基于卷積神經(jīng)網(wǎng)絡(luò)的車輛特征識別研究與實現(xiàn)

1研究背景

隨著我國經(jīng)濟發(fā)展和人民生活水平的提高,汽車數(shù)量急劇上升,給人們的交通出行提供便利的同時也帶來了很多亟待解決的問題,如交通事故頻發(fā)、利用機動車實施犯罪等,給公安機關(guān)開展視頻圖像偵查造成巨大困難。傳統(tǒng)的車輛卡口識別系統(tǒng)大多基于車牌識別系統(tǒng),通過車牌對過往車輛進行識別,存在一定的缺陷和不足,不能完全準確地識別出問題車輛,比如人為故意遮擋號牌或者車輛套牌,可見只依靠車牌對車輛進行識別不但不能發(fā)現(xiàn)問題,更談不上對車輛進行追蹤。

2系統(tǒng)技術(shù)架構(gòu)

某地通過對目前公安視圖偵查工作的現(xiàn)狀和需求進行分析,完成了預警系統(tǒng)的設(shè)計與研發(fā),采用先進的Hadoop分布式技術(shù),在視頻圖像大數(shù)據(jù)資源整合優(yōu)化基礎(chǔ)上,基于KGIs+的視頻圖像大數(shù)據(jù)系統(tǒng)框架,建設(shè)圖像資源主目錄庫、線索庫、案事件庫、技戰(zhàn)法庫等:整理包括公安自建設(shè)備圖像、外調(diào)圖像的信息資料主目錄庫:提供一鍵入視頻（線索）庫:整合警務綜合平臺、網(wǎng)辦平臺、"三臺合一"平臺、大情報系統(tǒng)等。

2.1數(shù)據(jù)源

預警系統(tǒng)將公安自建設(shè)備圖像資源、政府部門建設(shè)圖像資源、社會建設(shè)圖像資源統(tǒng)一標準進行編碼、入庫,加載到大數(shù)據(jù)平臺。將常住人口信息、暫住人口信息、違法犯罪信息、重點人口信息、車輛實名登記信息、車駕管信息等視頻深度應用和圖像偵查系統(tǒng)基礎(chǔ)數(shù)據(jù)接入:將警情庫整合接入:根據(jù)規(guī)則將"三合一"系統(tǒng)數(shù)據(jù)自動清洗導入。

2.2大數(shù)據(jù)平臺

按照需求實現(xiàn)對圖像資源的統(tǒng)一存儲與管理,設(shè)計視頻資源主目錄,包括公安部門視頻圖像資源主目錄庫和外調(diào)圖像信息資源主目錄庫,將公安自建的圖像資源的屬性信息根據(jù)國家統(tǒng)一標準進行整理、加載:將社會各個單位自己建設(shè)的視頻、卡口、電警等資源的屬性信息根據(jù)國家統(tǒng)一標準進行整理、加載:根據(jù)資源的價值分等級保存在不同的存儲空間,為

后續(xù)多警種數(shù)據(jù)共享提供支撐。

2.3應用層

應用層為用戶提供多種可視化操作模塊,同時為公安業(yè)務需要和各級領(lǐng)導決策分析、研判提供邏輯支撐,主要有以下幾個模塊:視頻實時監(jiān)控、視頻快速檢索、視頻摘要播放、圖像清晰化、視頻增強功能、高危人員比對、視頻智能跟蹤、案件空間分析、案件視頻研判、線索相似比對等,可實現(xiàn)車輛、人像數(shù)據(jù)的查詢、比對、搜索、碰撞等功能,并可配合各種技戰(zhàn)法實現(xiàn)大數(shù)據(jù)研判。

3系統(tǒng)關(guān)鍵技術(shù)

3.1基于卷積神經(jīng)網(wǎng)絡(luò)模型的車輛檢索技術(shù)

采用卷積神經(jīng)網(wǎng)絡(luò)Convo1utiona1Neura1Network,簡稱為CNN）進行圖像特征提取,即利用CNN模型從待檢測車輛的圖像中提取待檢測車輛的N個檢測特征向量,不同的車輛部件可以采用不同的CNN模型進行檢測特征向量的提取。該技術(shù)擺脫了依靠車牌進行識別的限制,通過機器學習和人工智能方法,有效提取車牌特征（如顏色、結(jié)構(gòu)、可見字符等）、車輛品牌、車型、顏色、車輛類型、車燈、格柵、車身粘貼物、車窗粘貼物、車內(nèi)掛飾擺件等,為警用監(jiān)控預警系統(tǒng)實現(xiàn)對車輛大數(shù)據(jù)的各種深度研判,可以為車輛尾隨跟蹤分析、車輛頻次分析、晝伏夜出車輛分析、區(qū)域徘徊車輛分析、區(qū)域碰撞（多點關(guān)聯(lián)）、路徑匹配分析、車輛活動區(qū)域分析等提供可靠的技術(shù)支撐。

