一种基于卷积神经网络的车型精细分类系统

摘要

本发明公开了一种基于卷积神经网络的车型精细分类系统，提供了针对特征不明显，特征难于提取的车辆图像超多量分类方法，通过图像分析获得车辆的品牌、型号信息，而无需使用车牌、车标等易被遮挡、篡改的信息，尤其可用于套牌车、无牌车、有遮挡车辆的交通监管、交通稽查、交通统计、刑侦等领域；解决了使用图像对车辆品牌、型号的超多量分类问题；使用具有多个子网络的混合型卷积神经网络，将车辆的局部图片与全局图片同时输入各个子网络，如将车辆的车脸图片、车身图片、车尾图片输入不同的子网络，通过子网评分层进行打分，获得分类结果。

主权项

一种基于卷积神经网络的车型精细分类系统，包括以下步骤：1)采集、存储、传输车辆图片，包括车脸图片、车身图片、车尾图片，对训练时使用的车辆图片进行品牌、型号标注；2)构建混合型卷积神经网络：构建多个子网络，用于对车辆的不同特征进行提取，得到初步分类结果；再构建子网评分层对上述初步分类结果评分，得到最终分类结果；由多个子网络和子网评分层构成混合型卷积神经网络；所述的子网评分层是混合型卷积神经网络中的一层，子网评分层函数的公式如下：$Y\left(x\right)=\max \left(\underset{i=1}{\overset{n}{\Sigma }}{w}_i{y}_i\left(x\right)\right)$其中：x表示车辆图片；y表示子网络输出矩阵；w表示子网络输出矩阵权重；n表示子网络数目；max函数表示求矩阵中最大值所在位置；Y表示子网评分层函数；构建子网评分层：输入车身子网络、车脸子网络和车尾子网络的输出矩阵；使用子网评分层函数对输入矩阵进行计算；输入最终的分类结果；3)训练混合型卷积神经网络，获得网络参数：将车脸图片、车身图片、车尾图片输入混合型卷积神经网络进行训练，训练过程采用动量梯度下降方法学习网络参数；当网络参数小于设定网络参数阈值0.0000001时，混合型卷积神经网络训练结束；4)使用混合型卷积神经网络进行车型精细分类，将车辆图片输入到已训练的混合型卷积神经网络，得到车辆的品牌、型号信息。