一种基于小波熵与人工神经网络的福特汽车检测方法技术

本发明专利技术公开了一种基于小波熵与人工神经网络的福特汽车检测方法，该方法包括：获取各个品牌的汽车样本图像，对汽车样本图像进行图像处理，得到汽车车身图像；对每个汽车车身图像，进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征；将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练，得到训练好的BP神经网络；获取新的汽车样本图像，并进行图像处理，利用训练好的BP神经网络对新的汽车样本图像进行分类，得到分类结果。本发明专利技术的应用范围较广泛，可以应用于各个汽车公司对其品牌汽车的检测，相当于对售后汽车的使用情况进行“跟踪”，有利于各汽车公司改进产品性能。

A Ford vehicle detection method based on wavelet entropy and artificial neural network

The invention discloses a Ford car detection method of wavelet entropy and based on artificial neural network, the method includes: Auto sample image acquiring the various brands of cars, sample images for image processing, get the car body image; for each car body image, gray-scale transformation and extraction of the seven characteristics of automobile body images. After using two levels of gray transform wavelet transform method; all the feature set of the BP neural network for training together and using the K fold cross validation method, BP neural network trained to obtain new car; sample image, and image processing, the classification of automobile new sample image by the trained BP neural network the classification results obtained. The application of the invention can be applied widely, various car companies to test the car brand, a \tracking\ in the use of customer service of automobile, automobile companies to improve product performance.

