CN111209923A - 一种基于深度学习技术的渣土车是否盖盖识别方法 - Google Patents

Abstract

本发明提供了一种基于深度学习技术的渣土车是否盖盖识别方法，通过深度学习技术，解决了渣土车是否盖盖的识别问题，实现了实时审核，提高了工作效率，而且通过二次优化过程，提高了算法的泛化能力，实现了在不同的应用场景中，提高算法的识别准确率的目的。本发明的有益效果在于：本发明的方法利用卷积神经网络能够提供较好的局部特征，很好地解决由于拍摄角度、背景复杂以及形状相似等原因造成识别难度大，不易分类的问题；本发明的方法在对是否盖盖分类上具有较高的检测准确率，解决人工审核渣土车违规行为效率低、结果具有滞后性的问题，而且对于智能违法***的建立具有重要的意义。

Description

一种基于深度学习技术的渣土车是否盖盖识别方法

技术领域

本发明属于道路交通安全技术领域，涉及一种渣土车是否盖盖识别方法，具体涉及一种基于深度学习技术的渣土车是否盖盖识别方法。

背景技术

在城市道路上，不规范的渣土车行驶过程中往往会洒落建筑垃圾、石块砂砾，导致路面失控，引发交通事故。渣土车在行驶过程中，未盖盖可能会造成超重超限，破坏公路设施，造成安全隐患。为进一步遏制渣土车在运输过程中出现的违规行为，加强对渣土车运输的管理，切实改善道路交通安全，本发明提出了一种基于深度学习技术识别渣土车是否盖盖的技术。

国内在车型识别方面的研究主要侧重在如何提取有效的图像特征进而用于车型识别。例如，2010年黄灿等人利用SIFT特征检测车辆目标区域的尺度特征点，并计算每个特征点的主方向，生成SIFT描述子。2012年万文利设计了车辆轮廓的不相关二维方差矩阵特征，与模板的方差矩阵进行匹配分类。

近些年，随着深度学习在图像识别领域的优异表现，该方法也被用在车型识别中。不同于传统的过于依赖先验知识的特征提取的深度学习算法开始流行，2016年，邓柳等人采用一个五层的卷积神经网络来构建了一个对3种类型车辆进行分类的网络，得到了较好的效果。2017年，纪野等人，利用深度学习Caffe框架中的AlexNet和传统方法支持向量机(SVM)，分别对车辆图像进行网络训练与测试，结果表明卷积神经网络的分类方法具有较高的车型识别精度，车型识别准确率高。

但是这些方法目前还存在以下两方面的缺陷：

1. 在智能交通方面，虽然渣土车智能识别***通过人工智能算法，解决了渣土车识别的问题，大大提高了执法效率。但是在识别道路上的渣土车是否规范运行方面，例如如何识别行驶中的渣土车是否盖盖的问题仍处于技术空白。

2. 通过一些传统的算法检测渣土车方面的效率有待提升。例如采用Hough方法计算和判断渣土车的方法或者使用图像对比法通过提取渣土车的颜色、轮廓特征等一系列方法，虽然大大提高了检测的准确率，但算法的计算量较大，性能较低，难以运用到实时***中。

综上所述，渣土车违法识别是运输管理工作中一项长期、复杂、***的工程。建立渣土车违法管理***，能够在运输过程中实时获取各种行为数据并通过人工智能算法自动识别违章行为，而识别渣土车是否盖盖则是建立渣土车违法管理***中必不可少的一环。

发明内容

为了弥补现有技术的不足，本发明提供了一种基于深度学习技术的渣土车是否盖盖识别方法，用于解决人工审核渣土车违规行为效率低，且具有滞后性的问题，实现了实时审核，提高了工作效率。

本发明提供了一种基于深度学习技术的渣土车是否盖盖识别方法，该方法包括以下步骤：

S1: 从道路交通电子监控设备中提取车辆的正面拍摄图片；

S2: 将所述图片输入到车辆检测模型，并通过所述车辆检测模型检测出图片中的车辆位置；

S3: 将检测出的车辆位置，输入到渣土车分类器中，所述渣土车分类器包含盖盖渣土车、未盖盖渣土、其他货车三类；

S4: 通过所述渣土车分类器识别车辆分类，输出识别结果，若结果为未盖盖渣土车，则输出预警信息；若结果为盖盖渣土车或其他货车，则不输出预警信息，识别结束；

S5: 积累数据，对所述渣土车分类器进行二次优化，提高分类的准确率。

进一步的，步骤S2中所述车辆检测模型，用于检测所述图片中出现的所有车辆，是通过利用卷积核，下采样和池化的方法逐层、逐级地抽取待识别的图像特征，并在网络输出端对最终特征进行分类处理实现的。

