基于主成分分析卷积神经网络的车标自动识别方法技术

一种基于主成分分析卷积神经网络的车标自动识别方法，包括各类车标分类理想输出特征向量                                               取得的步骤及车标识别步骤，其中，表示车标分类理想输出特征向量，k表示车标种类数，所述各类车标分类理想输出特征向量是用N份各类车标图像样本对卷积神经网络进行训练取得的，所述的车标识别是在得到待识别车标的输出向量Z后，通过计算各个品牌的车标分类理想输出特征向量与对应的待识别车标的输出向量Z之间的欧氏距离及归属度，最大归属度中对应的品牌车标即为待识别车标。

【技术实现步骤摘要】

交通图像车辆特征检测的
，尤其涉及一种基于主成分分析卷积神经网络的车标自动识别方法。
技术介绍
车标识别作为交通图像车辆特征检测
中的重要组成部分，可以更准确地获取车辆信息，已在车辆行踪及违法车辆的自动记录中得到了越来越广泛的应用。目前车标识别的现有技术包括利用特征不变矩距离分类法、基于SIFT特征识别法等，其在识别率和识别速度上都有待提高。卷积神经网络(CNN)是人工神经网络的一种，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。基于卷积神经网络车标识别技术，明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器使识别车标更有效，运行速度更快。
技术实现思路
本专利技术提供一种基于主成分分析卷积神经网络的车标自动识别方法，本专利技术用相对较小的计算复杂度，极大地提高车标图像识别效果，使得车标识别率能达到85％以上。本专利技术采用如下技术方案：一种基于主成分分析卷积神经网络的车标自动识别方法，其特征在于，包括各类车标分类理想输出特征向量Tk取得的步骤及车标识别步骤，其中，Tk表示车标分类理想输出特征向量，k表示车标种类数，所述各类车标分类理想输出特征向量Tk取得的步骤包括：搜集作为样本图像的各类车标图像N份，分别对各类车标图像进行定位，得到大小为44×44像素的各类车标区域精确定位灰度图像N份，再通过训练卷积神经网络，确定并得到各类车标分类理想输出特征向量T，所述卷积神经网络的训练方法如下：步骤101卷积神经网络训练参数设定分别取作为样本图像的各类车标的44×44像素的车标区域精确定位灰度图像N份，卷积核设为5×5，采样层采样范围2×2，步骤102对样本图像进行灰度归一化处理，统一各个样本的图像亮度和对比度，得到归一化样本图像且归一化样本图像的像素值为G(i,j,n)，G(i,j,n)为第n个样本的归一化图像中的第i行第j列像素值，i、j＝均为正整数，步骤103采用主成分分析滤波器为卷积核，所述卷积核是将64列向量分别排列为5×5方阵后得到的64个5×5卷积核，所述64个5×5卷积核采用如下方法得到：步骤103-1：求得矩阵XN×1936的协方差矩阵C1936×1936，所述矩阵XN×1936是分别将N个归一化样本图像的每一个相同位置上的像素值G(i,j,n)拉成一个列向量，组成矩阵XN×1936，则矩阵X共有N行、44×44＝1936列；步骤103-2：求协方差矩阵C1936×1936的特征值和特征向量，并将特征向量归一化为单位向量，步骤103-3：选取最大的25个特征值并进行从大到小进行排序，再将所述25个特征值所对应的特征向量作为列向量组成特征向量矩阵V1936×25，步骤103-4：将矩阵XN×1936在特征向量矩阵V1936×25上进行投影，得到矩阵FN×25且FN×25＝XN×1936*V1936×25，随机在矩阵FN×25中取64列，将64列向量分别排列为5×5方阵后得到64个卷积核，64个卷积核的值为且m＝1、2、3、…、64，r1＝1，2，…，5，r2＝1，2，…，5，并将归一化样本图像作为初始化的卷积图像，开始对卷积图像进行卷积，步骤104将第n张卷积图像第i行第j列的像素点的灰度值记为G′(i,j,n)，将卷积行向列向步长都设为1并用5×5的滑动窗口对卷积图像进行区域划分，划分出卷积图像的卷积区域，再分别用所述64个卷积核，对每张卷积图像的各个5×5卷积区域进行卷积，得到卷积特征值并作为像素点的灰度值G″(i,j,n)：G(i,j,n)′′=G(i′,j′,n)′*W(r1,r2)m]]>其中，G″(i,j,n)为卷积后的第n张图像中第i行第j列像素点的灰度值，n表示卷积图像的序号；G′(i′,j′,n)为5×5卷积区域内的像素点的灰度值，并且，i′＝i,i+1,...,i+4，j′＝j,j+1,...,j+4；是第m个卷积核的权值，m表示卷积核的序号，并且，r1取值为1、2、3、4、5，r2取值为1、2、3、4、5；符号“*”表示二维卷积运算；接着，对卷积后的图像像素点的准灰度值G″(i,j,n)进行非线性激励函数f(x)变换，非线性激励函数f(x)采用：f(G(i,j,n)′′)=11+e-G(i,j,n)′′]]>步骤105重复步骤104，直至得到每张卷积图像对应64张特征图，步骤106用行向列向采样步长为2的2×2采样区域，分别对各张卷积图像对应64张特征图进行采样，在每个2×2采样区域选出一个采样点(i′,j′)，采样点(i′,j′)的灰度值S(i′,j′)为：s(i′,j′)=11+e-Max{H(h)本文档来自技高网...

