CN105844289A - 一种汽车充电接口识别方法 - Google Patents

一种汽车充电接口识别方法 Download PDF

Info

Publication number
CN105844289A
CN105844289A CN201610153129.5A CN201610153129A CN105844289A CN 105844289 A CN105844289 A CN 105844289A CN 201610153129 A CN201610153129 A CN 201610153129A CN 105844289 A CN105844289 A CN 105844289A
Authority
CN
China
Prior art keywords
image
automobile
model
feature image
charging interface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610153129.5A
Other languages
English (en)
Inventor
沈浩
崔成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201610153129.5A priority Critical patent/CN105844289A/zh
Publication of CN105844289A publication Critical patent/CN105844289A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开的汽车充电接口识别方法，所述方法主要包括，获取若干汽车外形图像，分别构建所述汽车外形图像的特征向量；对所述特征向量进行回归分类，将所述汽车型号进行汇总，得到预分类模型；选取若干汽车型号以及与所述汽车型号对应的汽车外形图片，对所述预分类模型进行训练，获得分类模型；预先建立汽车型号与充电接口类型的对应关系；获取待判断车型的汽车外形图像，通过所述分类模型判断所述待判断车型的汽车外形图像对应汽车的型号；根据所述对应关系以及识别得出的汽车型号，得出所述汽车的充电接口类型。本发明提供的汽车充电接口识别方法，有助于高效且准确的判断汽车充电接口的判断，有利于选择准确的充电枪。