3.2機器學習

預警系統(tǒng)利用深度學習技術(shù)進行公安業(yè)務模型訓練,采用當前最先進的深度學習算法對車輛、人員圖片進行處理。深度學習就是利用一些算法去構(gòu)建一個含有多個隱藏層的人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)的各層與原始數(shù)據(jù)不同層次的數(shù)學抽象相對應,利用特征向量描述圖像。與傳統(tǒng)模式識別算法相比,深度學習算法的最大的區(qū)別在于它所選擇的特征是從大數(shù)據(jù)中自動學習而來,而非手工獲取,合適的特征能有效提高模式識別系統(tǒng)的速度及準確度。

3.3Hadoop分布式運算

采用先進的Hadoop分布式技術(shù),可實現(xiàn)高速的數(shù)據(jù)查詢、存儲等功能,采用傳統(tǒng)的高可用架構(gòu)部署方式,集成多項領(lǐng)先的、可靠的服務器冗余備份技術(shù)以及系統(tǒng)軟件級的高可用技術(shù),保證平臺的不間斷穩(wěn)定運行。

在高密度服務器上,部署大數(shù)據(jù)軟件系統(tǒng),軟件主要包含Hadoop架構(gòu)、Hadoop分布式文件系統(tǒng)HadoopDistributedFi1esystem,HDFs）和MapReduce編程模型。

大數(shù)據(jù)卡口平臺軟件架構(gòu)如圖1所示。

4車輛卡口識別系統(tǒng)

4.1基礎(chǔ)應用功能

4.1.1實時過車查詢

系統(tǒng)可以調(diào)用卡口設(shè)備的實時監(jiān)控功能,顯示實時通過的車輛記錄及圖像資料,系統(tǒng)還提供單斷面和多斷面顯示。

4.1.2歷史過車查詢

系統(tǒng)支持對于過車信息的多條件符合檢索功能。檢索條件包括號牌號碼、設(shè)備位置、過車時間段、號牌顏色、車道類型、車速范圍、車身顏色等:車輛號牌號碼支持精確查詢和模糊查詢:支持對于檢索結(jié)果的詳細信息調(diào)閱、單幅/多幅查閱、前后翻頁、跳頁、記錄圖片導出、線索取證、視頻回放、數(shù)據(jù)篩選、圖像在線增強處理、KG1s+定位等實戰(zhàn)應用功能。

4.2車輛大數(shù)據(jù)分析

利用當前先進的大數(shù)據(jù)分布式運算架構(gòu),基于資源庫中的卡口信息、車駕管信息等相關(guān)資源,利用深度學習實現(xiàn)了多種模式搜車、以圖搜圖、車標任務管理、車檔檢索、語義檢索和車輛統(tǒng)計等多種功能。

4.3車輛技戰(zhàn)法

利用當前先進的大數(shù)據(jù)分布式運算架構(gòu),基于資源庫中的卡口信息、車駕管信息等相關(guān)資源,實現(xiàn)了假/套牌分析、車輛多點碰撞、路徑復現(xiàn)、未系安全帶分析、遮擋面部分析、車輛落腳點分析、晝伏夜出分析、一車多牌分析、路徑策略分析、跟車策略分析、區(qū)域徘徊分析等十余種功能,真正實現(xiàn)對城市各類嫌疑車輛的實時監(jiān)控、預警防范、信息研判、快速響應。

5結(jié)語

該系統(tǒng)從2016年開始研發(fā),2018年初正式上線運行,目前已協(xié)助當?shù)毓矙C關(guān)破獲多起車輛違法案件。筆者從基層公安面臨的視圖偵查現(xiàn)狀和傳統(tǒng)車輛識別技術(shù)存在的不足入手,根據(jù)各警種聯(lián)合作戰(zhàn)和大數(shù)據(jù)預警預測需求,設(shè)計與研發(fā)了預警系統(tǒng),經(jīng)基層實際應用表明,在匯聚豐富的車輛大數(shù)據(jù)后,在后臺即可實現(xiàn)對車輛大數(shù)據(jù)的各種深度研判,實現(xiàn)了對城市各類嫌疑車輛的實時監(jiān)控、預警防范、信息研判、快速響應,提高了民警辦案水平和辦案效率。