一种快速检索高速公路逃费车辆高相似度图像的方法
【专利说明】
[0001]
技术领域
[0002] 本发明涉及一种快速检索高速公路逃费车辆高相似度图像的方法，属于交通图形 识别的技术领域。
【背景技术】
[0003] 在经济利益驱动下全国高速公路(海南省除外）普遍存在缴费车辆偷逃费现象，各 种偷逃费手段层出不穷，表现形式隐蔽暴力抗法现象猖獗，在冲卡闯逃的过程中造成收费 站管理人员致残甚至丧亡的恶劣事件。由于高速公路管理方受限与某些条件的制约，车辆 偷逃费违法取证较为困难，削弱打击不法驾驶员团伙偷逃费行为的力度，影响到高速公路 管理者的正常收费运营活动。
[0004] 总结以往查处打击偷逃通行费行为，主要是以经验为主通过建立逃费车辆管理系 统中的黑名单，调取相应的逃费车辆视频图像和抓拍图像进行分析比对，然而这种方法对 换卡未换车牌照现行还较为适用。对于既换卡，又换牌照的逃费车辆的检测稽查就显得费 时费工难度巨大。因此必须充分利用智能交通信息化技术具有大数据深度挖掘，对海量的 数据通过智能化建模分析快速处理的特点，应用卡口高清摄像机抓拍的图像对车牌照、车 辆颜色、车型、车辆面部特征等车辆属性，经过计算机深度学习训练分析车辆相似特征来进 行匹配，实现对高相似度违规车辆图像进行快速处理和检索，对偷逃费车辆的车牌行进轨 迹和车辆行进轨迹，进行时间、空间、特征三个维度定位，为公安系统严厉打击逃费行为提 供有力的证据。
[0005] 要实现高相似度车辆的图像检索，就需要对图像内容进行相应特征提取来实现分 类与识别。传统的图像特征提取大多数采用的是人工提取特征，例如物体识别采用尺度不 变特征转换（Scale Invariant Feature Transform, SIFT)，人脸识别采用局部二值模式 (Local Binary Patterns, LBP)，行人检测米用方向梯度直方图（Histogram of Oriented Gradient, HOG)特征等。然而随着图像包含信息的逐步增加，人工设计一种有效良好特征 表达显然比较困难，且需耗费较长的时间周期。
【发明内容】
[0006] 本发明提供一种快速检索高速公路逃费车辆高相似度图像方法。本发明的方法可 以得到更好的图像特征表达，以用于进行相似车辆的检索，检索结果不仅相似度高，而且检 索更为快速，进而可以充分发挥图像检索在打击逃费取证质证法律证据链中的作用，有效 打击和抑制偷逃通行费行为。
[0007] 本发明的技术方案：一种快速检索高速公路逃费车辆高相似度图像的方法，其特 点是：利用计算机的卷积神经网络模型，对采集到的违规车辆的样本图像进行特征提取与 识别，并对识别的特征进行相应的K-d树构建，然后利用卷积神经网络对采集到的未知图 像进行特征提取并利用快速高相似度最近邻搜索算法对样本特征进行匹配，以实现高相似 度图像的快速检索。
[0008] 上述的快速检索高速公路逃费车辆高相似度图像的方法具体包括以下步骤： ①收集违规车辆样本图像，建立车辆管理数据库。
[0009] ②对样本图像进行归一化，统一车辆图像格式； ③ 利用卷积神经网络模型，对车辆进行特征提取与识别，得到样本特征； ④ 对样本特征进行相应的K-d树构建； ⑤ 对采集到的未知图像提取特征，在构建的K-d树基础上，将这些特征利用快速高相 似度最近邻搜索算法去和样本特征进行匹配，以实现以图搜图作用； ⑥ 根据步骤⑤得到的匹配程度大小，按照时间顺序输出相似度图像(按照相似度大小、 时间、路径进行排列)，最后进行人工确认。
[0010] 前述的快速检索高速公路逃费车辆高相似度图像的方法中，由于目前逃费车辆作 弊手段多种多样且隐蔽性强，单一特征的图像检索可能漏掉相似车辆，并将相似度不高的 车辆图像检索归集进来，从使检索到的样本失去实用价值，因此需要对车辆的多种特征进 行划细确定来提高相似度对比检测精度。所以所述步骤③中提取的特征包括： (1)车牌字符特征。车牌识别是车辆检索中一个比较明显且重要的特征，对于识别高相 似度概率起到了较大的作用。
