[發明專利]一種基于卷積神經網絡的實時車型匹配方法

在審

• 申請號: 201710050763.0
• 申請日: 2017-01-23
• 公開（公告）號: CN106919949A
• 公開（公告）日: 2017-07-04
• 發明（設計）人: 張衛山;王志超;徐亮;趙德海;李忠偉;盧清華;宮文娟;宮法明
• 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;G06N3/04
• 代理公司: 北京捷誠信通專利事務所(普通合伙)11221
• 代理人: 曲志乾,肖太升

技術領域

本發明涉及車型自動匹配技術，具體涉及一種基于卷積神經網絡的實時車型匹配方法。

背景技術

車型自動匹配技術是智能交通系統的重要組成部分，通過對車輛進行車型自動匹配，可以為交通管理、收費、調度、統計提供數據，是智能交通領域的研究熱點和難點之一；目前，我國的車輛車型自動匹配準確率還難以滿足使用要求，對車型匹配率提高算法的研究勢在必行。

深度學習是目前機器學習發展的高潮，卷積神經網絡作為深度學習中的一種方法，在物體識別、圖像處理等領域有著較好的效果,卷積神經網絡有著可以自動學習圖像特征，減少人工干預，提取的圖像特征質量高的優勢，因此可以考慮將其應用在車型自動匹配技術中，以提高車型匹配的準確率。但是，卷積神經網絡會消耗大量的GPU(Graphics Processing Unit，圖形處理器)資源，在計算量過大時可能達不到實際應用場景中實時的效果。

發明內容

本發明所要解決的技術問題是如何將卷積神經網絡應用于車型自動匹配技術中，并達到車型匹配實時的效果的問題。

為了解決上述技術問題，本發明所采用的技術方案是提供一種基于卷積神經網絡的實時車型匹配方法，包括以下步驟：

步驟S10、構建車型數據庫，并設計用于車型識別的卷積神經網絡；

步驟S20、利用車型數據庫對卷積神經網絡進行訓練，得到最優的卷積神經網絡以及車型數據庫中每種車型的車型特征；

步驟S30、構建Storm的拓撲結構，其信息流上層為數據源輸入組件spout，信息流中層為布置了最優卷積神經網絡的數據處理組件bolt，信息流底層為布置了SVM分類器的數據處理組件bolt；

步驟S40、數據源輸入組件spout將采集的待匹配車輛實時視頻流發給信息流中層數據處理組件bolt，該數據處理組件bolt通過卷積神經網絡提取車型特征；

步驟S50、信息流底層數據處理組件bolt利用SVM分類器對信息流中層發送的車型特征進行匹配，并返回匹配結果。

在上述方法中，車型數據庫包含多種車型的信息，每種車型的信息有多張圖片。

在上述方法中，步驟S20具體包括以下步驟：

將車型數據庫中不同種車型的信息作為卷積神經網絡的輸入數據源，使用卷積神經網絡默認參數進行卷積神經網絡訓練；

根據訓練中間結果，對默認參數初始權值、訓練速率、迭代次數進行不斷調整，直到得到最優的卷積神經網絡網絡參數；

遍歷車型數據庫中不同種車型的信息，使用參數最優的卷積神經網絡提取每種車型的車型特征，并保存。

在上述方法中，用于車型識別的卷積神經網絡包括四層卷積，分別為三層池化層、三層全連接層、一層合并層和softmax回歸分類器層。

在上述方法中，信息流中層和信息流底層分別包括兩個以上布置了最優卷積神經網絡的數據處理組件bolt和布置了SVM分類器的數據處理組件bolt；

信息流上層數據源輸入組件依據擇優原則，將實時視頻流傳給信息流中層GUP較強的數據處理組件bolt；信息流中層依據擇優原則，將提取的車型特征發送給信息流底層GUP較強的數據處理組件bolt。

在上述方法中，對信息流中層發送的車型特征進行匹配具體包括以下步驟：

信息流底層的數據處理組件bolt接收信息流中層不同數據處理組件bolt發送的車型特征，并對接收的各個車型特征進行組合，判定組合后的特征是否為同一車型，如果是，將組合后的特征與車型數據庫中的車型特征進行車型匹配，返回匹配結果；如果不是，將各個車型特征與車型數據庫中的車型特征分別進行車型匹配，返回匹配結果。

在上述方法中，在步驟S40中，

每個數據源輸入組件spout將采集來自流媒體服務器的實時視頻流解碼為多個幀圖像，再將每一幀圖像發給信息流中層的數據處理組件bolt；

信息流中層數據處理組件bolt使用其上訓練好的卷積神經網絡提取每一幀圖像中的車型特征，并進行組合。

本發明將基于卷積神經網絡的特征提取技術、SVM分類方法和Storm實時處理平臺相結合，實現基于卷積神經網絡的實時車型匹配，具有以下有益效果：

(1)通過卷積神經網絡進行特征提取，有效地提高了特征提取的準確率和效率；

(2)利用SVM進行特征匹配，有效的提高了車型匹配的準確率；

(3)利用Storm并行化車型匹配，達到實時匹配的目的，有效的提高了匹配的效率。

附圖說明