[发明专利]一种基于改进型卷积神经网络的车型识别方法

说明书

技术领域

本发明属于计算机视觉与模式识别领域，特别涉及一种改进型神经网络的车型识别的方法。

背景技术

车型识别技术的主要目的是对特定地段的车辆进行准确的检测和正确的识别。当前对于车辆检测方面的技术主要分为两大类：车辆自动识别和车辆自动分类。分着利用的是一些硬件设备，如车载设备和地面的基站设备进行互相识别，如我们的车辆收费系统。而后者是通过检测车辆的一些参数，运用适当的算法来完成车型的识别。这类技术主要可以通过射频微波、红光、激光等方式来识别车辆信息，也可以通过视频图像的方式来识别车辆信息。本发明采用的就是通过视频图像来获取车型信息。

近年来，随着视频图像处理技术以及人工智能的迅速发展，基于视频图像处理的车型识别越来越成为主流的研究方向。这种方法能够动态地适应交通情况的变化，为解决道路交通拥堵提供了很好的解决思路。基于视频的车型识别是通过安装在特定区域的摄像头和图像采集卡来获取视频图像，并通过相关算法对图像进行分析检测，得到车型信息。这种方法绿色环保，而且装置简便，维护方便。并且采取非接触式检测，不影响交通。对于某些应用，还可以进行离线分析。综上所述，基于视频图像的车型识别，研究意义非常大。

国外专家较早地对基于视频图像的车型识别开展了研究。Collins等创建了一个路上移动目标的检测、跟踪、识别系统，用训练过的神经网络来识别运动目标是人、人群、车辆还是干扰，网络的输入特性量有目标的分散性度量、目标大小目标表面大小与摄影机监视区域大小的相对值。车辆又进一步区分为不同类型和颜色。Tan和Baker 描述了一种车辆定位和识别(小型公共汽车、轿车、卡车等)的方法，在一个小窗口内，该方法依据图像梯度进行。利用地面约束以及大部分车辆外形受两条直线约束的事实，可得到车辆的姿态。Fung等用高精度摄像机观察车辆的运动来估计车辆形状，通过估计特征点(车体拐角处)得到车辆轮廓。基本思想是高特征点的移动速度大于低特征点的移动速度，因为高特征点离摄像机近，车辆轮廓可用与车辆识别。

国内关于车型识别研究的主要方法可以概括为：

(1)基于人工智能的方法：

人工智能的方法中，最具有代表性的就是神经网络。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在车型识别方面，主要是利用神经网络进行车型识别，也可采用神经网络与其它技术结合，如神经网络与模糊技术结合、神经网络与分形技术结合等等。

(2)基于小波变换的车型识别：

小波变换是以某些特殊函数为基将数据过程或数据系列变换为级数系列以发现它的类似频谱的特征，从而实现数据处理。小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。

发明内容

本发明的目的在于解决各种场合车辆车型的实际需求，并且速度能达到实时检测需求。

本发明所采用的技术方案为：首先使用一张初始图像进行背景建模。对于新输入的图像，通过激活算法检测新图像的中的运动物体。若检测到运动物体，则将图像传入粗分类算法检测是否为车辆。若粗分类算法判定该运动物体为车辆，则提取该图像的特征向量，并将特征向量传入细分类算法，检测当前车辆的类型并输出结果。

步骤1：激活算法检测

首先用一张无车辆的图像作为背景建模的初始化图像。提取这幅图像中的N个像素的像素值组成一个集合，作为初始的背景像素集

B(x_i)＝{B₁(x_i)，…，B_k(x_i)，…，B_N(x_i)}。

随后每一帧图像的像素值I(x_i)都会与这个集合中的值进行比较，如下式：

其中B_k(x_i)是背景像素集合中的任意一个像素值，R(x_i)为设定的阈值。即新的像素值 I(x_i)与背景像素集合中任意一个像素值的距离小于阈值R(x_i)的个数小于规定的数量 #_min时，则判断当前像素值为前景像素。