一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法
【技術領域】
[0001]本發(fā)明涉及物聯(lián)網(wǎng)領域，特別涉及到一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法
【背景技術】
[0002]卷積神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡中的一種，當前已經(jīng)成為圖像識別和語音分析領域的研宄熱點。最接近本發(fā)明的技術有:
[0003](I)論文《卷積神經(jīng)網(wǎng)絡的研宄及其在車牌識別系統(tǒng)中的應用》，里面介紹了卷積神經(jīng)網(wǎng)絡的概念及發(fā)展，并利用卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡應用到了車牌的識別當中；
[0004](2)在《基于視頻的汽車車型識別研宄》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
[0005](3)在《Vehicle Logo Detect1n Using Convolut1nal Neural Network andPyramid of Histogram of Oriented Gradients》中，提出了結合卷積神經(jīng)網(wǎng)絡和方向梯度直方圖來進行車標檢測。
[0006]目前利用卷積神經(jīng)網(wǎng)絡進行手寫數(shù)字識別的正確率很高，在最具有代表性的mnist手寫數(shù)字庫上的最高識別率已經(jīng)達到99.77%，把卷積神經(jīng)網(wǎng)絡應用到車牌數(shù)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宄》為代表的研宄是基于傳統(tǒng)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(fā)明內(nèi)容】

[0007]為解決現(xiàn)有技術中機器不具備自學習能力，本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法，創(chuàng)造性地把卷積神經(jīng)網(wǎng)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。
[0008]本發(fā)明的技術方案為:
[0009]一種基于卷積神經(jīng)網(wǎng)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:
[0010]步驟(I)、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(jīng)網(wǎng)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；
[0011]步驟(2)、利用包含不同車型特征的數(shù)據(jù)庫訓練該神經(jīng)網(wǎng)絡，訓練方式為帶標簽的數(shù)據(jù)進行的有監(jiān)督的學習，并用隨機梯度下降法進行權重參數(shù)矩陣和偏移量的調(diào)整；
[0012]步驟(3)、得到訓練好的各層中的權重參數(shù)矩陣和偏移量，把它們對應地賦值給該神經(jīng)網(wǎng)絡中的各個層，則該神經(jīng)網(wǎng)絡具有車型特征提取及識別的功能。
[0013]可選地，本發(fā)明的基于卷積神經(jīng)網(wǎng)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。
[0014]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(shù)依次為30、60、40，池化為大小為2x2的最大池，隱蔽層的神經(jīng)元個數(shù)為500個，最后輸出四類車型:大貨車，面包車，轎車，公交車。
[0015]本發(fā)明的有益效果:
[0016](I)把卷積神經(jīng)網(wǎng)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；
[0017](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】
[0018]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)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(fā)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(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0019]圖1為本發(fā)明基于卷積神經(jīng)網(wǎng)絡的車型識別方法的系統(tǒng)結構圖；
[0020]圖2為本發(fā)明中的卷積神經(jīng)網(wǎng)絡的結構示意圖。
【具體實施方式】
[0021]下面將結合本發(fā)明實施例中的附圖，對本發(fā)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(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0022]如圖1所示，本發(fā)明的基于卷積神經(jīng)網(wǎng)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(jīng)過原始數(shù)據(jù)訓練后的包含卷積與池化層和全連接層的卷積神經(jīng)網(wǎng)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。
[0023]本發(fā)明的具體流程如下:
[0024]步驟(I)、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(jīng)網(wǎng)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；
[0025]步驟(2)、利用包含不同車型特征的數(shù)據(jù)庫訓練該神經(jīng)網(wǎng)絡，訓練方式為帶標簽的數(shù)據(jù)進行的有監(jiān)督的學習，并用隨機梯度下降法進行權重參數(shù)矩陣和偏移量的調(diào)整；
[0026]步驟(3)、得到訓練好的各層中的權重參數(shù)矩陣和偏移量，把它們對應地賦值給該神經(jīng)網(wǎng)絡中的各個層，則該網(wǎng)絡具有車型特征提取及識別的功能。
[0027]如圖2所示，本發(fā)明在實施過程中構建的神經(jīng)網(wǎng)絡，整體包含3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。3個卷積與池化層的卷積模版過濾器大小依次為5x5、5x5、4x4像素，特征圖個數(shù)依次為30、60、40，池化為大小為2x2的最大池，隱蔽層的神經(jīng)元個數(shù)為500個，最后輸出四類車型:大貨車，面包車，轎車，公交車。
[0028]本發(fā)明的數(shù)據(jù)庫為自建的車輛車型數(shù)據(jù)庫，包含了不同車型的多角度圖像(正面，側面，前、后面，斜面等)的復雜背景圖像，圖片來源為百度搜索，規(guī)范化后高和寬分別為96和136像素。訓練集大小為9600張，驗證集大小為400張，測試集大小為400張，最終的識別準確率達到82%左右，基于部分圖片在規(guī)范化中產(chǎn)生形變及數(shù)據(jù)庫設計因素的情況，最終的識別率是比較滿意的。
[0029]本發(fā)明把卷積神經(jīng)網(wǎng)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；而且，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。
[0030]以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。
【主權項】
1.一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法，其特征在于，基于特征提取模塊與車型識別豐吳塊，包括以下步驟: 步驟(I)、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(jīng)網(wǎng)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(shù)據(jù)庫訓練該神經(jīng)網(wǎng)絡，訓練方式為帶標簽的數(shù)據(jù)進行的有監(jiān)督的學習，并用隨機梯度下降法進行權重參數(shù)矩陣和偏移量的調(diào)整； 步驟(3)、得到訓練好的各層中的權重參數(shù)矩陣和偏移量，把它們對應地賦值給該神經(jīng)網(wǎng)絡中的各個層，則該神經(jīng)網(wǎng)絡具有車型特征提取及識別的功能。
2.如權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法，其特征在于，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。
3.如權利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡的車型識別方法，其特征在于，卷積模版過濾器大小依次為5x5、5x5、4x4像素，特征圖個數(shù)依次為30、60、40，池化為大小為2x2的最大池，隱蔽層的神經(jīng)元個數(shù)為500個，最后輸出四類車型:大貨車，面包車，轎車，公交車。
【專利摘要】本發(fā)明提出了一種基于卷積神經(jīng)網(wǎng)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：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(jīng)網(wǎng)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；利用包含不同車型特征的數(shù)據(jù)庫訓練該神經(jīng)網(wǎng)絡，訓練方式為帶標簽的數(shù)據(jù)進行的有監(jiān)督的學習，并用隨機梯度下降法進行權重參數(shù)矩陣和偏移量的調(diào)整；得到訓練好的各層中的權重參數(shù)矩陣和偏移量，把它們對應地賦值給該神經(jīng)網(wǎng)絡中的各個層，則該網(wǎng)絡具有車型特征提取及識別的功能。本發(fā)明創(chuàng)造性的將卷積神經(jīng)網(wǎng)絡和車型識別結合起來，有別于傳統(tǒng)的車型識別方法，可以明顯提高車型識別的準確度。
【IPC分類】G06K9-62, G06N3-08
【公開號】CN104657748
【申請?zhí)枴緾N201510071919
【發(fā)明人】張衛(wèi)山, 陳立成, 盧清華
【申請人】中國石油大學(華東)
【公開日】2015年5月27日
【申請日】2015年2月6日