一种基于改进型卷积神经网络的车型识别方法技术

本发明专利技术公开一种基于改进型卷积神经网络的车型识别方法，包括以下步骤：首先，使用图像采集设备，拍摄近大门处的实时图像，并将图像传入激活算法，检测当前是否存在大型运动物体。若激活算法确定当前有大型运动物体，则将图像传入车辆粗分类算法，进行二次确认，用于确认运动物体是否为车辆。若算法确认当前检测目标为车辆，则将图像传入改进型激活函数的卷积神经网络，通过网络提取车辆特征。最后将卷积神经网络提取出的特征以及手工提取的图像特征进行结合，通过PCA降维后传入细分类算法，对当前车辆的车型进行细分。本发明专利技术的优点在于通过激活‑粗分类‑细分类，并且使用了改进型激活函数的卷积神经网络以及PCA降维，解决传统车型识别算法耗时多、资源利用率高的缺点，并且速度和精度都能够达到实时要求。

A model recognition method based on improved convolution neural network

The invention discloses a vehicle recognition method based on the improved convolution neural network, which comprises the following steps: first, the real-time image of the near gate is captured by the image acquisition device, and the image is inserted into the activation algorithm to detect whether there is a large moving object at present. If the activation algorithm determines that there are large moving objects at present, the image is introduced into the rough classification algorithm of vehicle, and the two confirmation is carried out to confirm whether the moving object is a vehicle. If the algorithm confirms that the current detection target is a vehicle, the image is introduced into the convolution neural network of the improved activation function, and the vehicle features are extracted through the network. Finally, we combine the extracted features from the convolutional neural network and the manually extracted image features. After PCA dimension reduction, we import the fine classification algorithm to segment the current vehicle models. The invention has the advantages of through activation of rough classification fine classification, and the use of the improved activation function of convolutional neural network and PCA dimensionality reduction, solve the traditional model identification algorithm are time-consuming, high resource utilization and disadvantages, speed and accuracy can meet the real-time requirements.

【技术实现步骤摘要】
一种基于改进型卷积神经网络的车型识别方法
本专利技术属于计算机视觉与模式识别领域，特别涉及一种改进型神经网络的车型识别的方法。
技术介绍
车型识别技术的主要目的是对特定地段的车辆进行准确的检测和正确的识别。当前对于车辆检测方面的技术主要分为两大类：车辆自动识别和车辆自动分类。分着利用的是一些硬件设备，如车载设备和地面的基站设备进行互相识别，如我们的车辆收费系统。而后者是通过检测车辆的一些参数，运用适当的算法来完成车型的识别。这类技术主要可以通过射频微波、红光、激光等方式来识别车辆信息，也可以通过视频图像的方式来识别车辆信息。本专利技术采用的就是通过视频图像来获取车型信息。近年来，随着视频图像处理技术以及人工智能的迅速发展，基于视频图像处理的车型识别越来越成为主流的研究方向。这种方法能够动态地适应交通情况的变化，为解决道路交通拥堵提供了很好的解决思路。基于视频的车型识别是通过安装在特定区域的摄像头和图像采集卡来获取视频图像，并通过相关算法对图像进行分析检测，得到车型信息。这种方法绿色环保，而且装置简便，维护方便。并且采取非接触式检测，不影响交通。对于某些应用，还可以进行离线分析。综上所本文档来自技高网...

【技术保护点】
一种基于改进型卷积神经网络的车型识别方法，其特征在于：1)通过激活算法初步检测大型运动物体；2)通过粗分类算法，对当前运动目标进行车辆检测；3)通过改进型激活函数的卷积神经网络，提取车辆特征。4)通过细分类算法，对当前车辆进行车型分类。

【技术特征摘要】
1.一种基于改进型卷积神经网络的车型识别方法，其特征在于：1)通过激活算法初步检测大型运动物体；2)通过粗分类算法，对当前运动目标进行车辆检测；3)通过改进型激活函数的卷积神经网络，提取车辆特征。4)通过细分类算法，对当前车辆进行车型分类。2.根据权利要求1所述的车型识别算法，其特征在于，所述的步骤1)为：通过一帧无车辆经过的图像作为初始化图像，提取其中若干像素组成一个背景像素集B(xi)＝{B1(xi)，...，Bk(xi)，...，BN(xi)}。之后每一帧图像的像素值I(xi)都与{B1(x)}中的元素值进行比较，如下式：其中Bk(xi)是背景像素集中的任意一个值，R(xi)为设定的阈值。即新的像素值I(xi)与背景像素集中任意一个元素值的距离小于阈值R(xi)的个数小于规定的数量#min时，则判断当前像素值为前景运动像素。当前景像素的数量在一幅图像中的比例大于阈值Tfore时，则判断当前有大型运动物体进入。3.根据权利要求1所述的实时工地车型识别算法，其特征在于，所述的步骤2)为：由前一步检测出的运动物体，存在可能性最多的就是行人和车辆。与行人相比，车辆的特点在于其外观比较规则，多为近似方形或梯形，因此对车辆进行边缘提取，会存在非常多的平行线特征。粗分类算法就是通过对于平行线的检测来对车辆和行人进行快速的分类，达到对车辆检测的目的。1)对原始图片进行边缘检测；2)对处理后的图像进行直线检测；3)对所有直线计算斜率，找出所有的平行线{N}，并统计平行线组数S；4)设置阈值T与S进行...

【专利技术属性】
技术研发人员：陶建华，郭华，唐志鸿，张净，于慧敏，陶志军，
申请(专利权)人：江苏移动信息系统集成有限公司，
类型：发明
国别省市：江苏,32