[發明專利]一種基于卷積神經網絡的車型識別方法

在審

• 申請號: 201510071919.4
• 申請日: 2015-02-06
• 公開（公告）號: CN104657748A
• 公開（公告）日: 2015-05-27
• 發明（設計）人: 張衛山;陳立成;盧清華
• 申請（專利權）人: 中國石油大學(華東)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 無
• 代理人: 無

技術領域

本發明涉及物聯網領域，特別涉及到一種基于卷積神經網絡的車型識別方法

背景技術

卷積神經網絡是人工神經網絡中的一種，當前已經成為圖像識別和語音分析領域的研究熱點。最接近本發明的技術有：

(1)論文《卷積神經網絡的研究及其在車牌識別系統中的應用》，里面介紹了卷積神經網絡的概念及發展，并利用卷積神經網絡對預處理的車牌進行了識別，取得了比較滿意的識別率，其它一些論文里也把人工神經網絡應用到了車牌的識別當中；

(2)在《基于視頻的汽車車型識別研究》論文中，利用SURF特征提取方法來提取車型特征進而進行分類；.

(3)在《Vehicle?Logo?Detection?Using?Convolutional?Neural?Network?and?Pyramid?of?Histogram?of?Oriented?Gradients》中，提出了結合卷積神經網絡和方向梯度直方圖來進行車標檢測。

目前利用卷積神經網絡進行手寫數字識別的正確率很高，在最具有代表性的mnist手寫數字庫上的最高識別率已經達到99.77％，把卷積神經網絡應用到車牌數字識別當中是比較成熟可行的。但是，以《基于視頻的汽車車型識別研究》為代表的研究是基于傳統的人工特征提取方法，該方法有較大的局限，不具備機器自學習的能力。

發明內容

為解決現有技術中機器不具備自學習能力，本發明提出了一種基于卷積神經網絡的車型識別方法，創造性地把卷積神經網絡與車型識別結合起來，有針對地進行設計、訓練、改進，以達到較高的車型識別準確率。

本發明的技術方案為：

一種基于卷積神經網絡的車型識別方法，基于特征提取模塊與車型識別模塊，包括以下步驟：

步驟(1)、通過設計卷積與池化層、全連接層、分類器來構建車型識別的神經網絡，其中卷積與池化層和全連接層用來提取車型特征，分類器用來車型分類識別；

步驟(2)、利用包含不同車型特征的數據庫訓練該神經網絡，訓練方式為帶標簽的數據進行的有監督的學習，并用隨機梯度下降法進行權重參數矩陣和偏移量的調整；

步驟(3)、得到訓練好的各層中的權重參數矩陣和偏移量，把它們對應地賦值給該神經網絡中的各個層，則該神經網絡具有車型特征提取及識別的功能。

可選地，本發明的基于卷積神經網絡的車型識別方法，包括：三個卷積與池化層，一層全連接層，最后一層是softmax回歸分類器層。

可選地，卷積模版過濾器大小依次為5x5、5x5、4x4像素，特征圖個數依次為30、60、40，池化為大小為2x2的最大池，隱蔽層的神經元個數為500個，最后輸出四類車型：大貨車，面包車，轎車，公交車。

本發明的有益效果：

(1)把卷積神經網絡與車型識別結合起來，有針對地進行設計、訓練、改進，以達到較高的車型識別準確率；

(2)利用機器自學習車型特征并進行車型識別，減少了人為干預。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明基于卷積神經網絡的車型識別方法的系統結構圖；

圖2為本發明中的卷積神經網絡的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

如圖1所示，本發明的基于卷積神經網絡的車型識別方法，包括兩個模塊，特征提取模塊與車型識別模塊，經過原始數據訓練后的包含卷積與池化層和全連接層的卷積神經網絡進行車型的特征提取，提取后的特征再利用softmax等分類器進行識別。

本發明的具體流程如下：

步驟(1)、通過設計卷積與池化層、全連接層、分類器來構建車型識別的神經網絡，其中卷積與池化層和全連接層用來提取車型特征，分類器用來車型分類識別；

步驟(2)、利用包含不同車型特征的數據庫訓練該神經網絡，訓練方式為帶標簽的數據進行的有監督的學習，并用隨機梯度下降法進行權重參數矩陣和偏移量的調整；