一种基于神经网络的报废车辆识别方法和系统与流程

文档序号:33703545发布日期:2023-03-31 20:38阅读:112来源:国知局
一种基于神经网络的报废车辆识别方法和系统与流程

1.本发明属于交通安全技术领域,具体涉及一种基于神经网络的报废车辆识别方法和系统。


背景技术:

2.近年来,由于人们生活水平的提高,越来越多的家庭选择购买车辆,甚至一个家庭会购买多辆车。随着时间的推移,也有越来越多的车辆需要报废,但是车主往往将报废车辆停在路边或者停车场怠于处理,不仅影响人们的交通出行,还会占用停车场资源。设计出一种可以快速准确地对报废车辆进行识别的方法已是迫在眉睫。


技术实现要素:

3.为了解决上述技术问题,本发明提供一种基于神经网络的报废车辆识别方法和系统。
4.第一方面
5.本发明提供一种基于神经网络的报废车辆识别方法,包括:
6.s101:获取多张车辆样本图像,将多张车辆样本图像组合为样本集合 x=[x1,x2,

xn],其中,n表示样本数量,多张车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本;
[0007]
s102:构建报废车辆识别神经网络,报废车辆识别神经网络包括滤波器,通过滤波器对车辆样本图像进行滤波处理;
[0008]
s103:提取车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将车身完整度特征记为1,否则,记为0;在车型为已停产车型的情况下,将车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将车身颜色特征记为1,否则,记为0;在存在套牌的情况下,将车牌特征记为1,否则,记为0;
[0009]
s104:对车身完整度特征、车型特征、车身颜色特征和车牌特征进行特征融合,根据特征融合结果输出车辆样本图像中所指示的车辆是否为报废车辆的识别结果;
[0010]
s105:通过对识别结果与实际结果进行比较,对报废车辆识别神经网络进行修正;
[0011]
s106:通过摄像头获取车辆图像,将车辆图像输入至报废车辆识别神经网络,以识别车辆图像所指示的车辆是否为报废车辆。
[0012]
第二方面
[0013]
本发明提供一种基于神经网络的报废车辆识别系统,包括:
[0014]
获取模块,用于获取多张车辆样本图像,将多张车辆样本图像组合为样本集合x=[x1,x2,

xn],其中,n表示样本数量,多张车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本;
[0015]
构建模块,用于构建报废车辆识别神经网络,报废车辆识别神经网络包括滤波器,
通过滤波器对车辆样本图像进行滤波处理;
[0016]
提取模块,用于提取车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将车身完整度特征记为 1,否则,记为0;在车型为已停产车型的情况下,将车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将车身颜色特征记为1,否则,记为0;在存在套牌的情况下,将车牌特征记为1,否则,记为0;
[0017]
识别模块,用于对车身完整度特征、车型特征、车身颜色特征和车牌特征进行特征融合,根据特征融合结果输出车辆样本图像中所指示的车辆是否为报废车辆的识别结果;
[0018]
比较模块,用于通过对识别结果与实际结果进行比较,对报废车辆识别神经网络进行修正;
[0019]
识别模块,用于通过摄像头获取车辆图像,将车辆图像输入至报废车辆识别神经网络,以识别车辆图像所指示的车辆是否为报废车辆。
[0020]
与现有技术相比,本发明至少具有以下有益效果:
[0021]
在本发明中,通过多张车辆样本图片对报废车辆识别神经网络进行训练,综合考虑车身是否存在严重缺陷、车型是否已经停产、车身颜色是否与车管系统记录不一致以及是否存在套牌,以判断相关车辆是否是报废车辆。在实际应用过程中,只需要实时地拍摄车辆的图像即可以快速地、准确地对图像中的车辆是否是报废车辆做出判断,进而可以对报废车辆做出相应的处理,方便人们的出行,释放停车场资源,同时提升交通安全。
附图说明
[0022]
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0023]
图1是本发明提供的一种基于神经网络的报废车辆识别方法的流程示意图;
[0024]
图2是本发明提供的一种基于神经网络的报废车辆识别系统的结构示意图。
具体实施方式
[0025]
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
[0026]
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
[0027]
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
[0028]
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元
件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
[0029]
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
[0030]
在一个实施例中,参考说明书附图1,本发明提供的一种基于神经网络的报废车辆识别方法的流程示意图。
[0031]
本发明提供的一种基于神经网络的报废车辆识别方法,包括:
[0032]
s101:获取多张车辆样本图像,将多张车辆样本图像组合为样本集合 x=[x1,x2,

