【技术实现步骤摘要】
本专利技术属于图像处理、模式分类和数据挖掘
，特别涉及一种基于主成分分析网框架的车型识别方法。专利技术背景基于视觉语义的图像分类一直以来都是一个充满挑战的研究领域，不仅仅待识别的图像种类繁多，在每一类图像的内部也存在诸多变数，包括光照变化、不匹配不对齐、形变因素、遮挡因素等等。针对这些变数，学者们做了各种各样的努力，提出各种各样的特征来应对这些变化。比较典型的例子有文本分类、车型分类中用到的LBP特征、目标识别中用到的SIFT和HOG特征。虽然这些手选的底层特征能够很好的应对特定情况下的数据处理任务，但是这些特征的泛化能力有限，对待新问题往往需要构建新的特征。从数据中学习得到感兴趣的特征被认为是克服手选特征局限性的一个好的方法，最典型的一个例子就是通过深度神经网路来进行特征学习。深度学习的基本思想是通过构建多层网络，对目标进行多层表示，以期通过多层的高层次特征来表示数据的抽象语义信息，获得更好的特征鲁棒性。目前深度学习中一个关键的、相对成功的框架是卷积网络框架。一个深度卷积网络结构包含多层训练结构以及有监督的分类器，每一层都包含三个子层，分别为卷积层、非线性处理层以及下采样层。对于这种卷积网络结构一般都通过梯度下降法对其进行训练。然而要想学习得到一个优质的卷及网络分类结构，需要有各种各样的调参经验和技巧。目前，针对不同的视觉识别任务，人们提出了许多各种各样的卷积神经网络结构，并取得了显著
【技术保护点】
一种基于主成分分析网框架的车型识别方法，包括以下步骤：步骤1：对训练车型图像库的车型图像，进行滑动窗口选取特征和去平均操作，得到图像的初步特征；步骤2：所有图像的初步特征块构成矩阵X，对X做PCA，取前L1个特征向量，将其每列重排，得到L1个新窗口；步骤3：对每个车型图像，用L1个新窗口做卷积，都得到L1个卷积图像；步骤4：对当前图像的每个卷积图像再次执行步骤1‑步骤3的操作，得到L1组卷积图像的集合，L1中每组有L2个卷积图像；步骤5：对L1组卷积图像的集合中每组卷积图像进行二值化和权值相加处理，得到新的L1张图像；步骤6：将新的L1张图像进行分块直方图操作，联合后得到当前图像的主成分分析网框架特征表示；步骤7：将得到的所有图像的主成分分析网框架特征表示进行SVM训练，得到车型识别系统；步骤8：对测试车型图像，提取其主成分分析网框架特征，导入系统进行测试，识别出车型。
【技术特征摘要】
1.一种基于主成分分析网框架的车型识别方法，包括以下步骤：
步骤1：对训练车型图像库的车型图像，进行滑动窗口选取特征和去平均操
作，得到图像的初步特征；
步骤2：所有图像的初步特征块构成矩阵X，对X做PCA，取前L1个特征向
量，将其每列重排，得到L1个新窗口；
步骤3：对每个车型图像，用L1个新窗口做卷积，都得到L1个卷积图像；
步骤4：对当前图像的每个卷积图像再次执行步骤1-步骤3的操作，得到
L1组卷积图像的集合，L1中每组有L2个卷积图像；
步骤5：对L1组卷积图像的集合中每组卷积图像进行二值化和权值相加处
理，得到新的L1张图像；
步骤6：将新的L1张图像进行分块直方图操作，联合后得到当前图像的主
成分分析网框架特征表示；
步骤7：将得到的所有图像的主成分分析网框架特征表示进行SVM训练，得
到车型识别系统；
步骤8：对测试车型图像，提取其主成分分析网框架特征，导入系统进行测
试，识别出车型。
2.根据权利要求1所述基于主成分分析网框架的车型识别方法，其特征在
于，所述步骤1中对车型图像，进行滑动窗口选取特征和去平均操作，得到图像
的初步特征，包括以下几个步骤：
步骤1.1：选取大小为k1×k2的窗口，滑动提取大小为m×n的训练图像的局
部特征，得到一个k1×k2行，m×n列的矩阵，每一列代表一个局部特征块；
步骤1.2：对步骤1.1中得到的矩阵进行按列去平均，得到当前车辆图像的
特征表示。
3.根据权利要求1所述基于主成分分析网框架的车型识别方法，其特征在
于，所述步骤2中所有图像的初步特征块构成矩阵X，对X做PCA，取前L1个特
征向量，将其每列重排，得到L1个新窗口，包括以下几个步骤：
步骤2.1：对所有N张训练图片进行步骤1的操作，将得到的特征并排在一
起，得到一个新的数据矩阵X；
步骤2.2：对得到的矩阵X做PCA降维处理，取前L1个特征向量，作为滤
\t波器；
步骤2.3：把这L1个特征向量的每一列重排列为一个新的特征块，得到L1
个k1×k2的窗口。
4.根据权利要求3所述基于主成...
【专利技术属性】
技术研发人员：李鸿升，胡欢，曹滨，范峻铭，周辉，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
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。