一种基于卷积神经网络的车辆分类方法技术

本发明专利技术公开了一种基于卷积神经网络的车辆分类方法，具体按照以下步骤实施：步骤1：获取学习样本，并给样本打上类别标签；步骤2：将获取到的学习样本作为训练数据，训练卷积神经网络模型，得到优秀的网络模型参数；步骤3：使用已经训练好的卷积神经网络模型，提取训练数据的特征，用liblinear分类器构建的支持向量机分类模型进行十折交叉训练，得到支持向量机分类模型；步骤4：使用卷积神经网络模型提取待分类的车辆模型的特征，然后使用支持向量机分类模型，得到待分类的车辆图像所属的车辆类别。本发明专利技术利用卷积神经网络的全连接层输出作为车辆图像的特征表示，然后利用SVM分类器对其进行分类，从而得到较好的车辆分类准确率。

A method of vehicle classification based on convolution neural network

The invention discloses a vehicle classification method based on convolutional neural network, the specific implementation in accordance with the following steps: Step 1: learn to play on the sample, and the sample label; step 2: access to the learning samples as the training data, training convolutional neural network model, network model parameters are obtained excellent step; 3: the use of convolution has trained neural network model, feature extraction of the training data, support vector machine classification model constructed by liblinear classifier for ten fold cross training, support vector machine classification model; step 4: the use of convolutional neural network feature extraction model for vehicle classification model, and then use the support vector machine classification get to the vehicle model, vehicle class image classification is. The invention uses the whole connection layer output of the convolutional neural network as the feature representation of the vehicle image, and then uses the SVM classifier to classify them, so as to get a better classification accuracy rate.

