一种基于多特征融合神经网络的车型识别方法及处理终端技术

本发明专利技术涉及一种基于多特征融合神经网络的车型识别方法及处理终端，所述方法包括如下步骤：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进行分类，得到车型的分类结果和对应车型的概率。本发明专利技术能有效地解决相似车型识别的问题，提高车型识别的准确率。

【技术实现步骤摘要】
一种基于多特征融合神经网络的车型识别方法及处理终端
本专利技术涉及车型识别
，具体是一种基于多特征融合神经网络的车型识别方法及处理终端。
技术介绍
在安防、交通等领域来说，虽然车牌识别技术变得越来越成熟，但由于套牌车、车牌模糊等原因，有时仍无法准确识别到车牌号码，给相关工作带来麻烦，尤其是对公安而言，更是如此，在车牌无法识别的情况下，借助于车型来识别也是目前已知常用的技术手段。车型识别是一个粗粒度和细粒度混合的识别问题，如不同品牌车辆的车型特征差异很大，同品牌同车系的车型特征差异很小，而现有技术中的车型识别技术，由于市面上常见的车型有几千种之多，且样本分布极不平衡，对相似车型识别容易出错，识别率还需要进一步提高。
技术实现思路
针对现有技术的不足，本专利技术的目的之一提供一种基于多特征融合神经网络的车型识别方法，其能够解决车型识别的问题，特别是相似车型的识别问题；本专利技术的目的之二提供一种处理终端，其能够解车型识别的问题，特别是相似车型的识别问题。实现本专利技术的目的之一的技术方案为：一种基于多特征融合神经网络的车型识别方法，包括如下步骤：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进行分类，得到车型的分类结果和对应车型的概率。进一步地，所述神经网络包括子网络1、子网络2、子网络3和融合网络，所述子网络1采用大卷积核，用于提取车型的整体特征，所述子网络2采用小卷积核，用于提取车型的细节特征，所述子网络3用于提取车辆车型图像的局部特征，融合网络通过所述子网络1、子网络2和子网络3融合得到；所述子网络1包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层为依次连接，网络数据层data后接子网络1的第一卷积层；所述子网络2包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层为依次连接，网络数据层data后接子网络2的第一卷积层；所述子网络3包括依次连接的区域特征映射层、第一全连接层和第二全连接层，网络感兴趣区域层rois后接区域特征映射层；所述融合网络包括三个卷积层、两个全连接层和特征连接层，三个卷积层包括依次连接的第一卷积层、第二卷积层和第三卷积层，两个全连接层包括依次连接的第一全连接层和第二全连接层，第三卷积层后接第一全连接层和区域特征映射层，第二全连接层和子网络3的第二全连接层均后接特征连接层；将子网络1的第一卷积层和子网络2的第三卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝256组成的卷积层和ReLU激活函数，得到融合网络的第一卷积层，其中，k表示卷积核尺寸，s表示卷积核滑动步长，p表示扩展尺寸，n表示卷积核个数；将子网络1的第二卷积层、子网络2的第四卷积层和融合网络的第一卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝512组成的卷积层和ReLU激活函数，得到融合网络的第二卷积层；将子网络1的第五卷积层、子网络2的第五卷积层和融合网络的第二卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝512组成的卷积层和ReLU激活函数，得到融合网络的第三卷积层。进一步地，所述子网络1的第一卷积层由k＝11、s＝4、p＝5和n＝128组成，第二卷积层由k＝7、s＝2、p＝3和n＝256组成，第三卷积层由k＝5、s＝2、p＝2和n＝256组成，第四卷积层由k＝3、s＝1、p＝1和n＝512组成，第五卷积层由k＝3、s＝1、p＝1和n＝512组成。进一步地，所述子网络1的第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层后分别连接ReLU激活函数。进一步地，所述子网络2的第一卷积层由k＝3、s＝1、p＝1和n＝64组成，第二卷积层由k＝3、s＝1、p＝1和n＝64组成，第三卷积层由k＝3、s＝1、p＝1和n＝128组成，第四卷积层由k＝3、s＝1、p＝1和n＝256组成，第五卷积层由k＝3、s＝1、p＝1和n＝512组成。进一步地，所述子网络2的第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层后分别连接ReLU激活函数和stride＝2的池化层，其中，stride表示滑动步长。进一步地，所述子网络3的第一全连接层和第二全连接层的长度均为1024。进一步地，所述融合网络的第一全连接层和第二全连接层的长度均为1024，特征连接层的长度为2048。进一步地，所述对神经网络进行训练，包括分别对子网络1进行训练、对子网络2进行训练、对子网络3和融合网络进行训练，从而分别得到子网络1至少包括权重和偏置项的参数、子网络2至少包括权重和偏置项的参数、子网络3至少包括权重和偏置项的参数、融合网络至少包括权重和偏置项的参数，具体过程为：子网络1的训练，将子网络1的第五卷积层依次后接两层长度为1024的全连接层，连接完两层全连接层后，再接softmaxloss损失函数，并采用SGD算法对子网络1进行训练，并对初始学习率设为0.1，按固定迭代次数下调学习率，通过SGD算法对子网络1的训练，获得至少包括权重和偏置项的参数，从而确定了子网络1的参数；采用与对子网络1训练相同方法分别对子网络2、子网络3和融合网络进行训练，得到子网络2、子网络3和融合网络的至少包括权重和偏置项的参数。进一步地，所述训练算法为SGD、BGD、MBGD、AdaDelta、Adam和RMSProp中的任意一种。进一步地，所述分类算法为softmax函数、SVM、随机森林和kNN中的任意一种。进一步地，所述目标检测算法为fasterrcnn或ssd算法。实现本专利技术的目的之二的技术方案为：一种处理终端，其包括，存储器，用于存储程序指令；处理器，用于运行所述程序指令，以执行如下步骤：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进行分类，得到车型的分类结果和对应车型的概率。进一步地，所述神经网络包括子网络1、子网络2、子网络3和融合网络，所述子网络1采用大卷积核，用于提取车型的整体特征，所述子网络2采用小卷积核，用于提取车型的细节特征，所述子网络3用于提取车辆车型图像的局部特征，融合网络通过所述子网络1、子网络2和子网络3融合得到；所述子网络1包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层本文档来自技高网...

