(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201911034377.8
(22)申请日 2019.10.29
(71)申请人 中国科学院上海微系统与信息技术
研究所
地址 200050 上海市长宁区长宁路865号
申请人 中国科学院大学
(72)发明人 姜策 何为 赵心驰 马润泽
胡岸明 汪涵 李凤荣 纪立
苏珺 贾思宇 张质懿
(74)专利代理机构 上海智信专利代理有限公司
31002
代理人 邓琪
(51)Int.Cl.
G06K 9/62(2006.01)
G06N 3/04(2006.01)
(54)发明名称
(57)摘要
本发明提供一种基于深度学习的车辆类型
判别方法，包括：构建一yolo框架的人工神经网
络模型，并且随机初始化权重系数；从网上收集
括在有遮挡、昏暗光线、车辆正面的情况下的车
辆照片，对车辆进行标注，并将车辆照片输入人
前应用环境的权重文件；将需要识别的图片输入
人工神经网络模型，判别车辆类型并返回结果。
本发明的车辆类型判别方法采用的车辆照片包
括有遮挡样本、昏暗光线样本以及角度较差的情
况下的车辆照片，因此能够降低识别车辆类型时
对降低对有无遮挡、
光线和拍摄角度的要求。权利要求书2页 说明书6页 附图2页CN 110852358 A 2020.02.28
C N 110852358
A
1.一种基于深度学习的车辆类型判别方法，其特征在于，包括：
步骤S1：构建一个用于一当前应用环境中的yolo框架的人工神经网络模型，并且初始化所述人工神经网络模型的所有神经元连接的权重系数；
步骤S2：将大量的车辆照片输入所述人工神经网络模型，包括：
步骤S21：从网上收集和在当前应用环境中抓拍大量的车辆照片，所述车辆照片包括在有遮挡的情况下、昏暗光线的情况下以及车辆正面的情况下的车辆照片；
步骤S22：将车辆照片分为训练集与测试集；
步骤S23：在车辆照片上对车辆进行标注，得到带有标注数据集的车辆照片，并将训练集中的车辆照片输入所述人工神经网络模型；
步骤S3：使用所述人工神经网络模型和所述步骤S2中的训练集中的车辆照片来进行训练；
步骤S4：停止训练，得到适用于所述当前应用环境的权重文件，该权重文件包含所述人工神经网络模型的权重系数和结构参数；
步骤S5：将需要识别的图片输入所述人工神经网络模型，判别车辆类型并返回结果。
2.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，所述当前应用环境包括道路卡口和工厂门口。
3.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S1中，所述人工神经网络模型为基于darknet网络的yolo_v3网络。
4.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S22中，所述车辆照片按照7:3的比例分为训练集与测试集。
5.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S23中，在对车辆进行标注时，若车辆照片中所包含的车辆数目超过一个，则选取最中间的车辆进行标注。
6.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S23中，所述对车辆进行标注，包括：框出车辆所在位置，每个车辆分别画一个样本框，并将该车辆的分类信息写在标注数据集中，得到带有标注数据集的车辆照片。
7.根据权利要求6所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S23中，所述分类信息包括轿车、越野车、牵引车、自卸汽车、专用汽车下箱式汽车和专用汽车下罐式汽车。
8.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S3中，所述进行训练，包括：设定一个损失函数及其阈值，通过反复计算损失函数，以调整所述人工神经网络模型向着损失函数减小的方向演进。
9.根据权利要求8所述的基于深度学习的车辆类型判别方法，其特征在于，在所述步骤S4中，在所述损失函数达到损失函数的阈值时，停止训练。
10.根据权利要求1所述的基于深度学习的车辆类型判别方法，其特征在于，所述步骤S5包括：
步骤S51：将需要识别的车辆照片传入服务器内，利用所述人工神经网络模型和所述步骤S4得到的权重文件来对该车辆照片进行车辆精准定位和车辆类型的识别，并将识别结果返回给客户；
步骤S52：判断识别结果是否错误，将识别结果错误的照片传入所述人工神经网络模型中并重新进行训
练。
一种基于深度学习的车辆类型判别方法
技术领域
[0001]本发明属于智能交通和智能安防领域、具体涉及一种车辆类型判别方法。
背景技术
[0002]人工神经网络(artificial neural network，缩写ANN)，简称神经网络(neural network，缩写NN)或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：