【技术实现步骤摘要】

本专利技术属于机器学习与计算机视觉
，具体涉及一种基于卷积神经网络的车辆分类方法。
技术介绍
随着社会生活水平不断提高，汽车作为一种交通工具，数量呈现高速增长的趋势。但同时也带来了诸如交通事故、拥堵等一系列的交通问题，给交通监管带来了巨大的挑战。车辆识别是智能交通系统的重要组成部分。随着模式识别、图像处理以及计算机视觉技术的发展，基于图像处理的车辆识别技术得到了越来越多的关注。尤其在公路安全管理中，车辆类型的识别在交通流量管理、高速公路收费及检测货车违法占道等方面起到重要的作用。分类识别的速度和准确度是车辆识别两个最重要的指标，针对基于图像处理的车辆识别系统，提取车辆特征是影响这两个指标最重要的因素，是整个识别过程的关键。车辆特征的提取受到诸多因素的影响：车辆种类多但是没有明显的区别特征、天气的影响、光照的影响等，这给车辆类型的识别带来了极大的挑战。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络的车辆分类方法，解决了现有车辆类型识别的准确率低的问题。本专利技术所采用的技术方案是，一种基于卷积神经网络的车辆分类方法，具体按照以下步骤实施：步骤1：获取学习样本，并给样本打上类别标签；步骤2：将步骤1获取到的学习样本作为训练数据，训练卷积神经网络模型，得到优秀的网络模型参数；步骤3：使用步骤2中已经训练好的卷积神经网络模型，提取训练数据的特征，用liblinear分类器构建的支持向量机分类模型进行十折交叉训练，得到支持向量机分类模型；步骤4：使用步骤2中卷积神经网络模型提取待分类的车辆模型的特征，然后使用步骤3得到的支持向量机分类模型，得到待分类的车辆图像所属的车辆类别。本专利技术的特点还在于：步骤1中学习样本的获取包括采集道路上出租车、公交汽车、面包车、小汽车及非机动车的图片。步骤2中卷积神经网络模型的构建具体为：a：确定卷积神经网络的层数：卷积神经网络共8层，前5层为用来进行卷积和下采样的卷积层，后3层为全连接层，最后的一个全连接层的output是具有5个输出的SVM分类器；b：确定第一层神经网络结构：每个图片输入至神经网络结构中，均被缩放成227*227大小的图片，并分红、绿、蓝三个颜色维度输入；在第一层设置96个卷积滤波器，每个滤波器的大小为11*11，卷积步长为4，经过计算得出第1层输出的特征图大小为55*55，特征图的个数为96个；为了提高训练速度，在卷积层后面设置一个下采样层，在下采样过程中选用ReLu激活函数：f(t)＝max(0,t) (1)其中t为输入的特征；经过第一层的特征提取，得出的特征图大小为27*27；c：第二层卷积滤波器的个数设置为256个，特征图输入大小为b求出的27*27；第二层经过卷积和下采样训练后输出特征图大小为13*13；此后，将每一层的输出作为下一层的输入，其中，第三层、第四层和第五层的卷积滤波器个数分别设置为384个、384个和256个，经过5层训练后最终得出的特征图大小为6*6；d：获得特征向量：根据c输出的结果，计算前两个全连接层输出的结点个数为6*6*256＝4096个；将c得到的大小为6*6特征图排列为一条列向量，得到最终的特征向量；e：输出结果：将d得到的特征向量送往最后一层的SVM进行分类。步骤3中用liblinear分类器构建支持向量机分类模型具体为：①：确定分类方式：采用1-V-1方式即就是将许多个2分类器组合到一起成为多分类器；②：SVM中使用核函数RBF；③：对liblinear-2.1分类器的参数c和γ做优选采用grid.py文件夹对参数惩罚因子c和核参数γ自动做优选，终端显示的最后一行输出(c，γ，交叉验证精度)，为最优的结果。本专利技术的有益效果是：与传统方法中依赖先验知识提取特征的算法不同，本专利技术的卷积神经网络可在训练数据驱动下自适应地构建特征描述，具有更高的灵活性和普适性。本专利技术的卷积神经网络可将原始图像直接作为输入，避免了传统识别算法中额外的数据预处理过程。通过本专利技术的卷积神经网络提取特征可以解决过拟合，利用GPU加速计算可提高训练时间。而且通过深层的网络提取的特征能够避免受光照，颜色等的影响，且能够提取更加丰富，更加抽象的图像特征。本专利技术使用卷积神经网络和支持向量机结合，既可以提取丰富的特征，又能根据自己数据集的特点选取合适的分类器从而提高整个分类模型的准确性。本专利技术利用卷积神经网络的全连接层输出作为车辆图像的特征表示，然后利用SVM分类器对其进行分类，从而得到较好的车辆分类准确率。附图说明图1是本专利技术一种基于卷积神经网络的车辆分类方法中卷积神经网络的结构示意图；图2是本专利技术一种基于卷积神经网络的车辆分类方法中1-V-1方式的思路图；图3是本专利技术一种基于卷积神经网络的车辆分类方法的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于卷积神经网络的车辆分类方法，在电脑Ubuntu系统下比在windows系统下速度快，因此本专利技术以在Ubuntu系统下为例进行说明。准备工作：在电脑Ubuntu系统下搭建caffe深度学习框架平台。构建卷积神经网络模型，如图1所示：a：确定卷积神经网络的层数：卷积神经网络共8层，前5层为用来进行卷积和下采样的卷积层(convolutional)，后3层为全连接层(full-connected)，最后的一个全连接层的输出output是具有5个输出的SVM(Support Vector Machine，支持向量机)分类器；b：确定第一层神经网络结构：每个图片输入至神经网络结构中，均被缩放成227*227大小的图片，并分红、绿、蓝三个颜色维度输入；在第一层设置96个卷积滤波器，每个滤波器的大小为11*11，卷积步长为4，经过计算得出第1层输出的特征图大小为55*55，特征图的个数为96个；为了提高训练速度，在卷积层后面设置一个下采样层，在下采样过程中选用ReLu激活函数：f(t)＝max(0,t) (1)其中t为输入的特征；经过第一层的特征提取，得出的特征图大小为27*27；c：第二层卷积滤波器的个数设置为256个，特征图输入大小为b求出的27*27；第二层经过卷积和下采样训练后输出特征图大小为13*13；此后，将每一层的输出作为下一层的输入，其中，第三层、第四层和第五层的卷积滤波器个数分别设置为384个、384个和256个，经过5层训练后最终得出的特征图大小为6*6；d：获得特征向量：根据c输出的结果，计算前两个全连接层输出的结点个数为6*6*256＝4096个；将c得到的大小为6*6特征图排列为一条列向量，得到最终的特征向量；e：输出结果：将d得到的特征向量送往最后一层的SVM进行分类。构建支持向量机分类模型选用开源的liblinear-2.1分类器，设置参数c为100(经过多次试验，当c为100时的准确率最高)①：确定分类方式：如图2所示，采用1-V-1方式即就是将许多个2分类器组合到一起成为多分类器；②：SVM中使用核函数RBF(Radial Basis Function，径向基函数)；③：对liblinear-2.1分类器的参数c和γ做优选采用grid.py文件夹对参数惩罚因子c和核参数γ自动做优选，终端显示的最后一行输出(c，γ，交叉验证精度)，为本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的车辆分类方法，其特征在于，具体按照以下步骤实施：步骤1：获取学习样本，并给样本打上类别标签；步骤2：将步骤1获取到的学习样本作为训练数据，训练卷积神经网络模型，得到优秀的网络模型参数；步骤3：使用步骤2中已经训练好的卷积神经网络模型，提取训练数据的特征，用liblinear分类器构建的支持向量机分类模型进行十折交叉训练，得到支持向量机分类模型；步骤4：使用步骤2中卷积神经网络模型提取待分类的车辆模型的特征，然后使用步骤3得到的支持向量机分类模型，得到待分类的车辆图像所属的车辆类别。

【技术特征摘要】
1.一种基于卷积神经网络的车辆分类方法，其特征在于，具体按照以下步骤实施：步骤1：获取学习样本，并给样本打上类别标签；步骤2：将步骤1获取到的学习样本作为训练数据，训练卷积神经网络模型，得到优秀的网络模型参数；步骤3：使用步骤2中已经训练好的卷积神经网络模型，提取训练数据的特征，用liblinear分类器构建的支持向量机分类模型进行十折交叉训练，得到支持向量机分类模型；步骤4：使用步骤2中卷积神经网络模型提取待分类的车辆模型的特征，然后使用步骤3得到的支持向量机分类模型，得到待分类的车辆图像所属的车辆类别。2.根据权利要求1所述的一种基于卷积神经网络的车辆分类方法，其特征在于，所述步骤1中学习样本的获取包括采集道路上出租车、公交汽车、面包车、小汽车及非机动车的图片。3.根据权利要求1所述的一种基于卷积神经网络的车辆分类方法，其特征在于，所述步骤2中卷积神经网络模型的构建具体为：a：确定卷积神经网络的层数：卷积神经网络共8层，前5层为用来进行卷积和下采样的卷积层，后3层为全连接层，最后的一个全连接层的output是具有5个输出的SVM分类器；b：确定第一层神经网络结构：每个图片输入至神经网络结构中，均被缩放成227*227大小的图片，并分红、绿、蓝三个颜色维度输入；在第一层设置96个卷积滤波器，每个滤波器的大小为11*11，卷积步长为4，经过计算得出第1层输出的特征图大小...

【专利技术属性】
技术研发人员：张二虎，李敬，段刚龙，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61