CN104657748A - 一种基于卷积神经网络的车型识别方法 - Google Patents

Abstract

本发明提出了一种基于卷积神经网络的车型识别方法，基于特征提取模块与车型识别模块，包括以下步骤：通过设计卷积与池化层，全连接层，分类器来构建车型识别的神经网络，其中卷积与池化层和全连接层用来提取车型特征，分类器用来车型分类识别；利用包含不同车型特征的数据库训练该神经网络，训练方式为带标签的数据进行的有监督的学习，并用随机梯度下降法进行权重参数矩阵和偏移量的调整；得到训练好的各层中的权重参数矩阵和偏移量，把它们对应地赋值给该神经网络中的各个层，则该网络具有车型特征提取及识别的功能。本发明创造性的将卷积神经网络和车型识别结合起来，有别于传统的车型识别方法，可以明显提高车型识别的准确度。

Description

一种基于卷积神经网络的车型识别方法

技术领域

本发明涉及物联网领域，特别涉及到一种基于卷积神经网络的车型识别方法

背景技术

卷积神经网络是人工神经网络中的一种，当前已经成为图像识别和语音分析领域的研究热点。最接近本发明的技术有：

(1)论文《卷积神经网络的研究及其在车牌识别***中的应用》，里面介绍了卷积神经网络的概念及发展，并利用卷积神经网络对预处理的车牌进行了识别，取得了比较满意的识别率，其它一些论文里也把人工神经网络应用到了车牌的识别当中；

(2)在《基于视频的汽车车型识别研究》论文中，利用SURF特征提取方法来提取车型特征进而进行分类；.

(3)在《Vehicle Logo Detection Using Convolutional Neural Network andPyramid of Histogram of Oriented Gradients》中，提出了结合卷积神经网络和方向梯度直方图来进行车标检测。

目前利用卷积神经网络进行手写数字识别的正确率很高，在最具有代表性的mnist手写数字库上的最高识别率已经达到99.77％，把卷积神经网络应用到车牌数字识别当中是比较成熟可行的。但是，以《基于视频的汽车车型识别研究》为代表的研究是基于传统的人工特征提取方法，该方法有较大的局限，不具备机器自学习的能力。

发明内容

为解决现有技术中机器不具备自学习能力，本发明提出了一种基于卷积神经网络的车型识别方法，创造性地把卷积神经网络与车型识别结合起来，有针对地进行设计、训练、改进，以达到较高的车型识别准确率。

本发明的技术方案为：

一种基于卷积神经网络的车型识别方法，基于特征提取模块与车型识别模块，包括以下步骤：

步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络，其中卷积与池化层和全连接层用来提取车型特征，分类器用来车型分类识别；

步骤(2)、利用包含不同车型特征的数据库训练该神经网络，训练方式为带标签的数据进行的有监督的学习，并用随机梯度下降法进行权重参数矩阵和偏移量的调整；

步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量，把它们对应地赋值给该神经网络中的各个层，则该神经网络具有车型特征提取及识别的功能。

可选地，本发明的基于卷积神经网络的车型识别方法，包括：三个卷积与池化层，一层全连接层，最后一层是softmax回归分类器层。

可选地，卷积模版过滤器大小依次为5x5、5x5、4x4像素，特征图个数依次为30、60、40，池化为大小为2x2的最大池，隐蔽层的神经元个数为500个，最后输出四类车型：大货车，面包车，轿车，公交车。

本发明的有益效果：

(1)把卷积神经网络与车型识别结合起来，有针对地进行设计、训练、改进，以达到较高的车型识别准确率；

(2)利用机器自学习车型特征并进行车型识别，减少了人为干预。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。

图1为本发明基于卷积神经网络的车型识别方法的***结构图；

图2为本发明中的卷积神经网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明的基于卷积神经网络的车型识别方法，包括两个模块，特征提取模块与车型识别模块，经过原始数据训练后的包含卷积与池化层和全连接层的卷积神经网络进行车型的特征提取，提取后的特征再利用softmax等分类器进行识别。

本发明的具体流程如下：

步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络，其中卷积与池化层和全连接层用来提取车型特征，分类器用来车型分类识别；

步骤(2)、利用包含不同车型特征的数据库训练该神经网络，训练方式为带标签的数据进行的有监督的学习，并用随机梯度下降法进行权重参数矩阵和偏移量的调整；

步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量，把它们对应地赋值给该神经网络中的各个层，则该网络具有车型特征提取及识别的功能。

如图2所示，本发明在实施过程中构建的神经网络，整体包含3个卷积与池化层，一层全连接层，最后一层是softmax回归分类器层。3个卷积与池化层的卷积模版过滤器大小依次为5x5、5x5、4x4像素，特征图个数依次为30、60、40，池化为大小为2x2的最大池，隐蔽层的神经元个数为500个，最后输出四类车型：大货车，面包车，轿车，公交车。

本发明的数据库为自建的车辆车型数据库，包含了不同车型的多角度图像(正面，侧面，前、后面，斜面等)的复杂背景图像，图片来源为百度搜索，规范化后高和宽分别为96和136像素。训练集大小为9600张，验证集大小为400张，测试集大小为400张，最终的识别准确率达到82％左右，基于部分图片在规范化中产生形变及数据库设计因素的情况，最终的识别率是比较满意的。

本发明把卷积神经网络与车型识别结合起来，有针对地进行设计、训练、改进，以达到较高的车型识别准确率；而且，利用机器自学习车型特征并进行车型识别，减少了人为干预。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于卷积神经网络的车型识别方法，其特征在于，基于特征提取模块与车型识别模块，包括以下步骤：

步骤(1)、通过设计卷积与池化层、全连接层、分类器来构建车型识别的神经网络，其中卷积与池化层和全连接层用来提取车型特征，分类器用来车型分类识别；

步骤(2)、利用包含不同车型特征的数据库训练该神经网络，训练方式为带标签的数据进行的有监督的学习，并用随机梯度下降法进行权重参数矩阵和偏移量的调整；

步骤(3)、得到训练好的各层中的权重参数矩阵和偏移量，把它们对应地赋值给该神经网络中的各个层，则该神经网络具有车型特征提取及识别的功能。

2.如权利要求1所述的一种基于卷积神经网络的车型识别方法，其特征在于，包括：三个卷积与池化层，一层全连接层，最后一层是softmax回归分类器层。

3.如权利要求2所述的一种基于卷积神经网络的车型识别方法，其特征在于，卷积模版过滤器大小依次为5x5、5x5、4x4像素，特征图个数依次为30、60、40，池化为大小为2x2的最大池，隐蔽层的神经元个数为500个，最后输出四类车型：大货车，面包车，轿车，公交车。