Description

一种汽车充电接口识别方法
技术领域
本发明涉及信息识别技术领域，更为具体地说，涉及一种汽车充电接口识别方法。
背景技术
汽车充电是根据车身的充电接口选择相配的充电枪接口，充电枪的选择错误可能会损坏汽车储电***或充电接口，影响汽车的使用。然而目前，汽车的充电接口多种多样，在具有充电服务的停车场进行充电时候，需要人工从众多的充电接口中进行相配汽车充电接口的选择。人工的判断选择，将要耗费大量的人力，且耗时长，影响充电效率。
可见，如何高效且准确的判断汽车充电接口的判断，选择准确的充电枪，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的提供一种汽车充电接口识别方法，有助于高效且准确的判断汽车充电接口的判断，有利于选择准确的充电枪。
为了解决上述技术问题，本发明提供如下技术方案：
本发明提供的一种汽车充电接口识别方法，所述方法包括：
获取若干汽车外形图像，分别构建所述汽车外形图像的特征向量；
其中，所述构建特征向量主要包括，提取所述汽车外形图像，将所述汽车外形图像进行第一次卷积操作，获得第一特征图像，
将所述第一特征图像进行第一次池化操作，获得第二特征图像，
将所述第二特征图像进行第二次卷积操作，获得第三特征图像，
将所述第三特征图像进行第二次池化操作，获得第四特征图像，
将所述第四特征图像进行第三次卷积操作，获得第五特征图像，
将所述第五特征图像进行第三次池化操作，获得第六特征图像，
通过特征向量转化公式Yl(n)＝∑Wl(n,m)*Yl-1(m)，将所述第六特征图像转化为所述特征向量，其中，l为第l特征图像，Wl为权重，Yl(n)表示特征向量，Yl-1(m)为向量转化前的特征图像；
对所述特征向量进行回归分类，将所述汽车型号进行汇总，得到预分类模型；
选取若干汽车型号以及与所述汽车型号对应的汽车外形图片，对所述预分类模型进行训练，获得分类模型；
预先建立汽车型号与充电接口类型的对应关系；
获取待判断车型的汽车外形图像，通过所述分类模型判断所述待判断车型的汽车外形图像对应汽车的型号；
根据所述对应关系以及识别得出的汽车型号，得出所述汽车的充电接口类型。
优选的，上述汽车充电接口识别方法中，所述第一次卷积操作，卷积核的大小为5*5，所述第一特征图像的数量为5个；所述第二次卷积操作，卷积核大小5*5，所述第三特征图像的数量为10个；所述第三次卷积操作，卷积核大小4*4，所述第五特征图像的数量为16个。
优选的，上述汽车充电接口识别方法中，所述第一次池化操作具体为，对所述第一特征图像的2*2邻域进行求和，乘以随机权重，加上偏置，然后进行神经元激活，所述神经元激活为logistic，logistic激活函数为
优选的，上述汽车充电接口识别方法中，调节各层参数，所述调节各层参数具体包括求损失函数，进行所述损失函数的反向求导，调节所述各层参数，使损失函数最小。
优选的，上述汽车充电接口识别方法中，所述汽车外形图像包括含充电接口的图像和不包含充电接口的图像。
本发明提供的汽车充电接口识别方法，获取若干汽车外形图像，将汽车外形图像进行卷积、池化、全连接以及回归分析，建立汽车车型预分类模型，选取若干已知汽车型号的汽车外形图片，进行预分类模型的训练，得到精确度较高的分类模型。利用所得的分类模型，对欲判断汽车车型的汽车外形图像进行判断，得到所述汽车外形图像对应的汽车型号，通过预先建立的汽车型号与充电接口类型的对应关系的对应关系，进行充电接口类型的判断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的汽车充电接口识别方法的流程图；
图2是本发明实施例提供的特征向量转化示意图；
图3是本发明实施例提供的汽车型号与充电接口类型的对应关系图。
具体实施方式
本发明实施例提供的汽车充电接口识别方法，有助于高效且准确的判断汽车充电接口的判断，有利于选择准确的充电枪。
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明实施例中的技术方案作进一步详细的说明。
结合附图1，该图示出了本发明实施例提供的汽车充电接口识别方法的基本流程，具体包括：
S101：获取若干汽车外形图像，分别构建所述汽车外形图像的特征向量。
选取若干汽车外形图片，其中所述汽车外形图像尽可能全面的包括市面上的各种型号的汽车以及充电接口。汽车外形图像的格式以及大小不一，为了保证计算和处理的方便，将获得汽车外形图像进行处理，本实施例中优选的将汽车外形图像统一为64*64的灰度图像，但不局限于此，兼顾计算以及硬件处理设备的条件，可以自行选择。本实施例中，所述汽车外形图像可以包括包含充电接口的汽车外形图像和不包含充电接口的汽车外形图像。为保证数据处理的方便，一般选用包含充电接口的汽车外形图像。
