此技术，结合车管库，交管部分可以实现假牌车、套牌车的自动检测。刑侦部门可以快速的对嫌疑车辆进行查找，大大减少人工辨识的工作量。
[0022]如图1所示，本实施例具体包括以下步骤:
1.利用统计学习的方法在卡口图像中，实现不同类型，多个目标的车脸的快速检测。
[0023]以任意两像素点的差异作为特征，由级联AdaBoost分类器加去误检分类器构成检测器。改进弱分类器，使弱分类器对目标的类内多样性具有丰富的表达，完成单个检测器对不同类型，多视角，复杂环境下的车头的检测；
训练过程:
1-1、收集和标注卡口图像中的车头，生成正负训练样本集，其中正样本为标注目标统一缩放到固定尺寸，为了增强正样本集的丰富性，对每个标注结果同时进行边界扰动和添加噪声的处理；负样本为除正样本之外的多尺度扫描窗图像。
[0024]1-2、特征为任意两点之间像素灰度值的比较结果，记大于等于零的结果为0，小于零的为I。根据此特征结合决策树来训练单个弱分类器，决策树的叶子层将样本分为多个不同的子集，每个子集对应一个弱分类器的分类置信度，所有子集的置信度构成一个弱分类器。每段置信度根据不同的应用可以有多种计算和表现形式，例如正负样本的比例等等。
[0025]1-3、结合弱分类器的训练完成级联AdaBoost分类器的训练。具体方法，可以参见 v1la 论文:V1la, P.and Jones, Μ., Rapid object detect1n using a boostedcascade of simple features.Proceedings of the 2001 IEEE Computer SocietyConference on Computer Vis1n and Pattern Recognit1n, 2001.1-4、在检测过程中收集误检样本，利用H0G+SVM的方式训练去误检分类器。
[0026]检测过程:
1-5、建立待检测图像的多尺度缩放图像族。
[0027]1-6、在每个尺度上利用扫描窗的方式完成每个扫描窗是否为目标的判断。
[0028]1-7、利用分极大值抑制完成后选扫描窗的合并。
[0029]1-8、对合并后的目标窗口进行去误检分类器判断，判断为目标的则作为检测器的检测和定位结果。
[0030]2、车脸特征点定位。
[0031]11个点的定义为:车前脸挡风玻璃的四个角点(4)，车前大灯各自的中心点(2)，车前底部左中右点(3 )，车标中心点(I)，车牌中心点(I)。
[0032]A.特征点定位的 SDM 方法详见文献“Supervised Descent Method for SolvingNonlinear Least Squares Problems in Computer Vis1n，，中的 4.2 节。或参考以下余又述:
a)特征点定位模型训练(训练阶段)
a-Ι、样本:一系列标注了特征点位置且已经完成粗定位的车前脸，原始样本规模为S。
[0033]a-2、统计出特征点在粗定位车前脸上的平均位置。
[0034]a-3、为每个样本扰动出N组初始点位置，从而样本数目变为NS。
[0035]初始点位置生成方式:使用a-2中统计得到的平均位置进一步扰动生成。
[0036]a-4、设置训练迭代的次数(层数)以及各层对应的形状模板的大小。(形状模板用于将各车脸映射到该形状模板上，以进一步提取特定大小的特征；模板的大小会随迭代的加深而变大或保持不变)
a_5、将样本图像根据当前特征点位置对齐到一个规定大小的模板上(以进行下一步的特征提取)。
[0037]a-6、提取特征:在各个特征点周围32*32大小的窗口上