xn]。
[0033]
其中,n表示样本数量。
[0034]
可选地,n的具体数值为500。
[0035]
其中,多张车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本。
[0036]
可选地,车辆样本图像可以多张样本子图像的组合,例如对某一车辆从多个预设的角度进行拍摄,将拍摄的图像作为一组,统称为一组车辆样本图像。
[0037]
需要说明的是,车辆样本图像所指示的车辆是否为报废车辆是已知的,之后可以与报废车辆识别神经网络的识别结果进行比对,以判断报废车辆识别神经网络的识别结果是否准确。
[0038]
可选地,将多张车辆样本图像中的70%作为训练样本,30%作为测试样本。
[0039]
s102:构建报废车辆识别神经网络,报废车辆识别神经网络包括滤波器,通过滤波器对车辆样本图像进行滤波处理。
[0040]
其中,神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。神经网络网络可以依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
[0041]
其中,在神经网络中设置滤波器可以对样本图像进行滤波处理,可以在尽量保留图像细节特征的条件下,对目标图像的噪声进行抑制,有利于提升后续对报废车辆识别的有效性和可靠性。
[0042]
其中,报废车辆识别神经网络可以在图像特征与图像识别结果之间建立映射关系,使得在向报废车辆识别神经网络输入图像特征时,报废车辆识别神经网络可以根据图像特征自动地输出图像识别结果。
[0043]
在一种可能的实施方式中,s102具体包括:
[0044]
s1021:设定滤波器的滤波尺寸为p
×
q;
[0045]
s1022:将车辆样本图像分割为多个p
×
q大小的图像块,并将相应的车辆样本图像表示为xi=[x1,x2,