[0003]1、结构(Architecture)结构指定了网络中的变量和它们的拓扑关系。例如，神经网络中的变量可以是神经元连接的权重(weights)和神经元的激励值(activities of the neurons)。
[0004]2、激励函数(Activity Rule)大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经
元如何根据其他神经元的活动来改变自己的激励值。一般激励函数依赖于网络中的权重(即该网络的参数)。
[0005]3、学习规则(Learning Rule)学习规则指定了网络中的权重如何随着时间推进而调整。这一般被看做是一种长时间尺度的动力学规则。一般情况下，学习规则依赖于神经元的激励值。它也可能依赖于监督者提供的目标值和当前权重的值。
[0006]深度学习是人工神经网络的拓展，其思想与人工神经网络思想是一致的。总的来说，神经网络是一种机器学习架构，所有的个体单元以权重的方式连接在一起，且这些权重是通过网络来训练的，那么它就可以称之为神经网络算法。人工神经网络算法的思想来源于模仿人类大脑思考的方式。人类大脑是通过神经系统得到输入信号再作出相应反映的，而接受外部刺激的方式是用神经元接受神经末梢转换的电信号。那么，我们希望通过人造神经元的方式模拟大脑的思考，这就产生了人工神经网络了。人工神经元组成了人工神经网络的计算单元，而人工神经网络结构描述了这些神经元的连接方式。我们可以采用层的方式组织神经元，层与层之间可以互相连接。以前受制于很多因素，我们无法添加很多层，而现在随着算法的更新、数据量的增加以及GPU的发展，我们可以用很多的层来开发神经网络，这就产生了深度神经网络。而深度学习其实就是深度神经网络的一个代名词。[0007]公开号为CN 109359666A的专利文件公开了一种基于多特征融合神经网络的车型识别方法及处理终端，其基于多特征融合神经网络的车型识别方法包括：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确
定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进
行分类，得到车型的分类结果和对应车型的概率。本发明能有效地解决相似车型识别的问题，提高车型识别的准确率。然而，由于该方法的训练过程较为繁琐，具体需要分为三步实施，其中步骤2需要调整原始图像的尺寸，步骤3中需分别对其三个子网络进行训练，再将三个子网络进行整合，整个过程较为繁琐，且每个子网络只有五层网络层，特征学习能力不够强，有可能会造成欠拟合和训练时间过长的弊端，影响识别准确度。此外，该方法对拍摄角度有较高要求，对光线要求较苛刻，且对于遮挡问题不能很好地解决。
[0008]YOLO算法在darknet网络上的卷积层模型是根据GoogLeNet的思想建立的，是一种可实时检测图片中目标的深度学习框架。YOLO的思想是将图片分割为S*S个等大的方块，通过训练目标在每个方块中出现的概率和该方块中目标的大小来实现精确定位。通过残差网络等技术的应用，使YOLO能够在较少网络层数的前提下，实现高速和高准确度的目标检测。由于深度神经网络往往需要大量的样本数据进行训练，加上市场上车型种类繁多，直接对每一种车型进行训练成本太大，因此目前尚未有人采用YOLO算法来解决车辆类型识别的问题。
发明内容
[0009]本发明所要解决的技术问题在于提供一种基于深度学习的车辆类型判别方法，以对车辆照片进行车辆精准定位和车辆类型的识别，并降低识别车辆类型时对有无遮挡、光线和拍摄角度的要求。
[0010]为了实现上述目的，本发明提供了一种基于深度学习的车辆类型判别方法，其特征在于，包括：
[0011]S1：构建一个用于一当前应用环境中的yolo框架的人工神经网络模型，并且初始化所述人工神经网络模型的所有神经元连接的权重系数；
[0012]S2：将大量的车辆照片输入所述人工神经网络模型，包括：
[0013]S21：从网上收集和在当前应用环境中抓拍大量的车辆照片，所述车辆照片包括在有遮挡的情况下、昏暗光线的情况下以及车辆正面的情况下的车辆照片；
[0014]S22：将车辆照片分为训练集与测试集；
[0015]S23：在车辆照片上对车辆进行标注，得到带有标注数据集的车辆照片，并将训练集中的车辆照片输入所述人工神经网络模型；
[0016]S3：使用所述人工神经网络模型和所述步骤S2中的训练集中的车辆照片来进行训练；
[0017]S4：停止训练，得到适用于所述当前应用环境的权重文件，该权重文件包含所述人工神经网络模型的权重系数和结构参数；
[0018]S5：将需要识别的图片输入所述人工神经网络模型，判别车辆类型并返回结果。[0019]所述当前应用环境包括道路卡口和工厂门口。
[0020]在所述步骤S1中，所述人工神经网络模型为基于darknet网络的yolo_v3网络。[0021]在所述步骤S22中，所述车辆照片按照7:3的比例分为训练集与测试集；
[0022]在所述步骤S23中，在对车辆进行标注时，若车辆照片中所包含的车辆数目超过一个，则选取最中间的车辆进行标注。
[0023]在所述步骤S23中，所述对车辆进行标注，包括：框出车辆所在位置，每个车辆分别
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议