[0011] (2)车型特征。根据目前对高速公路逃费车辆的统计情况来看，同一物流公司同类 型车在逃费车辆中占主要部分，因此需要对车型进行相应分类。
[0012] ( 3 )车标、车身颜色特征。对于套牌车而言，车牌更换此时车标、车身颜色等其他特 征就成为该车辆的主要识别特征，因此车标、车身颜色特征的良好表达也至关重要。 (4)车辆面部特征。车辆年检、车辆内饰、挂件特征。对于违规车辆及套牌车而言，此 时车牌，车型、车颜色，车标等几乎相同，因此只能通过车辆面部特征进行判别，此时车辆年 检，车辆内饰、挂件等细特征就显得尤为重要。
[0013] (5)司乘人员的外型、面部特征。通过对违规及套牌车辆司乘人员的外型、面部特 征获取，可以通过对历史数据的查询对比，基本固定该车的司乘人员，再与目前的图像数据 比对，可以进一步判别落实该车的司乘人员。
[0014] 前述的快速检索高速公路逃费车辆高相似度图像的方法中，所述步骤⑤中的快速 高相似度最近邻搜索算法是在利用K-d树进行近邻查找时通过回溯（Backtracking)操作 进行改进的方法。
[0015] 前述的快速检索高速公路逃费车辆高相似度图像的方法中，所述步骤③中所使用 的卷积神经网络模型是以输入向量和理想输出向量的构成的向量对作为样本集进行卷积 神经网络训练后得到的，且训练前使用小随机数(保证网络不会因权值过大而进入饱和状 态即可）对卷积神经网络的各项权值进行初始化。
[0016] 其中训练的具体方法包括以下步骤： 第一步，从样本集中取一个样本输入卷积神经网络； 第二步，计算相应的实际输出。
[0017] 第三步，计算实际输出与相应的理想输出的差； 第四步，按极小化误差的方法反向传播调整权矩阵。
[0018] 与现有技术相比，本发明的方法使用卷积神经网络模型对图像进行特征的提取， 避免了显式的特征抽取，可以隐式地从训练数据中进行学习，由于同一特征映射面上的神 经元权值相同，使得本发明使用的卷积神经网络可以并行学习，降低了网络的复杂性，采用 时间或者空间的子采样结构，可以获得某种程度的位移、尺度、形变鲁棒性，并且输入信息 和网络拓扑结构能很好的吻合。本发明的方法可以有效避免了人工提取特征的复杂性和耗 时性等问题。
[0019] 而且本发明采用快速近似最近邻搜索算法，对卷积神经网络模型提取的车辆特 征进行k_d树构建，并通过对最近邻搜索算法进行改进后，可以解决降低高维k_d树在回 溯过程中耗时的缺点，从而加快搜索时间并同时保证相关的搜索精度。
【附图说明】
[0020] 图1是本发明的基本步骤流程图； 图2是卷积神经网络的概念示范图； 图3是本发明实施例使用卷积神经网络模型提取特征的算法流程。
【具体实施方式】
[0021] 下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
[0022] 实施例。一种快速检索高速公路逃费车辆高相似度图像的方法，其基本流程如图 1所示，包括以下步骤： ①收集违规车辆样本图像，建立车辆管理数据库。
[0023] ②对样本图像进行归一化，统一车辆图像格式； ③ 利用卷积神经网络模型，对车辆进行特征提取与识别，得到样本特征； ④ 对样本特征进行相应的K-d树构建； ⑤ 对采集到的未知图像提取得特征，在构建的K-d树基础上，将这些特征利用快速高 相似度最近邻搜索算法去和样本特征进行匹配，以实现以图搜图作用； ⑥ 根据步骤⑤得到的匹配程度大小，按照时间顺序输出相似度图像，最后进行人工确 认。
[0024] 以上6条构成高速公路逃费车辆特征识别、匹配、检索、查证、追溯、处理所需要的 证据链获取的系统流程。
[0025] 其中本发明的卷积神经网络（CNN)模型的机器学习训练方法如下。
[0026] 本发明提供一种采用卷积神经网络（CNN)模型进行机器学习训练，计算机得到训 练样本后就要通过数据运算平台进行深度学习和不间断训练。通过提取的车辆图像中各类 有效特征，从而为后续的