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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。