【技术保护点】
一种基于主成分分析卷积神经网络的车标自动识别方法，其特征在于，包括各类车标分类理想输出特征向量Tk取得的步骤及车标识别步骤，其中，Tk表示车标分类理想输出特征向量，k表示车标种类数，所述各类车标分类理想输出特征向量Tk取得的步骤包括：搜集作为样本图像的各类车标图像N份，分别对各类车标图像进行定位，得到大小为44×44像素的各类车标区域精确定位灰度图像N份，再通过训练卷积神经网络，确定并得到各类车标分类理想输出特征向量T，所述卷积神经网络的训练方法如下：步骤101卷积神经网络训练参数设定分别取作为样本图像的各类车标的44×44像素的车标区域精确定位灰度图像N份，卷积核设为5×5，采样层采样范围2×2，步骤102对样本图像进行灰度归一化处理，统一各个样本的图像亮度和对比度，得到归一化样本图像且归一化样本图像的像素值为G(i,j,n)，G(i,j,n)为第n个样本的归一化图像中的第i行第j列像素值，i、j＝均为正整数，步骤103采用主成分分析滤波器为卷积核，所述卷积核是将64列向量分别排列为5×5方阵后得到的64个5×5卷积核，所述64个5×5卷积核采用如下方法得到：步骤103‑1：求得矩阵XN×1936的协方差矩阵C1936×1936，所述矩阵XN×1936是分别将N个归一化样本图像的每一个相同位置上的像素值G(i,j,n)拉成一个列向量，组成矩阵XN×1936，则矩阵X共有N行、44×44＝1936列；步骤103‑2：求协方差矩阵C1936×1936的特征值和特征向量，并将特征向量归一化为单位向量，步骤103‑3：选取最大的25个特征值并进行从大到小进行排序，再将所述25个特征值所对应的特征向量作为列向量组成特征向量矩阵V1936×25，步骤103‑4：将矩阵XN×1936在特征向量矩阵V1936×25上进行投影，得到矩阵FN×25且FN×25＝XN×1936*V1936×25，随机在矩阵FN×25中取64列，将64列向量分别排列为5×5方阵后得到64个卷积核，64个卷积核的值为且m＝1、2、3、…、64，r1＝1，2，…，5，r2＝1，2，…，5，并将归一化样本图像作为初始化的卷积图像，开始对卷积图像进行卷积，步骤104将第n张卷积图像第i行第j列的像素点的灰度值记为G′(i,j,n)，将卷积行向列向步长都设为1并用5×5的滑动窗口对卷积图像进行区域划分，划分出卷积图像的卷积区域，再分别用所述64个卷积核，对每张卷积图像的各个5×5卷积区域进行卷积，得到卷积特征值并作为像素点的准灰度值G″(i，j，n)：其中，G″(i，j,n)为卷积后的第n张图像中第i行第j列像素点的灰度值，n表示卷积图像的序号；G′(i′,j′,n)为5×5卷积区域内的像素点的灰度值，并且，i′＝i,i+1,…,i+4，j′＝j,j+1,…,j+4；是第m个卷积核的权值，m表示卷积核的序号，并且，r1取值为1、2、3、4、5，r2取值为1、2、3、4、5；符号“*”表示二维卷积运算；接着，对卷积后的图像像素点的灰度值G″(i,j,n)进行非线性激励函数f(x)变换，非线性激励函数f(x)采用：步骤105重复步骤104，直至得到每张卷积图像对应64张特征图，步骤106用行向列向采样步长为2的2×2采样区域，分别对各张卷积图像对应64张特征图进行采样，在每个2×2采样区域选出一个采样点(i′,j′)，采样点(i′,j′)的灰度值S(i′,j′)为：其中，Max{H(h)}为2×2采样区域中的最大准灰度值，H(h)表示2×2采样区域第h个采样点的灰度值，h＝1、2、3、4，最后对相应的采样点进行组合并形成新的卷积图像，步骤107重复步骤104～步骤106，直至使每个卷积图像得到64张特征向量维度为2×2的特征图，步骤108输入图像神经元个数为64×2×2＝256个，将所有同类样本图像的256个最后特征值分别相加平均，得到各类含有256个特征值tw的车标分类理想输出特征向量Tk，k表示车标种类数且k＝1、2、3、…，Tk表示第k类车标分类理想输出特征向量，tw表示车标分类理想输出特征向量Tk的第w个特征值，w＝1、2、3、…、256；所述的车标识别步骤包括：步骤201获取待识别的车标图像并对待识别的车标图像进行定位，得到大小为44×44像素的车标区域精确定位灰度图像，令N＝1，对待识别的车标图像中的车标区域精确定位灰度图像进行步骤103至步骤107的处理，得到64张特征向量维度为2×2的特征图并得到含有256个特征值zw的待识别车标的输出向量Z，zw表示待识别车标的输出向量Z的第w个特征值，w＝1、2、3、…、256，步骤202分别计算各个品牌的车标分类理想输出特征向量Tk的各个特征值tw与对应的待识别车标的输出向量Z的各个特征值zw之间的欧氏距离dk,w，所述欧...

