一種快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法
【專利說明】
[0001]
技術(shù)領(lǐng)域
[0002] 本發(fā)明涉及一種快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法，屬于交通圖形 識(shí)別的技術(shù)領(lǐng)域。
【背景技術(shù)】
[0003] 在經(jīng)濟(jì)利益驅(qū)動(dòng)下全國(guó)高速公路(海南省除外）普遍存在繳費(fèi)車輛偷逃費(fèi)現(xiàn)象，各 種偷逃費(fèi)手段層出不窮，表現(xiàn)形式隱蔽暴力抗法現(xiàn)象猖獗，在沖卡闖逃的過程中造成收費(fèi) 站管理人員致殘甚至喪亡的惡劣事件。由于高速公路管理方受限與某些條件的制約，車輛 偷逃費(fèi)違法取證較為困難，削弱打擊不法駕駛員團(tuán)伙偷逃費(fèi)行為的力度，影響到高速公路 管理者的正常收費(fèi)運(yùn)營(yíng)活動(dòng)。
[0004] 總結(jié)以往查處打擊偷逃通行費(fèi)行為，主要是以經(jīng)驗(yàn)為主通過建立逃費(fèi)車輛管理系 統(tǒng)中的黑名單，調(diào)取相應(yīng)的逃費(fèi)車輛視頻圖像和抓拍圖像進(jìn)行分析比對(duì)，然而這種方法對(duì) 換卡未換車牌照現(xiàn)行還較為適用。對(duì)于既換卡，又換牌照的逃費(fèi)車輛的檢測(cè)稽查就顯得費(fèi) 時(shí)費(fèi)工難度巨大。因此必須充分利用智能交通信息化技術(shù)具有大數(shù)據(jù)深度挖掘，對(duì)海量的 數(shù)據(jù)通過智能化建模分析快速處理的特點(diǎn)，應(yīng)用卡口高清攝像機(jī)抓拍的圖像對(duì)車牌照、車 輛顏色、車型、車輛面部特征等車輛屬性，經(jīng)過計(jì)算機(jī)深度學(xué)習(xí)訓(xùn)練分析車輛相似特征來進(jìn) 行匹配，實(shí)現(xiàn)對(duì)高相似度違規(guī)車輛圖像進(jìn)行快速處理和檢索，對(duì)偷逃費(fèi)車輛的車牌行進(jìn)軌 跡和車輛行進(jìn)軌跡，進(jìn)行時(shí)間、空間、特征三個(gè)維度定位，為公安系統(tǒng)嚴(yán)厲打擊逃費(fèi)行為提 供有力的證據(jù)。
[0005] 要實(shí)現(xiàn)高相似度車輛的圖像檢索，就需要對(duì)圖像內(nèi)容進(jìn)行相應(yīng)特征提取來實(shí)現(xiàn)分 類與識(shí)別。傳統(tǒng)的圖像特征提取大多數(shù)采用的是人工提取特征，例如物體識(shí)別采用尺度不 變特征轉(zhuǎn)換（Scale Invariant Feature Transform, SIFT)，人臉識(shí)別采用局部二值模式 (Local Binary Patterns, LBP)，行人檢測(cè)米用方向梯度直方圖（Histogram of Oriented Gradient, HOG)特征等。然而隨著圖像包含信息的逐步增加，人工設(shè)計(jì)一種有效良好特征 表達(dá)顯然比較困難，且需耗費(fèi)較長(zhǎng)的時(shí)間周期。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種快速檢索高速公路逃費(fèi)車輛高相似度圖像方法。本發(fā)明的方法可 以得到更好的圖像特征表達(dá)，以用于進(jìn)行相似車輛的檢索，檢索結(jié)果不僅相似度高，而且檢 索更為快速，進(jìn)而可以充分發(fā)揮圖像檢索在打擊逃費(fèi)取證質(zhì)證法律證據(jù)鏈中的作用，有效 打擊和抑制偷逃通行費(fèi)行為。
[0007] 本發(fā)明的技術(shù)方案：一種快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法，其特 點(diǎn)是：利用計(jì)算機(jī)的卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)采集到的違規(guī)車輛的樣本圖像進(jìn)行特征提取與 識(shí)別，并對(duì)識(shí)別的特征進(jìn)行相應(yīng)的K-d樹構(gòu)建，然后利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)采集到的未知圖 像進(jìn)行特征提取并利用快速高相似度最近鄰搜索算法對(duì)樣本特征進(jìn)行匹配，以實(shí)現(xiàn)高相似 度圖像的快速檢索。