进一步的，所述车辆检测模型的检测过程包括以下步骤：

S2-1 图像预处理：对样本图像进行标注，并按照比例分为训练集和测试集；对采集的所述样本图像进行平移、转置、镜像、旋转、缩放的几何变换，用于改正卡口摄像机的自动拍摄***的***误差和仪器位置造成的随机误差；其中所述仪器位置造成的随机误差包括成像角度、透视关系乃至镜头自身原因造成的误差；

S2-2 目标车辆检测：基于ResNet-50网络，添加卷积层，所述卷积层的大小逐渐减小；利用多尺度特征进行对象检测；通过卷积操作得到候选框，然后再进行分类与回归，最后得到检测结果。

进一步的，步骤S4中所述渣土车分类器识别车辆分类的过程包括以下步骤：

S4-1: 将步骤S2检测出的车辆位置，进行图像增强，改善图像质量、丰富信息量、加强图像判读和识别效果，达到满足特殊分析需要的目的；所述图像增强主要是指改善图像的视觉效果，增加样本的多样性，有目的地强调图像的整体或局部特性，将不清晰的图像变得清晰或强调某些特征，扩大图像中不同物体特征之间的差别；

S4-2: 采用Inception v3的神经网络框架，将卷积进行分解，使用1x3卷积和3x1卷积，实现在感受野相同的情况下，减少参数量；

S4-3: 引入标签平滑规则，把标签的置信度平均分配给其他类别的标签；

S4-4: 使用Softmax函数进行概率化输出，对于输出结果再使用交叉熵Cross-Entropy进行损失计算，使识别结果更逼近真实分布。

进一步的，步骤S5中所述二次优化过程包括以下步骤：

S5-1: 识别输入的图片，对识别结果中错误的图片重新进行标记，保存为训练数据；

S5-2: 将收集的所述训练数据输入到所述渣土车分类器中，对所述渣土车分类器进行优；

S5-3: 更新渣土车分类器，达到更好的识别结果。

本发明的有益效果在于：

①本发明提供的一种深度学习技术的渣土车是否盖盖识别方法利用卷积神经网络提供了较好的局部特征，很好地解决由于拍摄角度、背景复杂以及形状相似等原因造成识别难度大，不易分类的问题。

②本发明提供的一种深度学习技术的渣土车是否盖盖识别方法在对是否盖盖分类上具有较高的检测准确率，说明卷积神经网络在目标识别上具有较好的特征提取能力。

③本发明提供的一种深度学习技术的渣土车是否盖盖识别方法对于智能违法***的建立具有重要的意义。

④本发明提供的一种深度学习技术的渣土车是否盖盖识别方法不仅通过深度学习技术，解决了识别渣土车是否盖盖的问题，而且通过二次优化过程，提高了算法的泛化能力，实现了在不同的应用场景中，提高算法的识别准确率的目的。

附图说明

图1是本发明的一种深度学习技术的渣土车是否盖盖识别方法的步骤流程示意图；

图2是本发明实施例1中的二次优化流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参考图1，一种基于深度学习技术的渣土车是否盖盖识别方法，包括以下步骤：

S1: 从道路交通电子监控设备中提取车辆的正面拍摄图片。

S2: 将所述图片输入到车辆检测模型，并通过所述车辆检测模型检测出图片中的车辆位置；所述车辆检测模型，用于检测所述图片中出现的所有车辆，是通过利用卷积核，下采样和池化的方法逐层、逐级地抽取待识别的图像特征，并在网络输出端对最终特征进行分类处理实现的。所述车辆检测模型的检测过程包括以下步骤：

S2-1 图像预处理：对样本图像进行标注，并按照比例分为训练集和测试集；对采集的所述样本图像进行平移、转置、镜像、旋转、缩放的几何变换，用于改正卡口摄像机的自动拍摄***的***误差和仪器位置造成的随机误差；其中所述仪器位置造成的随机误差包括成像角度、透视关系乃至镜头自身原因造成的误差；

S2-2 目标车辆检测：基于ResNet-50网络，添加卷积层，所述卷积层的大小逐渐减小；利用多尺度特征进行对象检测；通过卷积操作得到候选框，然后再进行分类与回归，最后得到检测结果。

S3: 将检测出的车辆位置，输入到渣土车分类器中，所述渣土车分类器包含盖盖渣土车、未盖盖渣土、其他货车三类；

S4: 通过所述渣土车分类器识别车辆分类，输出识别结果，若结果为未盖盖渣土车，则输出预警信息；若结果为盖盖渣土车或其他货车，则不输出预警信息，识别结束。所述渣土车分类器识别车辆分类的过程包括以下步骤：

