基于共生关系的卷积神经网络的车辆部件识别方法和系统技术方案

本发明专利技术公开了一种基于共生关系的卷积神经网络的车辆部件识别方法和系统，属于模式识别技术领域。包括：使用车辆部件对训练数据集训练基于共生关系的卷积神经网络，基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成，Concat层用于对输入的图片对进行通道合并；采用训练好的基于共生关系的卷积神经网络，对待测车辆部件对进行识别，得到待测车辆各部件的识别结果。本发明专利技术通过Concat层按通道合并图片，后续网络进行卷积操作时，可将两个部件对应的不同通道的信息进行融合，同时提取两张图片的特征，使得共生关系可以被更好地学习到。共生关系的引入添加了额外的信息，变相增加了训练的数据量，提高两类部件的识别准确率。

Recognition Method and System of Vehicle Parts Based on Symbiotic Relation Convolutional Neural Network

【技术实现步骤摘要】
基于共生关系的卷积神经网络的车辆部件识别方法和系统
本专利技术属于模式识别
，更具体地，涉及一种基于共生关系的卷积神经网络的车辆部件识别方法和系统。
技术介绍
车辆部件识别是智能交通系统的重要组成部分，需要识别出车灯、后视镜、车标、进气栅和挡风玻璃的子类别，即通过识别车灯、后视镜、车标、挡风玻璃的具体形状，识别出车标的名称。车辆部件识别算法本质上属于分类算法，分为利用传统机器学习的算法和基于卷积神经网络的算法。基于机器学习的方法分为两步，第一步是提取待识别部件的图像特征，第二步是利用分类器去对提取的特征进行分类，最终得到待识别部件的子类别，常见方法有形态学特征加决策树、切比雪夫不变矩加支撑向量机等。基于卷积神经网络的算法通常是利用VGG、ResNet等网络直接对待识别部件进行分类。然而上述算法都只关注于单个部件的识别，并未考虑到不同部件之间的联系，导致各类部件的识别准确率不高。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于解决现有技术车辆部件识别方法均未考虑共生关系导致各类部件识别准确率低的技术问题。为实现上述目的，第一方面，本专利技术实施例提供了一种基于共生关系的卷积神本文档来自技高网...

【技术保护点】
1.一种基于共生关系的卷积神经网络的车辆部件识别方法，其特征在于，该方法包括以下步骤：S1.使用车辆部件对训练数据集训练基于共生关系的卷积神经网络，所述基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成，所述Concat层用于对输入的图片对进行通道合并；S2.采用训练好的基于共生关系的卷积神经网络，对待测车辆部件对进行识别，得到待测车辆各部件的识别结果。

【技术特征摘要】
1.一种基于共生关系的卷积神经网络的车辆部件识别方法，其特征在于，该方法包括以下步骤：S1.使用车辆部件对训练数据集训练基于共生关系的卷积神经网络，所述基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成，所述Concat层用于对输入的图片对进行通道合并；S2.采用训练好的基于共生关系的卷积神经网络，对待测车辆部件对进行识别，得到待测车辆各部件的识别结果。2.如权利要求1所述的车辆部件识别方法，其特征在于，选取后视镜、车灯、车标、挡风玻璃四类部件作为车辆部件识别对象，将所述四类部件进行两两组合形成部件对，得到6个车辆部件对：<后视镜,车灯>、<后视镜,车标>、<后视镜,挡风玻璃>、<车灯,车标>、<车灯,挡风玻璃>、<车标,挡风玻璃>。3....

【专利技术属性】
技术研发人员：桑农，常勤伟，高常鑫，桑永朋，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42