图片的选取完成后，将图片分别进行卷积操作、池化操作、卷积操作、池化操作、卷积操作、池化操作、全连接，分别获得外形图像的特征向量。卷积操作和池化操作时一种降采样方法，为了更加方便的提取汽车外形图像的特征。具体操作：提取所述汽车外形图像，将所述汽车外形图像进行第一次卷积操作，获得第一特征图像；将所述第一特征图像进行第一次池化操作，获得第二特征图像；将所述第二特征图像进行第二次卷积操作，获得第三特征图像；将所述第三特征图像进行第二次池化操作，获得第四特征图像；将所述第四特征图像进行第三次卷积操作，获得第五特征图像；将所述第五特征图像进行第三次池化操作，获得第六特征图像；通过特征向量转化公式Yl(n)＝∑Wl(n,m)*Yl-1(m)将所述第六特征图像转化为所述特征向量，其中，l为第l特征图像，Wl为权重，Yl(n)表示特征向量，Yl-1(m)为向量转化前的特征图像。在本发明中选用第六特征图像，但根据实际的需要不单单可以选择第六特征图像。卷积操作和池化操作的次数根据实际的需要也可以进行调整。
本申请还提供了一个具体的实施例提供，如附图2所示，具体过程如下：
以一张汽车外形图像为例，将已经转化为64*64的灰度图像的汽车外形图像，进行第一次卷积操作，卷积核大小为5*5，获得5个60*60大小的第一特征图像。
将5个60*60大小的第一特征图像进行第一次池化操作，获得5个30*30大小的第二特征图像，所述第一次池化操作滤除大多数相关信息，让图像所包含的信息独立性更好，减少图像信息量，大大降低了计算量。本发明实施例中优选的第一池化操作为，分别对第一特征图像的2*2邻域进行求和，然后乘以随机权重并加上偏重，如g(x,y)l＝wf(x,y)＋b，其中，g(x,y)l为总计，w为权重，b为上偏置，f(x,y)为邻域进行求和，最后进行神经元激活操作，常用的激活函数有logistic激活，tanh激活和ReLu激活。本发明实施例中优采用logistic激活函数进行激活，logistic激活函数为：
池化和卷积操作，往往是多个特征图像映射多个特征图像，为了避免后一层特征图像由前一层所有的池化特征图像卷积得到，导致计算量极大的提高。本发明按照一定的编码方式，后一卷积层的特征图像由前一池化层若干图像共同卷积得到，而并非全部，这样既兼顾了保留原始图像所含信息，又降低了计算量。
将5个30*30大小的第二特征图像进行第二次卷积操作，卷积核大小为5*5，获得10个26*26大小的第三特征图像，第三特征图像是由第二特征图像的若干特征图共同卷积得到，如下表所示,二表示第二特征图像，三表示第三特征图像，X表示卷积操作用到的图像。
将10个26*26大小的第三特征图像进行第二次池化操作，得到10个13*13大小的第四特征图像，第二次池化操作与第一次池化操作类似。
将10个13*13大小的第四特征图像进行第三次卷积操作，卷积核大小为4*4，获得16个10*10大小的第五特征图像，第三次卷积操作与第二次卷积操作类似。
将16个10*10大小的第五特征图像进行第三次池化操作，获得16个5*5的第六特征图像，第三次池化操作与第一次池化操作类似。
经过上述卷积、池化操作，能够更加鲜明的提取各汽车外形图像图片的明显特征。便于向量的转化，同时不会丢失图像信息。再进行全连接操作，将上述操作的16个5*5的第六特征图像，转变为1个向量，在转化的过程中往往伴有将采用的操作。本实施例中，先得到一个120维向量，然后再将一个120维的特征向量转化为一个60维特征向量。
S102：对所述特征向量进行回归分类，将所述汽车型号进行汇总，得到预分类模型。
在进行特征向量的转化后进行回归分类，利用softmax回归函数进行计算，得到预分类模型，其中，hθ(x(i))为回归函数，x(i)为图像特征，k为类别数，θ为权重参数，为第k个特征的权重参数的转置。
S103：选取若干汽车型号以及与所述汽车型号对应的汽车外形图片，对所述预分类模型进行训练，获得分类模型。
选取一定量的汽车型号以及所述汽车型号对应的汽车外形图片，进行预分类模型的训练，获得参数以及权重最优，得到优良的分类模型。
训练为一种带有标签的学习，在训练的过程中，要进行各层参数的调整，体包括求损失函数，进行所述损失函数的反向求导，调节所述各层参数，使损失函数最小。其中，损失函数为其中，m为训练的样本数目，k为类别个数，λ为常量，一般为0.01-0.02。