S4-1: 将步骤S2检测出的车辆位置，进行图像增强，改善图像质量、丰富信息量、加强图像判读和识别效果，达到满足特殊分析需要的目的；所述图像增强主要是指改善图像的视觉效果，增加样本的多样性，有目的地强调图像的整体或局部特性，将不清晰的图像变得清晰或强调某些特征，扩大图像中不同物体特征之间的差别；

S4-2: 采用Inception v3的神经网络框架，将卷积进行分解，使用1x3卷积和3x1卷积，实现在感受野相同的情况下，减少参数量；

S4-3: 引入标签平滑规则，把标签的置信度平均分配给其他类别的标签；

S4-4: 使用Softmax函数进行概率化输出，对于输出结果再使用交叉熵Cross-Entropy进行损失计算，使识别结果更逼近真实分布。

S5: 积累数据，对所述渣土车分类器进行二次优化，提高分类的准确率。参考图2，所述二次优化过程包括以下步骤：

S5-1: 识别输入的图片，对识别结果中错误的图片重新进行标记，保存为训练数据；

S5-2: 将收集的所述训练数据输入到所述渣土车分类器中，对所述渣土车分类器进行优；

S5-3: 更新渣土车分类器，以达到更好的识别结果。

应当理解，以上所描述的具体实施例仅用于解释本发明，并不用于限定本发明。由本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (5)

1.一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于，所述方法包括以下步骤：

S1: 从道路交通电子监控设备中提取车辆的正面拍摄图片；

S2: 将所述图片输入到车辆检测模型，并通过所述车辆检测模型检测出图片中的车辆位置；

S3: 将检测出的车辆位置，输入到渣土车分类器中，所述渣土车分类器包含盖盖渣土车、未盖盖渣土、其他货车三类；

S4: 通过所述渣土车分类器识别车辆分类，输出识别结果，若结果为未盖盖渣土车，则输出预警信息；若结果为盖盖渣土车或其他货车，则不输出预警信息，识别结束；

S5: 积累数据，对所述渣土车分类器进行二次优化，提高分类的准确率。

2.根据权利要求1所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：步骤S2中所述车辆检测模型，用于检测所述图片中出现的所有车辆，是通过利用卷积核，下采样和池化的方法逐层、逐级地抽取待识别的图像特征，并在网络输出端对最终特征进行分类处理实现的。

3.根据权利要求2所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：所述车辆检测模型的检测过程包括以下步骤：

S2-1 图像预处理：对样本图像进行标注，并按照比例分为训练集和测试集；对采集的所述样本图像进行平移、转置、镜像、旋转、缩放的几何变换，用于改正卡口摄像机的自动拍摄***的***误差和仪器位置造成的随机误差；其中所述仪器位置造成的随机误差包括成像角度、透视关系乃至镜头自身原因造成的误差；

S2-2 目标车辆检测：基于ResNet-50网络，添加卷积层，所述卷积层的大小逐渐减小；利用多尺度特征进行对象检测；通过卷积操作得到候选框，然后再进行分类与回归，最后得到检测结果。

4.根据权利要求1所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：步骤S4中所述渣土车分类器识别车辆分类的过程包括以下步骤：

S4-1: 将步骤S2检测出的车辆位置，进行图像增强，改善图像质量、丰富信息量、加强图像判读和识别效果，达到满足特殊分析需要的目的；所述图像增强主要是指改善图像的视觉效果，增加样本的多样性，有目的地强调图像的整体或局部特性，将不清晰的图像变得清晰或强调某些特征，扩大图像中不同物体特征之间的差别；

S4-2: 采用Inception v3的神经网络框架，将卷积进行分解，使用1x3卷积和3x1卷积，实现在感受野相同的情况下，减少参数量；

S4-3: 引入标签平滑规则，把标签的置信度平均分配给其他类别的标签；

S4-4: 使用Softmax函数进行概率化输出，对于输出结果再使用交叉熵Cross-Entropy进行损失计算，使识别结果更逼近真实分布。

5.根据权利要求1所述的一种基于深度学习技术的渣土车是否盖盖识别方法，其特征在于：步骤S5中所述二次优化过程包括以下步骤：

S5-1: 识别输入的图片，对识别结果中错误的图片重新进行标记，保存为训练数据；

S5-2: 将收集的所述训练数据输入到所述渣土车分类器中，对所述渣土车分类器进行优；

S5-3: 更新渣土车分类器，达到更好的识别结果。

Images