【技术特征摘要】
1.一种基于主成分分析卷积神经网络的车标自动识别方法，其特征在于，包括各类车标分类理想输出特征向量Tk取得的步骤及车标识别步骤，其中，Tk表示车标分类理想输出特征向量，k表示车标种类数，
所述各类车标分类理想输出特征向量Tk取得的步骤包括：
搜集作为样本图像的各类车标图像N份，分别对各类车标图像进行定位，得到大小为44×44像素的各类车标区域精确定位灰度图像N份，再通过训练卷积神经网络，确定并得到各类车标分类理想输出特征向量T，所述卷积神经网络的训练方法如下：
步骤101卷积神经网络训练参数设定
分别取作为样本图像的各类车标的44×44像素的车标区域精确定位灰度图像N份，卷积核设为5×5，采样层采样范围2×2，
步骤102对样本图像进行灰度归一化处理，统一各个样本的图像亮度和对比度，得到归一化样本图像且归一化样本图像的像素值为G(i,j,n)，G(i,j,n)为第n个样本的归一化图像中的第i行第j列像素值，i、j＝均为正整数，
步骤103采用主成分分析滤波器为卷积核，所述卷积核是将64列向量分别排列为5×5方阵后得到的64个5×5卷积核，所述64个5×5卷积核采用如下方法得到：
步骤103-1：求得矩阵XN×1936的协方差矩阵C1936×1936，所述矩阵XN×1936是分别将N个归一化样本图像的每一个相同位置上的像素值G(i,j,n)拉成一个列向量，组成矩阵XN×1936，则矩阵X共有N行、44×44＝1936列；
步骤103-2：求协方差矩阵C1936×1936的特征值和特征向量，并将特征向量归一化为单位向量，
步骤103-3：选取最大的25个特征值并进行从大到小进行排序，再将所述25个特征值所对应的特征向量作为列向量组成特征向量...

【专利技术属性】
技术研发人员：狄明珠，韩晶，方亚隽，
申请(专利权)人：江苏大为科技股份有限公司，
类型：发明
国别省市：江苏;32