一种基于HV-LBP的卷积神经网络车辆识别方法及装置制造方法及图纸

本发明专利技术涉及车辆识别技术领域，公开了一种基于HV

【技术实现步骤摘要】
一种基于HV
‑
LBP的卷积神经网络车辆识别方法及装置


[0001]本专利技术涉及车辆识别
，具体涉及一种基于HV
‑
LBP的卷积神经网络车辆识别方法及装置。

技术介绍

[0002]车辆识别是指通过硬件设备进行信息采集，将采集到的受监控路面车辆信息传递到运算处理中心并自动提取车辆信息进行处理的技术，以此通过对车辆信息提取实现车辆识别。车辆识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。通过对车辆进行分析可以实现车型识别，车辆位置识别，车辆检测，车流统计，车辆属性识别，车辆外观损伤识别等，也是自动驾驶技术的基础组成内容。
[0003]现有的很多车辆识别方法训练使用数据集多为原始RGB图像，只能通过卷积神经网络提取原始特征信息，识别精确率低，而识别精确率低会导致例如自动驾驶过程中不能正确识别前方车辆导致双方车辆的碰撞。

技术实现思路

[0004]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于HV
‑
LBP的卷积神经网络车辆识别方法及装置，采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HV
‑
LBP的卷积神经网络车辆识别方法，其特征在于，包括以下步骤：步骤1：输入车辆图像，对原图像进行RGB
‑
HSV转换；步骤2：提取输入图像LBP纹理特征；步骤3：去除HSV空间的饱和度空间，并将步骤2中LBP纹理特征融入H和V空间，使其保持色调和亮度的基础上增加纹理特征，形成多特征融合图像；步骤4：将多特征融合图像输入载入Faster R
‑
CNN网络进行训练，在进入神经网络结构前，首先对数据集进行分类，其中70％分类成训练图片，20％验证图片，其余是测试图片并裁剪所有图像至同一尺寸：224
×
224
×
3，对训练图片进行增强，引入预训练ResNet50模型，之后通过RPN网络获取建议框，之后通过ROI池化层，最后通过全连接层为目标检测类型输出检测分数和位置；步骤5：车辆识别验证：输入待识别图片，输出车辆位置和分数并同时输出检测系统评价指标。2.根据权利要求1所述的基于HV
‑
LBP的卷积神经网络车辆识别方法，其特征在于，所述步骤1中由RGB空间转换成HSV色彩空间：步骤1中由RGB空间转换成HSV色彩空间：U＝max(R，G，B)，P＝min(R，G，B)。3.根据权利要求1所述的基于HV
‑
LBP的卷积神经网络车辆识别方法，其特征在于，所述步骤2中提取输入图像LBP纹理特征具体为：其中，x
a
，y
a
是中心点像素，i
a
是中心点灰度值，i
b
是相邻像素点灰度值，q是中心相邻像素点个数，u是函数符号。4.根据权利要求1所述的基于HV
‑
LBP的卷积神经网络车辆识别方法，其特征在于，所述步骤4中神经网络模型具体为：主干网络为ResNet50结构，输入size为224
×
224
×
3，之后经过第一层卷积输出size为64
×
112
×
112的特征图，经过最大池化层输出size为64
×
56
×
56的特征图，然后经过3个卷积层将维度提升至256层256
×
56
×
56的特征图，再经4个卷积层提升维度并下采样得到512
×
28
×
28的特征图，然后经6个卷积层提升维度并下采样得到1024
×
14
×
14的特征图，再经过3个卷积层提升维度并下采样输出2048
×7×
7的特征图，后经平均池化得到2048
×1×
1全连接特征图经过50层卷积网络输出为2048
×1×
1特征图；进入RPN网络，使用3
×
3滑动窗口在卷积特征图上生成2048维深度的特征图，经过全连接层得到目标概率和边界框回归参数；同时使用ResNet50得到的特征图进行ROI池化，之后利用RPN网络得到的ROI候选框投影到特征图上获得相应的特征矩阵，最后通过全连接层，计算RPN损失和Fast
‑
RCNN总损失校
正参数，最终得到预测结...

【专利技术属性】
技术研发人员：朱小豪，杨定礼，周辉，吴怡啄，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：