【技术实现步骤摘要】
一种基于小波熵与人工神经网络的福特汽车检测方法
本专利技术涉及一种基于小波熵与人工神经网络的福特汽车检测方法，属于特定品牌汽车识别

技术介绍
随着经济的快速发展和人们生活水平的显著提高，汽车的普及度在不断提高，各个汽车公司对其品牌下汽车的售后使用情况非常关注。在汽车售出后，公司需要对汽车的使用情况进行了解，因此研究人员必须采取相应的技术方法对各个品牌的汽车进行自动识别和分类。众所周知，汽车使用的范围基本都在道路交通中，包括高速公路、车辆收费站和停车场。同时由于道路交通日趋复杂和汽车数量的增加，汽车在行驶途中总会出现一些无法预知的意外。各个品牌的汽车在同样的路况下所经受的伤害程度不同，各公司可通过监测汽车售后的使用情况，对自身品牌下的汽车进行性能分析和质量改进。虽然可以通过汽车品牌标志来识别汽车所属类别，但这种方法在很多时候都不适用。例如，在时速较高的高速公路和光线昏暗的地下停车场的情况下，汽车的品牌标志不太明显，这很难辨识出来，因此，需要一种针对汽车车身整体进行特征提取和分类的方法，这种方法无需通过汽车品牌标志，也能够更快速准确地找到所需品牌的汽车。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于小波熵与人工神经网络的福特汽车检测方法，该方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车，能够辅助福特汽车公司的售后服务。本专利技术为解决上述技术问题采用以下技术方案：一种基于小波熵与人工神经网络的福特汽车检测方法，包括如下步骤：步骤1，获取各个品牌的汽车样本图像，对汽车样本图像进行图像处理，得到汽车车身图像；步骤2，对每个汽车车身图像，进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征；步骤3，将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练，得到训练好的BP神经网络；步骤4，获取新的汽车样本图像，并进行图像处理，利用训练好的BP神经网络对新的汽车样本图像进行分类，得到分类结果。作为本专利技术的一种优选方案，步骤1所述图像处理的具体方法是：利用通道方式去除汽车样本图像上的背景干扰，保留汽车车身图像。作为本专利技术的一种优选方案，步骤2所述二级小波变换方法的具体过程为：a.对经灰度变换后的汽车车身图像进行二维小波分解；b.提取第一级小波变换系数，获得图像在水平、垂直和对角线的细节系数，即小波信号的高频部分，同时通过二维小波分析函数获得小波信号的低频部分；c.提取第二级小波变换系数；d.获得经过小波变换后的汽车车身的七个特征。作为本专利技术的一种优选方案，步骤3所述利用K折交叉验证方法对BP神经网络进行训练的具体方法是：将所有特征随机分为三个包，每次将其中一个包作为测试集，剩下的两个包作为训练集对BP神经网络进行训练，得到训练好的BP神经网络。作为本专利技术的一种优选方案，步骤4所述利用训练好的BP神经网络对新的汽车样本图像进行分类的具体方法是：利用训练好的BP神经网络对新的汽车样本图像进行分类，若为福特汽车则标记为1，否则标记为0，并输出分类结果。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车，能够辅助福特汽车公司的售后服务。2、本专利技术方法采用了小波熵对简单处理过的汽车图像进行特征提取，提取出有助于汽车识别的显著特征。3、本专利技术方法的应用范围较广泛，可以应用于各个汽车公司对其品牌汽车的检测，相当于对售后汽车的使用情况进行“跟踪”，有利于各汽车公司改进产品性能。附图说明图1是本专利技术基于小波熵与人工神经网络的福特汽车检测方法的识别流程图。图2是本专利技术实施例中未经处理的汽车样本数据图。图3是本专利技术方法中小波变换的实现流程图。图4是本专利技术实施例中小波变换提取的汽车车身七个特征图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。由于福特汽车作为性价比较高的代步工具，福特品牌旗下的汽车使用量增长最为迅速，因此，本专利技术就以福特旗下的部分车型为样本来进行实验。如图1所示，为本专利技术基于小波熵与人工神经网络的福特汽车检测方法的识别流程图，具体步骤如下：1.一种基于小波熵与人工神经网络的福特汽车检测方法包括：a.汽车特征提取，通过二级小波变换方法提取出汽车二维图像中的七个特征；b.福特汽车检测，通过BP神经网络对所有输入图像进行分类，将所有样本图像快速准确地分出福特汽车；c.检测方法的性能必须达到一定要求。2.图片样本的获取和处理拍摄照片以获取各种品牌的汽车图片，先通过简单的图像处理技术对图片进行简单的处理，利用通道等方式去除部分背景干扰，这是由于考虑到拍摄的图片中存在许多干扰因素，为了便于之后的特征提取和汽车识别步骤，在这个过程中，做到最大化去除外因影响，从而提取出本次汽车品牌识别实验中最需要和最感兴趣的部分——汽车车身，这是因为本专利技术是以汽车车身为主要研究对象。简单处理过后的图片中，由于汽车图片为三维彩色图片，这加大了特征提取和图片分类的难度，在此之前，对这类图片整体进行了变换，将原彩色图像转化为灰度图像，这样便减少了待处理图像的原始数据量，加快了后续对图像做进一步处理的速度。3.小波变换提取每个汽车样本的车身特征小波变换为一种信号分解的思想，它将信号分解为一个个频带信号的叠加。a.逐个对样本图片进行二维小波分解；b.提取小波变换系数。第一，提取第一级小波变换系数，获得样本图片在水平、垂直和对角线的细节系数，该系数代表信号的高频部分，即为一个个小波分量的叠加，同时通过二维小波分析函数获得代表信号低频部分的近似系数。第二，提取第二级小波变换系数；小波分解的最低频分量代表了图像的大部分信息，一级分解中，LL1是汽车样本图像的最佳逼近，而其他三个分量LH1、HL1、HH1分别代表了水平、垂直和对角线方向的细节信息；二级分解中，继续对LL1分解，这时LL2是汽车样本图像的最佳逼近，其他三个分量LH2、HL2、HH2是第二级中的细节信息，相对于一级分解中三个分量来说尺度变大，小波分解系数也变大，在整幅样本图像中更加重要。c.获得经过小波变换后的汽车车身的七个特征，该特征用来描述输入图像的纹理；d.所有经过处理后的样本图片作为样本数据进行实验。对输入图像进行两级小波变换系数的提取，这样的方式提取出来的特征数目最利于之后对图像做进一步的识别和分类，若提取过多的特征，处理速度会大打折扣，但准确率不一定会提高。汽车图像经过两次小波变换之后，概貌信息大多集中在低频部分，而其余部分只有微弱的细节信息，只经过两次小波变换可以省略图像部分细节信息，保留相关的主要信息，这种方式既能够保证提取出足够的汽车特征用于汽车样本的识别分类又能够减少多余的工作量。4.K折交叉验证分组样本数据集训练识别福特汽车的BP神经网络之前需将所输入的样本数据集分组为测试集和训练集，使用K折交叉验证方法的优势在于同时重复运用随机产生的子样本进行训练和验证，每次的结果都验证一次。在本次专利技术中，由于汽车图像的样本量不充足，为了充分利用汽车样本数据集对分类识别算法进行有效的测试，采用了K折交叉验证方法，在此方法的过程中将汽车样本数据集随机分为3个包，本文档来自技高网...

【技术保护点】
一种基于小波熵与人工神经网络的福特汽车检测方法，其特征在于，包括如下步骤：步骤1，获取各个品牌的汽车样本图像，对汽车样本图像进行图像处理，得到汽车车身图像；步骤2，对每个汽车车身图像，进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征；步骤3，将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练，得到训练好的BP神经网络；步骤4，获取新的汽车样本图像，并进行图像处理，利用训练好的BP神经网络对新的汽车样本图像进行分类，得到分类结果。

【技术特征摘要】
1.一种基于小波熵与人工神经网络的福特汽车检测方法，其特征在于，包括如下步骤：步骤1，获取各个品牌的汽车样本图像，对汽车样本图像进行图像处理，得到汽车车身图像；步骤2，对每个汽车车身图像，进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征；步骤3，将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练，得到训练好的BP神经网络；步骤4，获取新的汽车样本图像，并进行图像处理，利用训练好的BP神经网络对新的汽车样本图像进行分类，得到分类结果。2.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法，其特征在于，步骤1所述图像处理的具体方法是：利用通道方式去除汽车样本图像上的背景干扰，保留汽车车身图像。3.根据权利要求1所述基于小波熵与人工神经网络的福特汽车检测方法，其特征在于，步骤2所述二级小波变换方法的具体过程为：a.对经灰度...

【专利技术属性】
技术研发人员：刘方园，张煜东，王水花，贾文娟，杨蒙蒙，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏,32