本發(fā)明專利涉及一種基于手機(jī)等移動(dòng)終端的車輛品牌評價(jià)以及導(dǎo)購系統(tǒng)，主要應(yīng)用領(lǐng)域?yàn)椴捎檬謾C(jī)等移動(dòng)終端進(jìn)行車輛信息查詢和采購領(lǐng)域，屬于汽車應(yīng)用領(lǐng)域。

背景技術(shù)：

基于圖像處理的車輛類型識別技術(shù)是智能交通系統(tǒng)(Intelligent Transport System，簡稱ITS)中的一項(xiàng)非常重要的技術(shù)，同樣在計(jì)算機(jī)視覺應(yīng)用領(lǐng)域中占有重要地位。伴隨我國國民經(jīng)濟(jì)的快速發(fā)展，企業(yè)用車、居民購車數(shù)量隨之越來越多，車輛購買力逐漸增強(qiáng)的趨勢下，對車輛的評價(jià)以及歷史用戶的吐槽類的信息獲取越來越成為眾多用戶的關(guān)注點(diǎn)。本發(fā)明專利的一種基于手機(jī)等移動(dòng)終端的車輛品牌評價(jià)以及導(dǎo)售系統(tǒng)采用基于實(shí)時(shí)視頻流的信息獲取方式，實(shí)現(xiàn)了自動(dòng)的進(jìn)行車輛品牌的識別、包括生產(chǎn)廠家、生產(chǎn)年度、車型（小轎車，SUV，小貨車、客車和貨車）價(jià)格信息、彈幕功能，實(shí)時(shí)看到對車輛的信息評價(jià)以及相應(yīng)的視頻廣告、套牌車輛的檢測等擴(kuò)展功能。該系統(tǒng)可以根據(jù)用戶的使用數(shù)據(jù)，進(jìn)一步篩選出不同模塊信息檢索的評分值，進(jìn)而統(tǒng)計(jì)排行榜，進(jìn)一步的為用戶提供可借鑒的信息，已期達(dá)到提高用戶體驗(yàn)度和廠家的品牌度目的。

現(xiàn)有的車輛類型識別技術(shù)中，主要集中于對車輛類型進(jìn)行分步識別，比如首先對車輛款式進(jìn)行分類，比如分類為大型、中型及小型三類，或者轎車、貨車、客車三類；然后依據(jù)車輛品牌類別及年款進(jìn)行分類，比如大眾、寶馬、奧迪，依據(jù)這些識別結(jié)果得出車輛的整體類型信息，比如大眾帕薩特2007款，這種車輛類型識別方法操作復(fù)雜，計(jì)算量大，耗時(shí)較長，耗資較高。另外，目前車輛款式的識別方法需要保證車輛整體輪廓的清晰度以便檢測車輛的實(shí)際尺寸大小，因此該方法較難實(shí)現(xiàn)。另外對于現(xiàn)有的車輛類型識別技術(shù)，其中多數(shù)應(yīng)用到了傳統(tǒng)的特征提取方法，比如梯度方向直方圖、局部二值模式紋理，在分析判別時(shí)大多采用了支持向量機(jī)(SupportVector Machine，簡稱SVM)方法。這些方法的使用具有局限性，比如在清晰場景下這些方法都有較高的識別率，但是在模糊場景下，比如因天氣變化、光線變化所引起的圖像模糊、夜間場景等場景下往往識別率較低；另外一般選取車輛的正面圖像(車頭、車尾)進(jìn)行品牌識別，由于車輛外觀表觀形式復(fù)雜，因此對所檢測的車輛與攝像機(jī)的拍攝距離、拍攝角度有著嚴(yán)格的要求。

對于車型識別算法，常用的方法種類比較多，比如基于模板匹配、統(tǒng)計(jì)模式等。例如名稱為“基于靜態(tài)圖片的自動(dòng)套牌車檢測方法(申請?zhí)枺?01310397152.5)”的中國發(fā)明專利申請公開的技術(shù)方案中，提取靜態(tài)圖片中車輛前部圖片，確定車頭燈、散熱器、品牌和保險(xiǎn)杠區(qū)域；提取車輛圖片的特征，并采用隨機(jī)子空間分類器集成方法合并圖片特征；根據(jù)車頭燈、散熱器、品牌和保險(xiǎn)杠信息確定車輛品牌。名稱為“基于圖像的車輛品牌識別方法和系統(tǒng)(申請?zhí)枺?01310416016.6)”的中國發(fā)明專利申請公開的技術(shù)方案中，通過檢測車牌在輸入圖像中的位置；根據(jù)車牌位置計(jì)算多個(gè)車輛部件位置；從該多個(gè)車輛部件位置的每一個(gè)抽取特征向量；以及對所抽取的特征向量進(jìn)行分類并輸出車輛的品牌信息，該特征向量包括外形特征和形狀特征。上述車輛品牌型號的識別方法，通過提取車輛的特征進(jìn)行識別，檢測率低同時(shí)誤報(bào)較多。

