[发明专利]一种基于卷积神经网络的车型识别方法

说明书

本发明公开一种基于卷积神经网络的车型识别方法，属于智能交通中的车型识别技术领域，该方法采用数据增强策略扩增数据集，使数据集更加贴合实际情况，在Inception‑V3网络的基础上，针对车型识别，采用Adam优化算法对权值和偏移量进行更新，并借鉴迁移学习思想，提高了车型识别的效率。另外，在损失函数上采用AMSoftmax损失函数代替传统的Softmax损失函数，减小了类内差异，扩大了类间差异，提高不同背景环境下车型识别精度。

技术领域

本发明涉及智能交通中的车型识别技术领域，尤其涉及一种基于卷积神经网络的车型识别方法。

背景技术

由于近年来交通压力不断增大，智能交通系统日益体现出重要性和紧迫性，而车型识别作为智能交通系统的重要分支和关键技术，主要是针对特定地段下的车辆进行准确的识别，可为智能停车场收费系统、车辆违规占道等方面提供技术支持。

国内外关于车型识别研究的主要方法可以概括为：基于图像处理的方法和基于物理的方法。卷积神经网络是神经网络的一种，它由卷积层、池化层、激活层、全连接层组成，它能够提取输入的不同特征并进行分类。随着卷积神经网络(CNN)在图像分类上取得良好的成果，卷积神经网络被广泛应用到各种分类任务。但在实际的交通环境中，车辆识别存在着光照变化、图像模糊等影响因素，影响了卷积神经网络对车型识别的精度。综上，现实情况中面临车型识别准确率比较低的问题，本发明采用卷积神经网络模型并引入AMSoftmax损失函数来对车型图片进行分类，解决了现有技术中车型识别准确率低的缺点。

发明内容

针对上述现有技术的不足，本发明提供一种基于卷积神经网络的车型识别方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于卷积神经网络的车型识别方法，该方法的流程如图1所示，包括如下步骤：

步骤1：采集车型图片数据集，利用数据增强对数据集进行扩增，将扩增后的数据集按一定比例分为训练集和测试集；

其中，分别采用旋转和高斯模糊两种策略对车型图片数据集中的每个图像进行处理，将处理后的图像加入原车型图片数据集中，使得车型图像数据扩增为原数据集的3倍。

步骤2：借鉴迁移学习的思想，将Inception-V3网络模型在大规模数据集ImageNet上进行训练，得到Inception-V3网络模型各个参数的最优初始值；

步骤3：采用Adam优化算法对权值和偏移量进行更新，并采用AMSoftmax损失函数对输出分类引入角度特征，来优化Inception-V3网络模型；

步骤3.1：采用Adam优化算法对权值和偏移量进行更新：

步骤3.1.1：首先初始化一阶和二阶变量：v_dw＝0，v_db＝0，s_dw＝0，s_db＝0；

其中，v_dw为针对权重W的梯度的指数加权平均，v_db为针对偏移量b的梯度的指数加权平均，s_dw为针对W的梯度平方的指数加权平均，s_db为针对b的梯度平方的指数加权平均；

步骤3.1.2：假设在第t轮训练中，对参数进行更新：

v_dw(t)＝β₁v_dw(t-1)+(1-β₁)dW

v_db(t)＝β₁v_db(t-1)+(1-β₁)db