xn],其中,n为图像块的个数;
[0046]
s1023:对xi去除均值得到则样本集合可表示为
[0047]
s1024:计算协方差矩阵c:
[0048]
[0049]
其中,x
t
为x的转置矩阵;
[0050]
其中,协方差代表了两个变量之间的是否同时偏离均值,和偏离的方向是相同还是相反。
[0051]
s1025:计算协方差矩阵c的特征值和特征向量,取前p
×
q个特征值对应的特征向量作为滤波器的滤波参数。
[0052]
其中,协方差矩阵可以展现数据之间的相关程度,将协方差矩阵的靠前的几个特征向量作为样本图像的主成分表示,之后将主成分表示作为滤波参数,可以去除数据当中与整体相关程度较低的部分,提升后续对报废车辆识别的有效性和可靠性。
[0053]
s103:提取车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将车身完整度特征记为1,否则,记为0;在车型为已停产车型的情况下,将车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将车身颜色特征记为1,否则,记为0;在存在套牌的情况下,将车牌特征记为1,否则,记为0。
[0054]
需要说明的是,车身越存在缺陷意味着是报废车辆的可能性越高,车型的停产时间越长意味着是报废车辆的可能性越高,车身颜色与车管系统记录不一致意味着是报废车辆的可能性越高,车辆是套牌意味着是报废车辆的可能性越高。
[0055]
在一种可能的实施方式中,s103还包括:
[0056]
在难以确定车身存在是否重大缺陷的情况下,将车身完整度特征记录为 0.5;在难以确定车型是否已停产的情况下,将车型特征记为0.5;在难以确定车身颜色与车管系统记录是否一致的情况下,将车身颜色特征记为0.5;在难以确定是否存在套牌的情况下,将车牌特征记为0.5。
[0057]
需要说明的是,在样本图像存在模糊不清,难以确定相关特征时,折中取值为0.5,可以最大程度地减少模糊图像对于整个报废车辆识别神经网络的影响。
[0058]
s104:对车身完整度特征、车型特征、车身颜色特征和车牌特征进行特征融合,根据特征融合结果输出车辆样本图像中所指示的车辆是否为报废车辆的识别结果。
[0059]
需要说明的是,综合考虑车身是否存在严重缺陷、车型是否已经停产、车身颜色是否与车管系统记录不一致以及是否存在套牌,以判断相关车辆是否是报废车辆,从角度进行综合判读可以提升报废车辆识别的准确性。
[0060]
在一种可能的实施方式中,s104具体包括:
[0061]
s1041:假设车身完整度特征的权重为α,车型特征的权重为β,车身颜色特征的权重为γ,车牌特征的权重δ,车身完整度特征的特征值为y1,车型特征的特征值为y2,车身颜色特征的特征值为y3,车牌特征的特征值为y4,则计算车辆报废值z为:
[0062]
z=αy1+βy2+γy3+δy4[0063]
s1042:在车辆报废值大于预设值的情况下,判定车辆样本图像中所指示的车辆为报废车辆;
[0064]
s1043:在车辆报废值小于或者等于预设值的情况下,判定车辆样本图像中所指示的车辆为正常车辆。
[0065]
其中,将预设值设置的越低,车辆被判断为报废车辆就越容易,反之,将预设值设置的越高,车辆被判断为报废车辆就越难。本领域技术人员可以根据实际情况对预设值的
具体大小进行调整,对于预设值的大小本发明不做限制。
[0066]
s105:通过对识别结果与实际结果进行比较,对报废车辆识别神经网络进行修正。
[0067]
可选地,可以通过对比识别结果的正确率,对当前报废车辆识别神经网络进行评价,进而对当前报废车辆识别神经网络进行调整,以是正确率保持在较高的水平。
[0068]
在一种可能的实施方式中,s105具体包括:
[0069]
s1051:通过对识别结果与实际结果进行比较,得到各个特征的误差率;
[0070]
s1052:通过各个特征的误差率对各个特征的权重进行修正:
[0071][0072]
其中,ti表示第i个特征的权重,t1=α,t2=β,t3=γ,t4=δ,ei表示第 i个特征的误差率,ej表示第j个特征的误差率。
[0073]
需要说明的是,根据各个特征的误差率对各个特征的权重进行修正,可以进一步提升报废车辆识别的准确性。
[0074]
s106:通过摄像头获取车辆图像,将车辆图像输入至报废车辆识别神经网络,以识别车辆图像所指示的车辆是否为报废车辆。
[0075]
在一种可能的实施方式中,如果识别出相关车辆为报废车辆,可以根据车牌号联系车主,要求车主对车辆及时进行报废处理。如果多次提醒仍不处理,可以进行强制处理。
[0076]
与现有技术相比,本发明至少具有以下有益效果:
[0077]
在本发明中,通过多张车辆样本图片对报废车辆识别神经网络进行训练,综合考虑车身是否存在严重缺陷、车型是否已经停产、车身颜色是否与车管系统记录不一致以及是否存在套牌,以判断相关车辆是否是报废车辆。在实际应用过程中,只需要实时地拍摄车辆的图像即可以快速地、准确地对图像中的车辆是否是报废车辆做出判断,进而可以对报废车辆做出相应的处理,方便人们的出行,释放停车场资源,同时提升交通安全。
[0078]
实施例2
[0079]
在一个实施例中,参考说明书附图2,本发明提供的一种基于神经网络的报废车辆识别系统的结构示意图。
[0080]
本发明提供的一种基于神经网络的报废车辆识别系统20,包括:
[0081]
获取模块201,用于获取多张车辆样本图像,将多张车辆样本图像组合为样本集合x=[x1,x2,