本發(fā)明所應(yīng)用領(lǐng)域?yàn)榛谄嚻放频膶?dǎo)購系統(tǒng)，部分車輛識別對象是無牌車，所以為了避免車牌信息的干擾，與前人算法不同之處在于逆操作，就是首先識別出車牌位置信息，并將該信息覆蓋掉，作為訓(xùn)練樣本和識別樣本庫，以避免對后續(xù)識別帶來的干擾。車牌在圖像中，具有大量的特征信息，而每個(gè)圖片的車牌字符均是不同的，所以認(rèn)為車牌具有高特征信息和高干擾信息的特點(diǎn)，所以本發(fā)明提出在建立樣本庫和識別對象時(shí)，所面臨的對象集合均是去掉了車牌信息干擾信息，將輸入對象進(jìn)行了下采樣的處理和去除冗余信息的干擾，提高了識別效率和準(zhǔn)確度以及冗余度。能夠滿足移動(dòng)終端資源緊缺，需要較高的實(shí)時(shí)性和準(zhǔn)確率的應(yīng)用需求。

技術(shù)實(shí)現(xiàn)要素：

用戶可以采用移動(dòng)終端攝像頭進(jìn)行實(shí)時(shí)抓取的含有車輛車頭的或者是車輛車尾的視頻流的功能，對準(zhǔn)車輛就可以自動(dòng)的進(jìn)行車輛品牌的識別，在用戶移動(dòng)終端的屏幕上提供包括生產(chǎn)廠家模塊、生產(chǎn)年度模塊、車型（小轎車，SUV，小貨車、客車和貨車）模塊、價(jià)格信息模塊、彈幕功能模塊（實(shí)時(shí)看到對車輛的信息評價(jià)）以及相應(yīng)的視頻廣告模塊、地圖信息購車檢索模塊、套牌車輛的檢測功能模塊等擴(kuò)展功能。用戶對準(zhǔn)的戶外車輛，獲得圖像幀，并通過識別模塊啟動(dòng)知識庫，該系統(tǒng)可以在線檢索到對該類車輛的信息評價(jià)以及相應(yīng)的視頻廣告、套牌車輛的檢測等擴(kuò)展功能。該系統(tǒng)可以根據(jù)用戶的使用數(shù)據(jù)，篩選出不同模塊信息檢索的評分值，進(jìn)而統(tǒng)計(jì)評分排行榜，進(jìn)一步的為用戶提供可借鑒的信息，已期達(dá)到提高用戶體驗(yàn)度和廠家的品牌度目的，并提供地圖信息購車檢索，為用戶提供車輛的導(dǎo)購信息，從而在汽車銷售行業(yè)，提出一種新型的銷售導(dǎo)購商業(yè)模式，從而產(chǎn)生巨大的經(jīng)濟(jì)效益和社會(huì)效益。

。對于輸入樣本，集成分類器中每個(gè)基分類獨(dú)立地對其進(jìn)行識別，最后根據(jù)所有基分類器的結(jié)果進(jìn)行綜合判斷，如使用多數(shù)投票表決的方法決定測試樣本的最終類型。集成分類器的代表有Baggingt，AdaBoostt和隨機(jī)子等。最近，有一種基于主成分分析(PCA)被稱為旋轉(zhuǎn)森林的分類器集成方法，它能夠在提升基分類器多樣性的同時(shí)保證系統(tǒng)的精確度，首先對隨機(jī)分割的特征子集進(jìn)行PCA分析，并使用每個(gè)特征子集的PCA系數(shù)構(gòu)建旋轉(zhuǎn)矩陣，實(shí)驗(yàn)證明這種方法比其他幾種分類器集成的方法效果要好。車型識別的精確度是學(xué)者們普遍追求的目標(biāo)，他們致力于提出降低誤識率的方法。但是在很多場景中例如監(jiān)控場景，引入帶有“拒識"選項(xiàng)的分類器來提高系統(tǒng)的可靠性顯得更為重要，即放棄對某些不確定類型的樣本識別。例如，警方需要鑒別某一時(shí)間點(diǎn)的盜牌車輛，當(dāng)誤識的代價(jià)比較高時(shí)，自動(dòng)識別系統(tǒng)拒絕對置信度不高的樣本識別并將這些樣本留給人工進(jìn)行詳細(xì)的處理?？煽康淖R別系統(tǒng)允許特定領(lǐng)域知識和專家對分類器決策時(shí)施加額外的壓力以控制精確度。

