发明名称 |
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。 |
申请公布号 |
CN105938560B |
申请公布日期 |
2017.03.22 |
申请号 |
CN201610168469.5 |
申请日期 |
2016.03.23 |
申请人 |
吉林大学 |
发明人 |
邹密;秦贵和;高庆洋;张晓阳;秦俊;呼布钦;徐洋;于赫;赵睿;吴星辰 |
分类号 |
G06K9/62(2006.01)I;G06N3/08(2006.01)I |
主分类号 |
G06K9/62(2006.01)I |
代理机构 |
吉林长春新纪元专利代理有限责任公司 22100 |
代理人 |
陈宏伟 |
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:<maths num="0001"><math><![CDATA[<mrow><mi>Y</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mi>max</mi><mo>(</mo><mrow><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>w</mi><mi>i</mi></msub><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow></mrow><mo>)</mo></mrow>]]></math><img file="FDA0000947868090000011.GIF" wi="540" he="175" /></maths>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。 |
地址 |
130011 吉林省长春市前进大街2699号 |