全局车脸特征，从而兼顾全局和局部特征，提 高了精度。
[0023]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； 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，比例采用经典经验值来确 定。
[0024] 其中，参见图4，Adaboost是由多个弱分类器连接成一个强分类器，从而检测车脸， Adaboost算法基本原理表示如下：
其中，h请示简单分类器的值么为阈值表示不等号的方向，只能取封必⑴表示 特征值。
[0025] 最终的强分类器为：
其中，~表示最小误差的弱分类器，€表示\分类器的误差，A = 满>，
[0026] 其中，步骤S101和步骤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;将彩色的前车车脸图像转换进行灰度 转换的公式如下： f(i,j) = 0.2999R+0.587G+0.114B 其中，f (i，j)为灰度化后图像坐标(i，j)处的像素灰度值，R、G、B分布为彩色图像RGB 三分量。
[0027] 步骤S104中，所述Softmax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，
，j表示类别，=/:1 X)表示类别j的概率值，兩5巧...，4无::兜·表示模 型的参数，
表示对概率分布进行归一化，使得所有概率之和为1 ; 将0用一个x 的矩阵来表示，该矩阵是将φ :..4:按行罗列起来得到的， 如下所示：
其中，:沒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； 的导数为：
通过最小化J (沒)，得到Softmax模型。
[0028] 本发明通过局部特征训练提取局部特征再融合成整体车脸特征，运用训练得到的 深度学习训练模型对输入的车脸图像直接分类识别，也可以通过特征比对输入的目标车脸 图像，从成千上万车脸库里找到与目标车脸一样的车脸图像，在实际应用中可以完成追踪 和识别的良好收益。
[0029] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 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Sioi: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。2. 根据权利要求1所述的基于深度学习的前车车脸识别方法，其特征在于，所述卷积神 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。3. 根据权利要求1所述的基于深度学习的前车车脸识别方法，其特征在于，所述步骤 SlOl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。4. 根据权利要求1所述的基于深度学习的前车车脸识别方法，其特征在于，所述步骤 SlOl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=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。5. 根据权利要求3所述的基于深度学习的前车车脸识别方法，其特征在于，所述 Adaboost算法具体如下：其中山表示简单分类器的值;0功阔值;P康示不等号的方向，只能取±l ;fj(X)表示特 征值； 最终的强分类器为：（2) 其中，华二蚊1/領，巧=而班-掉)采表示雌分类器的误差A表示最小误差的弱分 类器。6. 根据权利要求1所述的基于深度学习的前车车脸识别方法，其特征在于，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；黯枯)，:/屯.秘?);，少。嘴表示训练集， y时r|i，2，..i|，谏示类别，口杉二i|x)表示类别j的概率值，私瑪…解巳邪+1表示模型 的参数，表示对概率分布进行归一化，使得所有概率之和为1 ; 将巧用一个kx柄+巧的矩阵来表示，该矩阵是将毎稱~.?钱.按行罗列起来得到的， 如下所示：其中，巧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：其中，i表示权重衰减项，n表示类别数，m表示某一类别对应的数量； 的导数为：通过最小化J''得到5(^ 1：1]13^模型。
【专利摘要】本发明公开了一种基于深度学习的前车车脸识别方法，具体为：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；构建卷积神经网络并训练，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；获取待识别的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；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。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，对套牌车的检测以及嫌疑犯用车追踪和搜索发挥良好收益。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105590102
【申请号】CN201511006944
【发明人】舒泓新, 蔡晓东, 陈超村, 王爱华
【申请人】中通服公众信息产业股份有限公司
【公开日】2016年5月18日
【申请日】2015年12月30日