因該系統(tǒng)是導(dǎo)購系統(tǒng)，部分車輛識別對象是無牌車，所以為了避免車牌信息的干擾，與前人算法不同之處在于逆操作，就是首先識別出車牌位置信息，并將該信息覆蓋掉，作為訓(xùn)練樣本和識別樣本庫，以避免對后續(xù)識別帶來的干擾。車牌在圖像中，具有大量的特征信息，而每個(gè)圖片的車牌字符均是不同的，所以認(rèn)為車牌具有高特征信息和高干擾信息的特點(diǎn)，所以本發(fā)明提出在建立樣本庫和識別對象時(shí)，所面臨的對象集合均是去掉了車牌信息干擾信息，將輸入對象進(jìn)行了下采樣的處理和去除冗余信息的干擾，提高了識別效率和準(zhǔn)確度以及冗余度。能夠滿足移動(dòng)終端資源緊缺，需要較高的實(shí)時(shí)性和準(zhǔn)確率的應(yīng)用需求。

附圖說明

圖1是系統(tǒng)功能框架圖，包括：1移動(dòng)設(shè)備終端 ；2評價(jià)以及導(dǎo)購模塊；3顯示信息模塊；4注冊信息功能模塊；5彈幕功能模塊；6 相應(yīng)的視頻廣告模塊；7比價(jià)功能模塊；8品牌識別模塊；9經(jīng)銷商管理模塊；10生產(chǎn)廠家模塊；11車型（小轎車，SUV，小貨車、客車和貨車，生產(chǎn)年度 ）模塊檢索模塊；12套牌車輛的檢測功能；13地圖信息購車模塊；

圖2預(yù)處理下采樣方法圖，是輸入圖像進(jìn)行車輛區(qū)域檢測，定位出車輛的位置信息后，通過SVM等方法進(jìn)行車牌位置的定位，并進(jìn)行特征描述，再分為訓(xùn)練樣本和測試樣本，訓(xùn)練樣本第一級訓(xùn)練，去除全部車牌，之后再進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練；

圖3是在預(yù)處理前進(jìn)行去除車牌信息的對比圖像；

具體實(shí)施方式

品牌識別模塊的步驟如下：

1）基于SVM方法，判斷有無車牌以及車牌的位置，由于定位所需的特征點(diǎn)對不多，故本發(fā)明對所有算法對每一副圖像檢測到的車牌特征點(diǎn)數(shù)設(shè)置上限為200，所使用圖片采用一段汽車行駛的視頻中相近幀截屏所得圖.輸入圖片，輸出為車牌的位置（X1,y1）（X2,y2）（X3,y2）（X4,y4）；

2）將圖片的車牌位置的矩形區(qū)域的顏色值RGB =0，即黑色。

3）對所有的圖片進(jìn)行1、2步的重復(fù)，通過利用深度卷積網(wǎng)絡(luò)進(jìn)行計(jì)算圖像類別特征，深度卷積網(wǎng)絡(luò)采用預(yù)先標(biāo)注好的車頭數(shù)據(jù)集訓(xùn)練得到車型識別模型，利用訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)來識別圖像,提取輸出層的結(jié)果作為車型類別。訓(xùn)練樣本量可以為50萬張有標(biāo)注圖像。所為訓(xùn)練樣本庫。

4）該輸入是通過手機(jī)實(shí)時(shí)抓取的含有車輛車頭的或者是車輛車尾的視頻流，將實(shí)時(shí)需要判斷的圖片進(jìn)行1、2步的重復(fù)；

5）4步的處理結(jié)果與預(yù)先建立車輛類別與車輛類型的車輛信息字典包括：基于車輛品牌和款式，將車頭圖像樣本集及車尾圖像樣本集進(jìn)行分類，得到多個(gè)類別的多張車輛圖像；基于多個(gè)類別的多張車輛圖像至少對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)至少提取各個(gè)類別下的多張車輛圖像的特征碼，構(gòu)建特征碼/類別/車輛圖像的關(guān)系庫；利用訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)提取待識別的車輛圖像的特征碼，參照特征碼/類別/車輛圖像的關(guān)系庫，確定車輛的類別信息，識別車輛的品牌和款式。

1）從效果來看，通過本發(fā)明的應(yīng)用，可以實(shí)時(shí)為用戶提供車輛品牌的相關(guān)信息，。

2）發(fā)明提出算法能滿足戶外條件下，有效的提取特征點(diǎn)并進(jìn)行匹配的任務(wù)，且具有較好的實(shí)時(shí)性和魯棒性。

3）本發(fā)明的下采樣的方法提高了識別方法準(zhǔn)確型和實(shí)時(shí)性，能夠滿足手機(jī)設(shè)備性能資源有限運(yùn)行環(huán)境。

盡管出于說明性目的已經(jīng)公開本發(fā)明的優(yōu)選實(shí)施例，但是本領(lǐng)域的普通技術(shù)人員

將懂得各種變更，增加或是替代都是可能的，并不脫離如附帶的權(quán)利要求書中所公開的本

發(fā)明的精神和范圍。