【技术实现步骤摘要】
一种基于神经网络的报废车辆识别方法和系统
[0001]本专利技术属于交通安全
,具体涉及一种基于神经网络的报废车辆识别方法和系统。
技术介绍
[0002]近年来,由于人们生活水平的提高,越来越多的家庭选择购买车辆,甚至一个家庭会购买多辆车。随着时间的推移,也有越来越多的车辆需要报废,但是车主往往将报废车辆停在路边或者停车场怠于处理,不仅影响人们的交通出行,还会占用停车场资源。设计出一种可以快速准确地对报废车辆进行识别的方法已是迫在眉睫。
技术实现思路
[0003]为了解决上述技术问题,本专利技术提供一种基于神经网络的报废车辆识别方法和系统。
[0004]第一方面
[0005]本专利技术提供一种基于神经网络的报废车辆识别方法,包括:
[0006]S101:获取多张车辆样本图像,将多张车辆样本图像组合为样本集合 X=[X1,X2,
…
X
N
],其中,N表示样本数量,多张车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本;
[0007]S102:构建报废车辆识别神经网络,报废车辆识别神经网络包括滤波器,通过滤波器对车辆样本图像进行滤波处理;
[0008]S103:提取车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将车身完整度特征记为1,否则,记为0;在车型为已停产车型的情况下,将车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将车身颜 ...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的报废车辆识别方法,其特征在于,包括:S101:获取多张车辆样本图像,将多张所述车辆样本图像组合为样本集合X=[X1,X2,
…
X
N
],其中,N表示样本数量,多张所述车辆样本图像包括相关车辆为报废车辆的正向样本和相关车辆为正常车辆的负向样本;S102:构建报废车辆识别神经网络,所述报废车辆识别神经网络包括滤波器,通过所述滤波器对所述车辆样本图像进行滤波处理;S103:提取所述车辆样本图像中的车身完整度特征、车型特征、车身颜色特征和车牌特征;在车身存在重大缺陷的情况下,将所述车身完整度特征记为1,否则,记为0;在车型为已停产车型的情况下,将所述车型特征记为1,否则,记为0;在车身颜色与车管系统记录不一致的情况下,将所述车身颜色特征记为1,否则,记为0;在存在套牌的情况下,将所述车牌特征记为1,否则,记为0;S104:对所述车身完整度特征、所述车型特征、所述车身颜色特征和所述车牌特征进行特征融合,根据特征融合结果输出所述车辆样本图像中所指示的车辆是否为报废车辆的识别结果;S105:通过对所述识别结果与实际结果进行比较,对所述报废车辆识别神经网络进行修正;S106:通过摄像头获取车辆图像,将所述车辆图像输入至所述报废车辆识别神经网络,以识别所述车辆图像所指示的车辆是否为报废车辆。2.根据权利要求1所述的报废车辆识别方法,其特征在于,所述S102具体包括:S1021:设定所述滤波器的滤波尺寸为p
×
q;S1022:将所述车辆样本图像分割为多个p
×
q大小的图像块,并将相应的所述车辆样本图像表示为X
i
=[x1,x2,
…
x
n
],其中,n为所述图像块的个数;S1023:对X
i
去除均值得到则所述样本集合可表示为S1024:计算协方差矩阵C:其中,X
T
为X的转置矩阵;S1025:计算所述协方差矩阵C的特征值和特征向量,取前p
×
q个特征值对应的特征向量作为所述滤波器的滤波参数。3.根据权利要求1所述的报废车辆识别方法,其特征在于,所述S103还包括:在难以确定车身存在是否重大缺陷的情况下,将所述车身完整度特征记录为0.5;在难以确定车型是否已停产的情况下,将所述车型特征记为0.5;在难以确定车身颜色与车管系统记录是否一致的情况下,将所述车身颜色特征记为0.5;在难以确定是否存在套牌的情况下,将所述车牌特征记为0.5。4.根据权利要求1所述的报废车辆识别方法,其特征在于,所述S104具体包括:S1041:假设所述车身完整度特征的权重为α,所述车型特征的权重为β,所述车身颜色特征的权重为γ,所述车牌特征的权重δ,所述车身完整度特征的特征值为y1,所述车型特征的特征值为y2,所述车身颜色特征的特征值为y3,所述车牌特征的特征值为y4,则计算车
辆报废值z为:z=αy1+βy2+γy3+δy4S1042:在所述车辆报废值大于预设值的情况下,判定所述车辆样本图像中所指示的车辆为报废车辆;S1043:在所述车辆报废值小于或者等于所述预设值的情况下,判定所述车辆样本图像中所指示的车辆为正常车辆。5.根据权利要求1所述的报废车辆识别方法,其特征在于,所述S105具体包括:S1051:对所述识别结果与实际结果进行比较,得到各个特征的误差率;S1052:通过各个特征的误差率对各个特征的权重进行修正:其中,t
i
表示第i个特征的权重,t1=α,t2=β,t3=γ,t4=δ,e
i
表示第i个特征的误差率,e
j
表示第j个特征的误差率。6.一种基于神经网络的报废车辆识别系统,其特征在于,...
【专利技术属性】
技术研发人员:颜培戈,李大钊,曹小平,
申请(专利权)人:江苏凤火数字科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。