1.一种判断车底是否改装的检测方法，其特征是，包括如下步骤：

1)获取车底图像：采用检测车底改装专用设备中的工业相机对待检车辆车底进扫描拍照，获取待检车辆车底图像，所述检测车底改装专用装置包括工控机和与工控机连接的网络摄像机及工业相机；

2)对车底图像进行预处理：预处理包括如下步骤：(1)依据公式(1)对步骤1)获取的车底图像进行直方图均衡化，所述直方图均衡化为：设Dm为车底图像灰度级的最大值，S为图像的面积即总像素数，H(u)为图像中具有u灰度值的像素总数，f(D)即为不同灰度级对应的直方图大小，则直方图均衡化通过公式(1)实现：(2)将直方图均衡化处理后的图像进行同态增晰处理，即先用Daubechies4小波对直方图均衡化处理后的车底图像，进行二层分解，分别对一层和二层分解，对一层二层分解后得到低频和高频，用f(x，y)表示未进行二层分解的图像，则Daubechies4小波进行二层分解的原理可表示为公式(2)：

f(x，y)＝fi(x，y)·fr(x，y)           (2)，则在直方图均衡化处理后的车底图像W(u，v)中，物体的轮廓整体信息集中在低频段wi(u，v)，而细节、边缘、纹理都集中在高频段Wr(u，v)，其中，u，v分别表示横、纵坐标，如公式(3)：

W(u，v)＝wi(u，v)·Wr(u，v)        (3)，将直方图均衡化处理后的车底图像，用W(u，v)表示，分解成低频wi(u，v)和高频Wr(u，v)，对低频段和高频段分别乘上同态滤波函数H(u，v)，得到在高频段和低频段的车底图像G(u，v)，公式分别为公式(4)、(5)和(6)：G(u，v)＝W(u，v)·H(u，v)           (4)，

2 2

G(u，v)＝u+v        (5)，

1/2 1/2

G(u，v)＝u +v            (6),重构出增强的车底图像；

(3)对步骤(2)得到的增强后的车底图像进行图像平滑去噪：首先对增强后的车底图像进行中值滤波，中值滤波即是去一个N*N的移动窗口，该窗口内部含有奇数数目像素，去窗口之后，将窗口中各像素点的灰度值按强度大小排序，并选用中间数据来代替窗口中的N*N个像素点灰度值，完成中值滤波后，对中值滤波后的图像进行线性函数转换，完成归一化操作，转换成标准模式，得到预处理之后的图像，其中，线性函数转换表达式如公式(7)：y＝(x‑MinValue)/(MaxValue‑MinValue)             (7)，x、y分别为转换前、转换后的值，MaxValue、MinValue分别为样本的最大值和最小值；

3)计算边缘梯度差、标记出梯度差较大的区域：根据步骤2)得到的图像，采用以二阶导数为基础的边缘检测拉普拉斯算子，通过寻求二阶导数中的过零点来检测预处理后图像的边缘，假定拉普拉斯算子为二阶微分算子，利用边缘点处的二阶导函数出现零交叉的原理检测预处理后图像的边缘，车底图像的拉普拉斯算子表达式为公式(8)：采用查分方程对x和y方向上的二阶偏导数近似为公式(9)：用j‑1替换j,得到公式(10)：公式(10)是以点(i,j)为中心的二阶偏导数近似表达式，同理可得公式(11)：公式(10)和公式(11)相加可得到所求车底图像的拉普拉斯算子 为公式(12)：并将梯度差较大的地方标记出来，作为重点观察区域；

4)相似度计算：将步骤2)预处理后的车底图像与数据库中与之相对应型号的车底图像进行匹配并计算相似度，车底图像相似度计算是采用基于深度特征分析的双线性图像相似度匹配的方法，包括如下步骤：

(1)特征提取：将车底图像数据集在卷积神经网络模型上进行微调训练，利用训练好的卷积神经网络对图像进行特征提取，所述特征包括车辆底部装置的大小、形状、轮廓以及车底图像的边缘特征，并获得全连接层输出的图像内的物体轮廓细节特征，其中，卷积层提取的特征xj过程如公式(13)：

其中，l表示层数，k表示由l层到l+1层要产生的特征的数量，b表示偏置，Mi表示选择的输入特征图的集合，f是激活函数采用非线性激活函数(Recitified linear Unit，简称Relu)，Relu定义为公式(14)：f(xi)＝max(0，xi)        (14)，训练好的的卷积神经网络中池化层是在卷积特征提取的基础上，对每个卷积得到的特征进行取平均；

(2)比较：根据实际情况，设置大小相似度阈值，相似度与设置阈值比较，最终判断出车辆是否进行了改装，双线性相似性度量通过学习到一个成对的相似性函数S，输入pi、pj是两个图片的特征向量，输出的是两个样本相似度，S函数表示如式(15)(16)：其中，W是学习矩阵，p为要比对的图像样本，||.||Fro是Frobenius范数，也称为L2范数，p+ ‑ + ‑ ‑

假设三个样本为一组，分别是(Pi，Pi ，Pi)，其中，P、P是同一类样本，而P、P是不同类的样i i‑1

本，SW为相似性函数，在第i次迭代中，W是权衡两部分的效果：一部分是与前一次W 要尽可能靠近，另一部分是损失函数要小，参数C用于控制两部分的权衡效果，其中，双线性相似性度量算法为：

0

初始化W＝W，设置迭代次数n，重复下面迭代过程，表示如式(17)‑(20)：+ ‑ + ‑

a.随机挑选三张图片P，P，P满足SW(Pi，Pi)＞SW(Pi，Pi)      (17)，i i‑1 i

b.更新W＝W +λiV         (18)，其中，

i l + ‑ d + ‑ T

V＝[Pi(Pk‑Pk)，...，Pi(Pk‑Pk)]       (20)，c.直到达到迭代次数n为止，得到W矩阵；

i

其中 为损失函数，即铰链损失，λi为相似性损失项的最小值，V为样本特征相似性度量的转置矩阵，通过公式(15)计算图像间的相似度值S，值的大小表示图像的相似度，值越大，图像间的相关性越大，反之相关性越小；

5)得出结果：依据步骤4)得到的相似性函数值S与设置相似度阈值进行比较，当相似性函数值S小于所设置相似度阈值时，视为待检车辆进行了车底改装处理，并观测步骤3)中得到的车底图片的重点观察区域，从中进一步确定出发生车底改装的可能区域，反之，当相似性函数值S大于所设置相似度阈值时，则视为待检车辆未进行了车底改装处理，根据此规则得出车辆底部是否进行了改装。