xn],其中,n表示样本数量,多张车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本;
[0082]
构建模块202,用于构建报废车辆识别神经网络,报废车辆识别神经网络包括滤波器,通过滤波器对车辆样本图像进行滤波处理;
[0083]
提取模块203,用于提取车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将车身完整度特征记为1,否则,记为0;在车型为已停产车型的情况下,将车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将车身颜色特征记为1,否则,记为0;在存在套牌的情况下,将车牌特征记为1,否则,记为0;
[0084]
识别模块204,用于对车身完整度特征、车型特征、车身颜色特征和车牌特征进行特征融合,根据特征融合结果输出车辆样本图像中所指示的车辆是否为报废车辆的识别结果;
[0085]
比较模块205,用于通过对识别结果与实际结果进行比较,对报废车辆识别神经网络进行修正;
[0086]
识别模块206,用于通过摄像头获取车辆图像,将车辆图像输入至报废车辆识别神经网络,以识别车辆图像所指示的车辆是否为报废车辆。
[0087]
在一种可能的实施方式中,构建模块202,具体包括:
[0088]
设定子模块,用于设定滤波器的滤波尺寸为p
×
q;
[0089]
分割子模块,用于将车辆样本图像分割为多个p
×
q大小的图像块,并将相应的车辆样本图像表示为xi=[x1,x2,

xn],其中,n为图像块的个数;
[0090]
均值子模块,用于对xi去除均值得到则样本集合可表示为
[0091]
第一计算子模块,用于计算协方差矩阵c:
[0092][0093]
其中,x
t
为x的转置矩阵;
[0094]
第二计算子模块,用于计算协方差矩阵c的特征值和特征向量,取前p
×
q 个特征值对应的特征向量作为滤波器的滤波参数。
[0095]
在一种可能的实施方式中,提取模块203,还用于:
[0096]
在难以确定车身存在是否重大缺陷的情况下,将车身完整度特征记录为0.5;在难以确定车型是否已停产的情况下,将车型特征记为0.5;在难以确定车身颜色与车管系统记录是否一致的情况下,将车身颜色特征记为0.5;在难以确定是否存在套牌的情况下,将车牌特征记为0.5。
[0097]
在一种可能的实施方式中,识别模块204具体包括:
[0098]
第三计算子模块,用于假设车身完整度特征的权重为α,车型特征的权重为β,车身颜色特征的权重为γ,车牌特征的权重δ,车身完整度特征的特征值为y1,车型特征的特征值为y2,车身颜色特征的特征值为y3,车牌特征的特征值为y4,则计算车辆报废值z为:
[0099]
z=αy1+βy2+γy3+δy4[0100]
第一判定子模块,用于在车辆报废值大于预设值的情况下,判定车辆样本图像中所指示的车辆为报废车辆;
[0101]
第二判定子模块,用于在车辆报废值小于或者等于预设值的情况下,判定车辆样本图像中所指示的车辆为正常车辆。
[0102]
在一种可能的实施方式中,比较模块206具体包括:
[0103]
比较子模块,用于通过对识别结果与实际结果进行比较,得到各个特征的误差率;
[0104]
修正子模块,用于通过各个特征的误差率对各个特征的权重进行修正:
[0105][0106]
其中,ti表示第i个特征的权重,t1=α,t2=β,t3=γ,t4=δ,ei表示第 i个特征的误差率,ej表示第j个特征的误差率。
[0107]
本发明提供的基于神经网络的报废车辆识别系统20能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
[0108]
本发明提供的虚拟系统可以是系统,也可以是终端中的部件、集成电路、或芯片。
[0109]
与现有技术相比,本发明至少具有以下有益效果:
[0110]
在本发明中,通过多张车辆样本图片对报废车辆识别神经网络进行训练,综合考虑车身是否存在严重缺陷、车型是否已经停产、车身颜色是否与车管系统记录不一致以及是否存在套牌,以判断相关车辆是否是报废车辆。在实际应用过程中,只需要实时地拍摄车辆的图像即可以快速地、准确地对图像中的车辆是否是报废车辆做出判断,进而可以对报废车辆做出相应的处理,方便人们的出行,释放停车场资源,同时提升交通安全。
[0111]
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
[0112]
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1