[0008] 上述的快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法具體包括以下步驟： ①收集違規(guī)車輛樣本圖像，建立車輛管理數(shù)據(jù)庫(kù)。
[0009] ②對(duì)樣本圖像進(jìn)行歸一化，統(tǒng)一車輛圖像格式； ③ 利用卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)車輛進(jìn)行特征提取與識(shí)別，得到樣本特征； ④ 對(duì)樣本特征進(jìn)行相應(yīng)的K-d樹構(gòu)建； ⑤ 對(duì)采集到的未知圖像提取特征，在構(gòu)建的K-d樹基礎(chǔ)上，將這些特征利用快速高相 似度最近鄰搜索算法去和樣本特征進(jìn)行匹配，以實(shí)現(xiàn)以圖搜圖作用； ⑥ 根據(jù)步驟⑤得到的匹配程度大小，按照時(shí)間順序輸出相似度圖像(按照相似度大小、 時(shí)間、路徑進(jìn)行排列)，最后進(jìn)行人工確認(rèn)。
[0010] 前述的快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法中，由于目前逃費(fèi)車輛作 弊手段多種多樣且隱蔽性強(qiáng)，單一特征的圖像檢索可能漏掉相似車輛，并將相似度不高的 車輛圖像檢索歸集進(jìn)來，從使檢索到的樣本失去實(shí)用價(jià)值，因此需要對(duì)車輛的多種特征進(jìn) 行劃細(xì)確定來提高相似度對(duì)比檢測(cè)精度。所以所述步驟③中提取的特征包括： (1)車牌字符特征。車牌識(shí)別是車輛檢索中一個(gè)比較明顯且重要的特征，對(duì)于識(shí)別高相 似度概率起到了較大的作用。
[0011] (2)車型特征。根據(jù)目前對(duì)高速公路逃費(fèi)車輛的統(tǒng)計(jì)情況來看，同一物流公司同類 型車在逃費(fèi)車輛中占主要部分，因此需要對(duì)車型進(jìn)行相應(yīng)分類。
[0012] ( 3 )車標(biāo)、車身顏色特征。對(duì)于套牌車而言，車牌更換此時(shí)車標(biāo)、車身顏色等其他特 征就成為該車輛的主要識(shí)別特征，因此車標(biāo)、車身顏色特征的良好表達(dá)也至關(guān)重要。 (4)車輛面部特征。車輛年檢、車輛內(nèi)飾、掛件特征。對(duì)于違規(guī)車輛及套牌車而言，此 時(shí)車牌，車型、車顏色，車標(biāo)等幾乎相同，因此只能通過車輛面部特征進(jìn)行判別，此時(shí)車輛年 檢，車輛內(nèi)飾、掛件等細(xì)特征就顯得尤為重要。
[0013] (5)司乘人員的外型、面部特征。通過對(duì)違規(guī)及套牌車輛司乘人員的外型、面部特 征獲取，可以通過對(duì)歷史數(shù)據(jù)的查詢對(duì)比，基本固定該車的司乘人員，再與目前的圖像數(shù)據(jù) 比對(duì)，可以進(jìn)一步判別落實(shí)該車的司乘人員。
[0014] 前述的快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法中，所述步驟⑤中的快速 高相似度最近鄰搜索算法是在利用K-d樹進(jìn)行近鄰查找時(shí)通過回溯（Backtracking)操作 進(jìn)行改進(jìn)的方法。
[0015] 前述的快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法中，所述步驟③中所使用 的卷積神經(jīng)網(wǎng)絡(luò)模型是以輸入向量和理想輸出向量的構(gòu)成的向量對(duì)作為樣本集進(jìn)行卷積 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后得到的，且訓(xùn)練前使用小隨機(jī)數(shù)(保證網(wǎng)絡(luò)不會(huì)因權(quán)值過大而進(jìn)入飽和狀 態(tài)即可）對(duì)卷積神經(jīng)網(wǎng)絡(luò)的各項(xiàng)權(quán)值進(jìn)行初始化。
