一种多特征融合的车辆识别方法技术

本发明专利技术公开了一种多特征融合的车辆识别方法，基于训练图像训练传统卷积神经网络，基于测试图像和传统卷积神经网络得到最优卷积神经网络；根据最优卷积神经网络提取样本图像的CNN特征，并融合样本图像的CNN、HOG和PCA特征，以训练车辆识别SVM模型；根据最优卷积神经网络提取待测图像的CNN特征，车辆识别SVM模型根据待测图像的CNN、HOG和PCA特征，判断待测图像是否含有车辆。在传统卷积神经网络的基础上进行改进，且融合的3个特征都具有一定的车辆和非车辆区分性，并使用训练得到的SVM进行分类识别，可以在一个特征无法准确分辨待测图像的目标时，从另外一个角度来衡量此目标，从而更有效地提高车辆的识别效果。

A Vehicle Recognition Method Based on Multi-feature Fusion

The invention discloses a multi-feature fusion method for vehicle recognition, which trains traditional convolution neural network based on training image, obtains optimal convolution neural network based on test image and traditional convolution neural network, extracts CNN features of sample image according to optimal convolution neural network, and fuses CNN, HOG and PCA features of sample image to train vehicle recognition SVM model according to optimization. The convolution neural network extracts the CNN features of the image to be measured, and the SVM model of vehicle recognition judges whether the image to be measured contains vehicles according to the CNN, HOG and PCA features of the image to be measured. Based on the traditional convolution neural network, the three fused features have certain distinguishability between vehicles and non-vehicles, and use the trained SVM to classify and recognize, which can measure the target from another angle when one feature can not accurately distinguish the target of the image to be measured, so as to improve the recognition effect of vehicles more effectively.

【技术实现步骤摘要】
一种多特征融合的车辆识别方法
本专利技术涉及图像或视频帧车辆识别
，更具体地，涉及一种多特征融合在车辆识别中的应用。
技术介绍
随着经济的发展，汽车代表了一种移动性和便利性的革命，为我们提供了从一个地方到另一个地方的灵活性。如今，汽车作为现代生活中的交通工具是必不可少的。视觉物体识别的车辆安全驾驶辅助系统对于汽车在运行过程中易发生碰撞起着重要作用。车辆识别是其中的一个代表性技术。现有的方法通常基于模板匹配和模式分类。模板匹配使用一组标准车辆图像，并测量测试图像和选定模板之间的相似性。但是，由于车辆外观可能存在很大的变化，很难找到一组可以有效表示所有车辆的通用模板。模式分类使用大量的车辆图像来训练分类器，该分类器学习车辆与非车辆之间的差异。然后分类器从训练图像中学习车辆外观的特征。训练通常基于监督学习方法，其中使用大量标记的车辆和非车辆图像。为了便于分类，训练图像首先被预处理以提取一些代表性特征。为了实现良好的分类结果，选择特征是至关重要的。但是，单一的某一种特征，很难将图像所有特征表现出来导致无法正确识别到车辆，并且在背景复杂的非车辆区域也会具有车辆相同的特征导致错误识别为车辆本文档来自技高网...

【技术保护点】
1.一种多特征融合的车辆识别方法，其特征在于，包括以下步骤：S10：获取样本图像并进行预处理，样本图像包括训练图像和测试图像，且训练图像和测试图像均已知是车辆正样本或非车辆负样本；S20：以训练图像作为输入、训练图像是否含有车辆作为输出，对传统卷积神经网络进行训练；基于测试图像调整传统卷积神经网络的参数，得到最优卷积神经网络；S30：将预处理后的样本图像输入到最优卷积神经网络，提取样本图像的CNN特征；S40：获取样本图像的HOG特征和PCA特征，并将样本图像的CNN特征、HOG特征和PCA特征进行融合，得到样本图像的融合特征向量；S50：以预处理后的样本图像的融合特征向量作为输入、样本图像是...

【技术特征摘要】
1.一种多特征融合的车辆识别方法，其特征在于，包括以下步骤：S10：获取样本图像并进行预处理，样本图像包括训练图像和测试图像，且训练图像和测试图像均已知是车辆正样本或非车辆负样本；S20：以训练图像作为输入、训练图像是否含有车辆作为输出，对传统卷积神经网络进行训练；基于测试图像调整传统卷积神经网络的参数，得到最优卷积神经网络；S30：将预处理后的样本图像输入到最优卷积神经网络，提取样本图像的CNN特征；S40：获取样本图像的HOG特征和PCA特征，并将样本图像的CNN特征、HOG特征和PCA特征进行融合，得到样本图像的融合特征向量；S50：以预处理后的样本图像的融合特征向量作为输入、样本图像是否含有车辆作为输出，对SVM分类器进行训练，得到车辆识别SVM模型；S60：将待测图像进行预处理并输入到最优卷积神经网络，提取待测图像的CNN特征；S70：获取待测图像的HOG特征和PCA特征，并将待测图像的CNN特征、HOG特征和PCA特征进行融合，得到待测图像的融合特征向量；S80：车辆识别SVM模型根据待测图像的融合特征向量进行识别，判断待测图像是否含有车辆。2.根据权利要求1所述的方法，其特征在于，步骤S20中调整传统卷积神经网络的参数包括卷积核大小、网络层数、特征图数，所述卷积核大小的取值范围为{5，7，9，11，13}，所述网络层数的取值范围为{3，4，5，6}，所述特征图数的取值范围为{3，6，9，12，15，18}。3.根据权利要求2所述的方法，其特征在于，在卷积核大小、网络层数、特征图的取值范围内取值，组合形成若干种不同参数设置的卷积神经网络，将测试图像输入到当前参数设置时的卷积神经网络，根据输出的CNN特征是否准确识别出车辆以计算当前参数设置时的卷积神经网络的正确率，选取正确率最高所对应的卷积核大小、网络层数和隐含层输出特征图数，作为最优卷积神经网络的参数。4.根据权利要求1所述的方法，其特征在于，步骤S30中最优卷积神经网络根据样本图像提取样本图像的CNN特征，与步骤S60中最优卷积神经网络根据待测图像提取待测图像的CNN特征的方法为：卷...

【专利技术属性】
技术研发人员：张少波，彭清，宁红辉，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：湖南,43