将所述损失函数根据随机梯度下降原则和链式求导法则，由后向前逐层求导，然后更新权重。
如，
其中，yl为第l层的输出，w为权重。
根据求导结果，应用平均梯度法来计算权重更新，其中，W(t+1)为更新后的权重，W(t)为更新前的权重，λ为常量，一般为0.01-0.02。
S104：预先建立汽车型号与充电接口类型的对应关系。
建立汽车型号与充电接口类型的对应关系，本发明实施中建设汽车型号与充电接口类型的映射关系，如图3所示。
S105：获取待判断车型的汽车外形图像，通过所述分类模型判断所述待判断车型的汽车外形图像对应汽车的型号。
当需要进行汽车的型号判断时候，获得待判断车型的汽车外形图像，进行图像的卷积、池化操作，通过分类模型判断进行待判断车型的汽车外形图像对应汽车的型号的判断，得到其相对应的汽车的型号。
S106：根据所述对应关系以及识别得出的汽车型号，得出所述汽车的充电接口类型。
在得到汽车的型号后，根据其数据库内汽车类型与充电接口类型映射关系就可以得出该车辆的充电接口类型。
本发明提供的汽车充电接口识别方法，获取若干汽车外形图像，将汽车外形图像进行卷积、池化、全连接以及回归分析，建立汽车车型预分类模型，选取若干已知汽车型号的汽车外形图片，进行预分类模型的训练，得到精确度较高的分类模型。利用所得的分类模型，对欲判断汽车车型的汽车外形图像进行判断，得到所述汽车外形图像对应的汽车型号，通过预先建立的汽车型号与充电接口类型的对应关系的对应关系，进行充电接口类型的判断。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种汽车充电接口识别方法，其特征在于，所述方法包括：
获取若干汽车外形图像，分别构建所述汽车外形图像的特征向量；
其中，所述构建特征向量主要包括，提取所述汽车外形图像，将所述汽车外形图像进行第一次卷积操作，获得第一特征图像，
将所述第一特征图像进行第一次池化操作，获得第二特征图像，
将所述第二特征图像进行第二次卷积操作，获得第三特征图像，
将所述第三特征图像进行第二次池化操作，获得第四特征图像，
将所述第四特征图像进行第三次卷积操作，获得第五特征图像，
将所述第五特征图像进行第三次池化操作，获得第六特征图像，
通过特征向量转化公式Yl(n)＝∑Wl(n,m)*Yl-1(m)，将所述第六特征图像转化为所述特征向量，其中，l为第l特征图像，Wl为权重，Yl(n)表示特征向量，Yl-1(m)为向量转化前的特征图像；
对所述特征向量进行回归分类，将所述汽车型号进行汇总，得到预分类模型；
选取若干汽车型号以及与所述汽车型号对应的汽车外形图片，对所述预分类模型进行训练，获得分类模型；
预先建立汽车型号与充电接口类型的对应关系；
获取待判断车型的汽车外形图像，通过所述分类模型判断所述待判断车型的汽车外形图像对应汽车的型号；
根据所述对应关系以及识别得出的汽车型号，得出所述汽车的充电接口类型。
2.根据权利要求1所述的汽车充电接口识别方法，其特征在于，所述第一次卷积操作，卷积核的大小为5*5，所述第一特征图像的数量为5个；所述第二次卷积操作，卷积核大小5*5，所述第三特征图像的数量为10个；所述第三次卷积操作，卷积核大小4*4，所述第五特征图像的数量为16个。
3.根据权利要求1所述的汽车充电接口识别方法，其特征在于，所述第一次池化操作具体为，对所述第一特征图像的2*2邻域进行求和，乘以随机权重，加上偏置，然后进行神经元激活，所述神经元激活为logistic，logistic激活函数为
4.根据权利要求1所述的汽车充电接口识别方法，其特征在于，所述方法还包括，
调节各层参数，所述调节各层参数具体包括求损失函数，进行所述损失函数的反向求导，调节所述各层参数，使损失函数最小。
5.根据权利要求4所述的汽车充电接口识别方法，其特征在于，所述方法还包括，
将所述损失函数根据随机梯度下降原则和链式求导法则，由后向前逐层求导，然后更新权重。
CN201610153129.5A 2016-03-17 2016-03-17 一种汽车充电接口识别方法 Pending CN105844289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610153129.5A CN105844289A (zh) 2016-03-17 2016-03-17 一种汽车充电接口识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610153129.5A CN105844289A (zh) 2016-03-17 2016-03-17 一种汽车充电接口识别方法

