[发明专利]一种基于小波熵与人工神经网络的福特汽车检测方法

说明书

技术领域

本发明涉及一种基于小波熵与人工神经网络的福特汽车检测方法，属于特定品牌汽车识别技术领域。

背景技术

随着经济的快速发展和人们生活水平的显著提高，汽车的普及度在不断提高，各个汽车公司对其品牌下汽车的售后使用情况非常关注。在汽车售出后，公司需要对汽车的使用情况进行了解，因此研究人员必须采取相应的技术方法对各个品牌的汽车进行自动识别和分类。

众所周知，汽车使用的范围基本都在道路交通中，包括高速公路、车辆收费站和停车场。同时由于道路交通日趋复杂和汽车数量的增加，汽车在行驶途中总会出现一些无法预知的意外。各个品牌的汽车在同样的路况下所经受的伤害程度不同，各公司可通过监测汽车售后的使用情况，对自身品牌下的汽车进行性能分析和质量改进。虽然可以通过汽车品牌标志来识别汽车所属类别，但这种方法在很多时候都不适用。例如，在时速较高的高速公路和光线昏暗的地下停车场的情况下，汽车的品牌标志不太明显，这很难辨识出来，因此，需要一种针对汽车车身整体进行特征提取和分类的方法，这种方法无需通过汽车品牌标志，也能够更快速准确地找到所需品牌的汽车。

发明内容

本发明所要解决的技术问题是：提供一种基于小波熵与人工神经网络的福特汽车检测方法，该方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车，能够辅助福特汽车公司的售后服务。

本发明为解决上述技术问题采用以下技术方案：

一种基于小波熵与人工神经网络的福特汽车检测方法，包括如下步骤：

步骤1，获取各个品牌的汽车样本图像，对汽车样本图像进行图像处理，得到汽车车身图像；

步骤2，对每个汽车车身图像，进行灰度变换并利用二级小波变换方法提取经灰度变换后汽车车身图像上的七个特征；

步骤3，将所有特征集合在一起并利用K折交叉验证方法对BP神经网络进行训练，得到训练好的BP神经网络；

步骤4，获取新的汽车样本图像，并进行图像处理，利用训练好的BP神经网络对新的汽车样本图像进行分类，得到分类结果。

作为本发明的一种优选方案，步骤1所述图像处理的具体方法是：利用通道方式去除汽车样本图像上的背景干扰，保留汽车车身图像。

作为本发明的一种优选方案，步骤2所述二级小波变换方法的具体过程为：a.对经灰度变换后的汽车车身图像进行二维小波分解；b.提取第一级小波变换系数，获得图像在水平、垂直和对角线的细节系数，即小波信号的高频部分，同时通过二维小波分析函数获得小波信号的低频部分；c.提取第二级小波变换系数；d.获得经过小波变换后的汽车车身的七个特征。

作为本发明的一种优选方案，步骤3所述利用K折交叉验证方法对BP神经网络进行训练的具体方法是：将所有特征随机分为三个包，每次将其中一个包作为测试集，剩下的两个包作为训练集对BP神经网络进行训练，得到训练好的BP神经网络。

作为本发明的一种优选方案，步骤4所述利用训练好的BP神经网络对新的汽车样本图像进行分类的具体方法是：利用训练好的BP神经网络对新的汽车样本图像进行分类，若为福特汽车则标记为1，否则标记为0，并输出分类结果。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明方法能够在不同种类的汽车中快速有效地识别出福特旗下汽车，能够辅助福特汽车公司的售后服务。

2、本发明方法采用了小波熵对简单处理过的汽车图像进行特征提取，提取出有助于汽车识别的显著特征。

3、本发明方法的应用范围较广泛，可以应用于各个汽车公司对其品牌汽车的检测，相当于对售后汽车的使用情况进行“跟踪”，有利于各汽车公司改进产品性能。

附图说明

图1是本发明基于小波熵与人工神经网络的福特汽车检测方法的识别流程图。

图2是本发明实施例中未经处理的汽车样本数据图。

图3是本发明方法中小波变换的实现流程图。

图4是本发明实施例中小波变换提取的汽车车身七个特征图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

由于福特汽车作为性价比较高的代步工具，福特品牌旗下的汽车使用量增长最为迅速，因此，本发明就以福特旗下的部分车型为样本来进行实验。

如图1所示，为本发明基于小波熵与人工神经网络的福特汽车检测方法的识别流程图，具体步骤如下：