基于卷積神經(jīng)網(wǎng)絡(luò)的車臉識(shí)別研究.pdf

1、治安卡口系統(tǒng)是在交通道路上的特定地點(diǎn)，對(duì)所有通過該卡口點(diǎn)的機(jī)動(dòng)車輛進(jìn)行拍攝、記錄與處理的一種道路交通現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)。車輛的前端部分稱為車臉，卡口系統(tǒng)主要拍攝過往車輛車臉的正面圖像。治安卡口系統(tǒng)在智能交通以及犯罪車輛追蹤等方面有重要的研究意義和應(yīng)用價(jià)值，傳統(tǒng)的治安卡口系統(tǒng)依托于人工識(shí)別和車牌識(shí)別技術(shù)對(duì)車輛進(jìn)行識(shí)別。人工識(shí)別方法效率低，且不能長(zhǎng)時(shí)間持續(xù)有效的對(duì)車輛進(jìn)行檢測(cè)和識(shí)別;車牌識(shí)別方法難以對(duì)故意遮擋車牌、偽造車牌或套牌的違法犯罪車輛進(jìn)行

2、有效的識(shí)別，這種情況下，需要一種更加智能的能夠基于車牌之外的其它車輛特征來對(duì)車輛進(jìn)行自動(dòng)準(zhǔn)確的識(shí)別，而車臉能夠有效的表達(dá)車輛的外觀屬性，因此可以使用車臉圖像來對(duì)車輛進(jìn)行識(shí)別。車臉識(shí)別是指依靠車輛的車臉圖像來對(duì)車輛的屬性進(jìn)行識(shí)別。本文主要聚焦于根據(jù)車臉圖像來識(shí)別車輛型號(hào)的問題。
　　該問題的主要難點(diǎn)在于不同品牌不同型號(hào)車輛的車臉外觀差異巨大，同一型號(hào)車輛的車臉因?yàn)檐囕v配置不同也存在差異，同時(shí)車臉圖像在卡口系統(tǒng)拍攝的圖像中的顏色、位置

3、、大小、角度等都不一致，這些因素都成為車臉識(shí)別研究的難點(diǎn)。針對(duì)這些問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的車臉識(shí)別方法，該方法依托于車臉的外觀特征，實(shí)現(xiàn)對(duì)目標(biāo)車輛的車型進(jìn)行快速且準(zhǔn)確的識(shí)別。本文主要的研究?jī)?nèi)容和貢獻(xiàn)如下：
　　(1)采集和標(biāo)定了一個(gè)卡口車臉圖像數(shù)據(jù)庫(kù)，總共包含7萬多張卡口車臉圖像，共315款車型?？谲嚹槇D像一般屬于非公開數(shù)據(jù)，不容易得到，所以該車臉圖像數(shù)據(jù)庫(kù)具有巨大的研究?jī)r(jià)值。
　　(2)針對(duì)卡口車臉圖像沒有

4、對(duì)齊的問題，定義了車臉33個(gè)特征點(diǎn)，這些特征點(diǎn)標(biāo)定了車臉輪廓、擋風(fēng)玻璃、后視鏡和車牌等車臉元素。在特征點(diǎn)基礎(chǔ)上，實(shí)現(xiàn)了基于約束局部模型的車臉對(duì)齊方法，該方法能夠快速準(zhǔn)確的檢測(cè)車臉特征點(diǎn)位置，從而將所有車臉圖像對(duì)齊到相同的尺度。約束局部模型由形狀模型和特征模型兩個(gè)子模型組成，形狀模型用于描述車臉形狀，特征模型用于描述車臉特征，由兩個(gè)子模型共同完成車臉特征點(diǎn)定位。
　　(3)針對(duì)車臉圖像特征提取方法的問題，設(shè)計(jì)并實(shí)現(xiàn)了適用于車臉圖像的

5、卷積神經(jīng)網(wǎng)絡(luò)模型，該模型以完整的車臉圖像作為輸入，得到車臉的整體特征。在該原始模型的基礎(chǔ)上，本文研究了車臉不同組件對(duì)識(shí)別率的影響，提出了基于多組件卷積神經(jīng)網(wǎng)絡(luò)的車臉組合模型，該組合模型針對(duì)車臉的元素位置將車臉劃分為5個(gè)組件，并對(duì)每個(gè)組件分別訓(xùn)練單獨(dú)的卷積神經(jīng)網(wǎng)絡(luò)子模型，最后通過組合所有子模型的輸出特征來得到最能夠描述整體車臉的綜合特征，再使用綜合特征進(jìn)行分類和識(shí)別。
　　在本文整理的車臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，基于約束局部模型的車臉對(duì)