【技术保护点】
1.一种基于多特征融合神经网络的车型识别方法，其特征在于：包括如下步骤：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进行分类，得到车型的分类结果和对应车型的概率。

【技术特征摘要】
1.一种基于多特征融合神经网络的车型识别方法，其特征在于：包括如下步骤：步骤1：对预设的神经网络采用训练算法进行训练，获得神经网络的参数，从而确定训练后的神经网络；步骤2：获取包括车辆车型特征的原始图像，对原始图像进行预处理，得到与预设像素尺寸一致的第一图像，并对原始图像采用目标检测算法提取局部特征，得到包括局部特征的第二图像；步骤3：将第一图像作为网络数据层data、第二图像作为网络感兴趣区域层rois输入至所述经过训练后的神经网络进行特征提取，获得融合特征，并利用分类算法对融合特征进行分类，得到车型的分类结果和对应车型的概率。2.根据权利要求1所述的基于多特征融合神经网络的车型识别方法，其特征在于：所述神经网络包括子网络1、子网络2、子网络3和融合网络，所述子网络1采用大卷积核，用于提取车型的整体特征，所述子网络2采用小卷积核，用于提取车型的细节特征，所述子网络3用于提取车辆车型图像的局部特征，融合网络通过所述子网络1、子网络2和子网络3融合得到；所述子网络1包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层为依次连接，网络数据层data后接子网络1的第一卷积层；所述子网络2包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层为依次连接，网络数据层data后接子网络2的第一卷积层；所述子网络3包括依次连接的区域特征映射层、第一全连接层和第二全连接层，网络感兴趣区域层rois后接区域特征映射层；所述融合网络包括三个卷积层、两个全连接层和特征连接层，三个卷积层包括依次连接的第一卷积层、第二卷积层和第三卷积层，两个全连接层包括依次连接的第一全连接层和第二全连接层，第三卷积层后接第一全连接层和区域特征映射层，第二全连接层和子网络3的第二全连接层均后接特征连接层；将子网络1的第一卷积层和子网络2的第三卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝256组成的卷积层和ReLU激活函数，得到融合网络的第一卷积层，其中，k表示卷积核尺寸，s表示卷积核滑动步长，p表示扩展尺寸，n表示卷积核个数；将子网络1的第二卷积层、子网络2的第四卷积层和融合网络的第一卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝512组成的卷积层和ReLU激活函数，得到融合网络的第二卷积层；将子网络1的第五卷积层、子网络2的第五卷积层和融合网络的第二卷积层按位相加，再依次接一个k＝3、s＝2、p＝1和n＝512组成的卷积层和ReLU激活函数，得到融合网络的第三卷积层。3.根据权利要求2所述的基于多特征融合神经网络的车型识别方法，其特征在于：所述子网络1的第一卷积层由k＝11、s＝4、p＝5和n＝128组成，第二卷积层由k＝7、s＝2、p＝3和n＝256组成，第三卷积层由k＝5、s＝2、p＝2和n＝256组成，第四卷积层由k＝3、s＝1、p＝1...

【专利技术属性】
技术研发人员：张少文，吴志伟，丁保剑，
申请(专利权)人：佳都新太科技股份有限公司，
类型：发明
国别省市：广东,44