[发明专利]一种卷积神经网络生成方法及车系识别方法

说明书

本发明公开了一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法、车系识别方法、计算设备及移动终端，卷积神经网络生成方法包括：构建第一处理块，第一处理块包括第一卷积层；构建第二处理块，第二处理块包括依次相连的第二卷积层和第三卷积层；根据多个第一处理块、第二处理块和池化层，结合全连接层和分类器构建卷积神经网络，卷积神经网络以第一处理块为输入，以分类器为输出；根据预先获取的车辆图像数据集合对卷积神经网络进行训练，以便分类器的输出指示车辆所对应的车系，车辆图像数据集合包括多个车辆图像信息，每个车辆图像信息包括车辆图像和对应图像中车辆的车系信息。

技术领域

本发明涉及图像处理技术领域，特别涉及一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法、车系识别方法、计算设备及移动终端。

背景技术

随着科技与经济的飞速发展，市面上车系的类型越来越丰富，比如常见的奥迪A4L、宝马3系等，但在现实生活中，还会经常遇见对其车系不认识或不了解的车辆。为了能够识别出这些车辆的车系，通常是利用移动终端对该车辆进行拍照，基于云服务的方式将拍照形成的图片上传至服务器，服务器可采用以CNN(Convolutional Neural Network，卷积神经网络)为基础的车系识别方法来对车辆的车系进行识别，再将识别结果回传至移动终端。

然而，在基于云服务的方式进行车系识别时，对通信网络要求较高，在野外或地下停车场等信号不好的地方，不能将图片传输到服务器端，导致无法识别。再考虑到网络延迟、带宽不足、用户高峰期的处理延迟，以及运营成本和流量费用较高等问题，基于云服务的车系识别方法在适用性上难以满足用户的需求。

为了避免较差的网络通信质量影响车系识别的处理，一类不依赖通信网络、可直接在本地移动终端运行的车系识别方法应运而生。该类方法多是针对车头或车尾图片(视频)进行识别，以获取车辆对应的车系类别，例如提取传统的SIFT(Scale-InvariantFeature Transform，尺度不变特征变换)、HOG(Histogram of Oriented Gradient，方向梯度直方图)等特征，采用SVM(Support Vector Machine，支持向量机)、Adaboost算法等方式进行检测识别。或是用深度学习提取部分特征，组合SVM分类器等。由于人工设计特征描述能力有限，且分类器对类型较多分类，因此对图像的要求较高，特别是对拍摄角度或分类种类进行了限制，如只能针对车头或车尾的图片及视频进行识别。这就造成了应用的限制，无法随意使用，尤其在复杂环境下，一旦不能拍摄到需要的照片，就无法进行识别。

发明内容

为此，本发明提供一种用于对图像中的车辆进行车系识别的卷积神经网络生成方案，并提出了基于该卷积神经网络的车系识别方案，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法，适于在计算设备中执行，该方法包括如下步骤：首先，构建第一处理块，第一处理块包括第一卷积层；构建第二处理块，第二处理块包括依次相连的第二卷积层和第三卷积层；根据多个第一处理块、第二处理块和池化层，结合全连接层和分类器构建卷积神经网络，卷积神经网络以第一处理块为输入，以分类器为输出；根据预先获取的车辆图像数据集合对卷积神经网络进行训练，以便分类器的输出指示车辆所对应的车系，车辆图像数据集合包括多个车辆图像信息，每个车辆图像信息包括车辆图像和对应图像中车辆的车系信息。

可选地，在根据本发明的用于对图像中的车辆进行车系识别的卷积神经网络生成方法中，构建第一处理块的步骤还包括：在第一卷积层之后添加依次相连的第一批标准化层和第一激活层，以形成第一处理块。

可选地，在根据本发明的用于对图像中的车辆进行车系识别的卷积神经网络生成方法中，构建第二处理块的步骤还包括：在第二卷积层和第三卷积层之间添加依次相连的第二批标准化层和第二激活层，在第三卷积层之后添加依次相连的第三批标准化层和第三激活层，以形成第二处理块。