一种基于深度学习的前车车脸识别方法
【专利说明】
[0001]
技术领域
[0002] 本发明涉及图像处理领域，特别涉及一种基于深度学习的前车车脸识别方法。
[0003]
【背景技术】
[0004] 目前智能交通系统中对交通监控系统的鲁棒性和可靠性的要求越来越高，交通系 统中识别套牌车从而整治交通违规甚至犯罪逃犯，车脸识别与车牌识别结合对于识别套牌 车是一种很有效的方法；目前传统识别车脸识别方法有以下两种:根据车标识别结果进行 车辆品牌分类方法和根据前车车脸纹理特征进行分类识别;前一种方法通过在图像中搜索 定位车标所在区域，再通过图像模式识别的方法对车型进行分类，该方法可对常见品牌的 车辆进行分类，但对同品牌不同款的车辆缺乏精确分类的能力。后一种方法由于不同品牌 的车辆，以及同品牌不同款的车辆的前部图像的散热片和车灯的布局和形状都存在差异， 所以存在三个技术难题，一是前车脸图像难以准确地定位截取，二是车脸图像的几何畸变 对识别率有一定的影响，三是待分类的类别比较多，分类器设计相对复杂。
[0005]
【发明内容】
[0006] 针对目前传统车脸识别的识别准确率不高和分类器复杂的问题，本发明提供了一 种基于深度学习的前车车脸识别方法。
[0007] 为了实现上述发明目的，本发明提供了一种基于深度学习的前车车脸识别方法， 其特征在于，所述识别方法具体为： 步骤S101:读取交通卡口采集到的车辆图片，并获取前车车脸图像，然后对前车车脸图 像进行模块化预处理，每张车辆图片得到对应的5个车脸局部图像模块； 步骤S102:构建卷积神经网络，并将车脸局部图像模块输入到卷积神经网络进行训练， 得到训练好的卷积神经网络模型，并利用通过卷积神神经网络模型提取的全局车脸特征训 练Softmax分类器;其中卷积神经网络包括5个卷积池化层、1个局部特征融合层和2个全连 接层； 步骤S103:获取待识别车辆图片的前车车脸图像，并对前车车脸图像进行模块化预处 理，得到5个车脸局部图像模块;输入到训练好的卷积神经网络模型，得到全局车脸特征，并 利用训练好的Softmax分类器进行分类识别，最终得到与待识别车辆图片相对应的车辆型 号。
[0008] 其中，构建的卷积神经网络包括5个卷积池化层、1个局部特征融合层和2个全连接层； 所述卷积池化层用于对特征进行抽取和对特征的保持，所述局部特征融合层用于融合分块 局部特征成整体特征，所述全连接层用于把提取到的特征映射到一个特征向量上;5个卷积 池化层中卷积层的滤波器个数分别为96、128、128、256、1024，参数初始化采用随机初始化， 池化层池化方法采用最大值池化。
[0009] 其中，所述步骤S101和所述步骤S103中，获取前车车脸图像具体为:采用LBP特征结合 Adaboost分类器对车辆图片进行前车车脸定位，再使用经典矩形法来获取前车车脸图像； 所述经典矩形法是指以车牌位置为基准，按比例截取前车车脸图像，所述比例采用经典经 验值来确定。
[0010] 所述Adaboost算法具体如下：
其中，h请示简单分类器的值A为阈值別表示不等号的方向，只能取±lWx)表示 特征值；
其中，巧爲_= Α,/Ι?-??): 表不&分类器的误差，％表不最小误差的弱分 类器。
[0011] 其中，所述步骤S101和所述步骤S103中，对前车车脸图像进行模块进行模块化预处理 具体为:对前车车脸图像先进行灰度转换，把RGB三通道前车车脸图像转为单通道灰度图， 再把灰度图根据纹理特征进行分块，得到5个车脸局部图像模块。
[0012] 所述Softmax分类器具体算法为： Softmax的假设函数为：
其中，y表示类标，可取k个不同的值；表示训练集， e象2，..1|，j表示类别，= i:| x)表示类别j的概率值，
表示模型
表示对概率分布进行归一化，使得所有概率之和为1 ; 将#用一个的矩阵来表示，该矩阵是将趣色~禮按行罗列起来得到的， 如下所示：
其中，我表示全部的模型参数，T表示转置矩阵，K表示维数； softmax的代价函数为：
表示权重衰减项，η表示类别数，m表示某一类别对应的数量； 约的导数为：
通过最小化，得到Softmax模型。
[0013] 本发明的有益效果是:本发明采用卷积神经网络的深度学习算法框架对车脸先进行分 块提取特征再融合特征的方法实现车脸分类识别，其准确率优于传统分类方法，应用于套 牌车的检测以及嫌疑犯用车追踪和搜索发挥良好收益。
[0014]
【附图说明】
[0015] 图1为本发明实施例的方法流程图。
[0016] 图2为本发明的技术框架示意图。
[0017] 图3为卷积神经网络的结构原理图。
[0018] 图4为Adaboost算法原理图。
[0019]
【具体实施方式】
[0020] 本发明采用一种卷积神经网络的特征提取主要算法流程，提出了一种基于深度学 习的前车车脸识别方法，同时，在成熟的车牌识别技术基础之上，运用车牌和车脸的位置关 系定位前车车脸;通过对车辆图片预处理，将车脸加入深度学习模型训练，最后实现车脸的 分类和比对，该方法可以获得优于传统方法的车脸识别效果。
[0021] 本发明实施例提供了一种基于深度学习的混合局部特征提取与对比方法，其流程 如图1和图2所示，包括： 步骤S101:读取交通卡口采集到的车辆图片，并获取前车车脸图像，然后对前车车脸图 像进行模块化预处理，每张车辆图片得到对应的5个车脸局部图像模块； 步骤S102:构建卷积神经网络，并将车脸局部图像模块输入到卷积神经网络进行训练， 得到训练好的卷积神经网络模型，并利用通过卷积神神经网络模型提取的全局车脸特征训 练Softmax分类器； 步骤S103:获取待识别车辆图片的前车车脸图像，并对前车车脸图像进行模块化预处 理，得到5个车脸局部图像模块;输入到训练好的卷积神经网络模型，得到全局车脸特征，并 利用训练好的Softmax分类器进行分类识别，最终得到与待识别车辆图片相对应的车辆型 号。
[0022]步骤S102中，构建卷积神经网络(参见图3)包括5个卷积池化层、1个局部特征融合 层和2个全连接层;卷积层用于对特征进行抽取，池化层作用在于对特征的保持，以不致损 失太多的底层特征，局部特征融合层用于融合分块局部特征成整体特征，全连接层用于把 提取到的特征映射到一个特征向量上;5层卷积层的的滤波器个数分别为96、128、128、256、 1024,参数初始化采用随机初始化，池化层池化方法采用最大值池化。卷积神经网络特征层 (即第一层全连接层)输出特征向量数为1024,最后一层全连接层输出节点数为320,该卷积 神经网络所有权重均随机初始化;在深度学习网络特征提取时是分块提取各个局部特征， 后连接特征融合层融合5个分块局部特征成为