[发明专利]基于复合CNN模型的车标识别方法

摘要

本发明公开了一种基于复合CNN模型的车标识别方法，包括如下步骤：S1、车标复杂度预判，根据车标样本的复杂度将训练样本分为两组G₁和G₂，其中G₁组车标复杂度值差异较小，G₂组车标复杂度差异较大；S2、基于复合CNN模型对样本进行网络训练；S3、车标识别，并将原始车标图片作为输入，在训练好的卷积神经网络分别进行特征提取，并在全连接层融合特征向量并分类识别。本发明将传统的单一卷积神经网络结构改为双网结构，利用由于不同车标复杂度各异而产生的复杂度信息作为车标的固定特征，针对车标复杂度差异不均衡的情况，提出自适应选取两种激励函数对不同输入进行侧重，有助于提高分类精度。

主权项

1.一种基于复合CNN模型的车标识别方法，其特征在于：包括如下步骤：S1、车标复杂度预判，计算车标形状复杂度、质量对称度和图像组成复杂度，归一化得车标复杂度信息，利用车标样本极值类内方差法选取最佳阈值根据车标样本的复杂度将训练样本分为两组G₁和G₂，其中G₁组车标复杂度值差异较小，G₂组车标复杂度差异较大；S2、基于复合CNN模型对样本进行网络训练，所述复合CNN模型即两个传统卷积神经网络，将两个训练样本G1和G2作为两个传统卷积神经网络的输入，并通过双向传播进行权值更新和调整，进行网络训练，直到网络收敛或达到训练要求为止；S3、车标识别，将待识别的车标样本通过判断其复杂度信息自适应选取某一卷积神经网络，并将原始车标图片作为输入，在训练好的卷积神经网络分别进行特征提取，并在全连接层融合特征向量并分类识别。