Publications (1)

Publication Number Publication Date
CN105844289A true CN105844289A (zh) 2016-08-10

Family

ID=56588027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610153129.5A Pending CN105844289A (zh) 2016-03-17 2016-03-17 一种汽车充电接口识别方法

Country Status (1)

Country Link
CN (1) CN105844289A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334903A (zh) * 2019-05-29 2019-10-15 河北科技大学 基于背包算法的电动汽车充电调度方法
CN111027499A (zh) * 2019-12-17 2020-04-17 北京慧智数据科技有限公司 一种基于卷积神经网络的货车低排放限行识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130222394A1 (en) * 2012-02-28 2013-08-29 Research In Motion Limited Methods and devices for selecting objects in images
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控***中的车辆类型识别方法
CN104600787A (zh) * 2014-12-30 2015-05-06 深圳市科陆电子科技股份有限公司 智能充电***
CN104778464A (zh) * 2015-05-04 2015-07-15 中国科学院重庆绿色智能技术研究院 一种基于深度卷积神经网络的服装定位检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130222394A1 (en) * 2012-02-28 2013-08-29 Research In Motion Limited Methods and devices for selecting objects in images
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控***中的车辆类型识别方法
CN104600787A (zh) * 2014-12-30 2015-05-06 深圳市科陆电子科技股份有限公司 智能充电***
CN104778464A (zh) * 2015-05-04 2015-07-15 中国科学院重庆绿色智能技术研究院 一种基于深度卷积神经网络的服装定位检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
池燕玲: ""基于深度学习的人脸识别方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334903A (zh) * 2019-05-29 2019-10-15 河北科技大学 基于背包算法的电动汽车充电调度方法
CN111027499A (zh) * 2019-12-17 2020-04-17 北京慧智数据科技有限公司 一种基于卷积神经网络的货车低排放限行识别方法

Similar Documents

Publication Publication Date Title
CN106650699B (zh) 一种基于卷积神经网络的人脸检测方法及装置
CN106446949B (zh) 一种车辆型号识别方法及装置
CN106228185B (zh) 一种基于神经网络的通用图像分类识别***及方法
CN108764634A (zh) 一种考虑充电需求增长的电动汽车充电站动态规划方法
CN109614968B (zh) 一种基于多尺度混合图像风格化的车牌检测场景图片生成方法
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN107690660A (zh) 图像识别方法及装置
CN109858437B (zh) 基于生成查询网络的行李体积自动分类方法
CN102253995B (zh) 一种利用位置信息实现图像搜索的方法和***
CN107123088A (zh) 一种自动更换证件照背景颜色的方法
CN108960288B (zh) 基于卷积神经网络的三维模型分类方法及***
CN112215847B (zh) 基于对抗学习多尺度特征的重叠染色体自动分割方法
CN110223382B (zh) 基于深度学习的单帧图像自由视点三维模型重建方法
CN108875812B (zh) 一种基于分支卷积神经网络的驾驶员行为分类方法
CN109583507A (zh) 一种基于深度卷积神经网络的猪体识别方法
CN111028238B (zh) 一种基于机器人视觉的复杂异形曲面三维分割方法及***
CN110334584A (zh) 一种基于区域全卷积网络的手势识别方法
CN113191243B (zh) 基于相机距离的人手三维姿态估计模型建立方法及其应用
CN110751212A (zh) 一种移动设备上高效的细粒度图像识别方法
CN111126799A (zh) 基于二分图的共享网络司乘匹配方法
CN105844289A (zh) 一种汽车充电接口识别方法
CN114330516A (zh) 基于多图引导神经网络模型的小样本徽景图像分类
CN109872326A (zh) 基于深度强化网络跳跃连接的轮廓检测方法
CN110119827A (zh) 用车类型的预测方法及装置
CN114120359A (zh) 一种基于堆叠沙漏网络的群养猪体尺测量方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160810