[0016] 其中訓(xùn)練的具體方法包括以下步驟： 第一步，從樣本集中取一個(gè)樣本輸入卷積神經(jīng)網(wǎng)絡(luò)； 第二步，計(jì)算相應(yīng)的實(shí)際輸出。
[0017] 第三步，計(jì)算實(shí)際輸出與相應(yīng)的理想輸出的差； 第四步，按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。
[0018] 與現(xiàn)有技術(shù)相比，本發(fā)明的方法使用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像進(jìn)行特征的提取， 避免了顯式的特征抽取，可以隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)，由于同一特征映射面上的神 經(jīng)元權(quán)值相同，使得本發(fā)明使用的卷積神經(jīng)網(wǎng)絡(luò)可以并行學(xué)習(xí)，降低了網(wǎng)絡(luò)的復(fù)雜性，采用 時(shí)間或者空間的子采樣結(jié)構(gòu)，可以獲得某種程度的位移、尺度、形變魯棒性，并且輸入信息 和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)能很好的吻合。本發(fā)明的方法可以有效避免了人工提取特征的復(fù)雜性和耗 時(shí)性等問題。
[0019] 而且本發(fā)明采用快速近似最近鄰搜索算法，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型提取的車輛特 征進(jìn)行k_d樹構(gòu)建，并通過對(duì)最近鄰搜索算法進(jìn)行改進(jìn)后，可以解決降低高維k_d樹在回 溯過程中耗時(shí)的缺點(diǎn)，從而加快搜索時(shí)間并同時(shí)保證相關(guān)的搜索精度。
【附圖說明】
[0020] 圖1是本發(fā)明的基本步驟流程圖； 圖2是卷積神經(jīng)網(wǎng)絡(luò)的概念示范圖； 圖3是本發(fā)明實(shí)施例使用卷積神經(jīng)網(wǎng)絡(luò)模型提取特征的算法流程。
【具體實(shí)施方式】
[0021] 下面結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說明，但并不作為對(duì)本發(fā)明限制的依據(jù)。
[0022] 實(shí)施例。一種快速檢索高速公路逃費(fèi)車輛高相似度圖像的方法，其基本流程如圖 1所示，包括以下步驟： ①收集違規(guī)車輛樣本圖像，建立車輛管理數(shù)據(jù)庫(kù)。
[0023] ②對(duì)樣本圖像進(jìn)行歸一化，統(tǒng)一車輛圖像格式； ③ 利用卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)車輛進(jìn)行特征提取與識(shí)別，得到樣本特征； ④ 對(duì)樣本特征進(jìn)行相應(yīng)的K-d樹構(gòu)建； ⑤ 對(duì)采集到的未知圖像提取得特征，在構(gòu)建的K-d樹基礎(chǔ)上，將這些特征利用快速高 相似度最近鄰搜索算法去和樣本特征進(jìn)行匹配，以實(shí)現(xiàn)以圖搜圖作用； ⑥ 根據(jù)步驟⑤得到的匹配程度大小，按照時(shí)間順序輸出相似度圖像，最后進(jìn)行人工確 認(rèn)。
[0024] 以上6條構(gòu)成高速公路逃費(fèi)車輛特征識(shí)別、匹配、檢索、查證、追溯、處理所需要的 證據(jù)鏈獲取的系統(tǒng)流程。
[0025] 其中本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)（CNN)模型的機(jī)器學(xué)習(xí)訓(xùn)練方法如下。
[0026] 本發(fā)明提供一種采用卷積神經(jīng)網(wǎng)絡(luò)（CNN)模型進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，計(jì)算機(jī)得到訓(xùn) 練樣本后就要通過數(shù)據(jù)運(yùn)算平臺(tái)進(jìn)行深度學(xué)習(xí)和不間斷訓(xùn)練。通過提取的車輛圖像中各類 有效特征，從而為后續(xù)的