[发明专利]一种基于卷积神经网络的实时车型匹配方法

权利要求书

1.一种基于卷积神经网络的实时车型匹配方法，其特征在于，包括以下步骤：

步骤S10、构建车型数据库，并设计用于车型识别的卷积神经网络；

步骤S20、利用车型数据库对卷积神经网络进行训练，得到最优的卷积神经网络以及车型数据库中每种车型的车型特征；

步骤S30、构建Storm的拓扑结构，其信息流上层为数据源输入组件spout，信息流中层为布置了最优卷积神经网络的数据处理组件bolt，信息流底层为布置了SVM分类器的数据处理组件bolt；

步骤S40、数据源输入组件spout将采集的待匹配车辆实时视频流发给信息流中层数据处理组件bolt，该数据处理组件bolt通过卷积神经网络提取车型特征；

步骤S50、信息流底层数据处理组件bolt利用SVM分类器对信息流中层发送的车型特征进行匹配，并返回匹配结果。

2.如权利要求1所述的方法，其特征在于，车型数据库包含多种车型的信息，每种车型的信息有多张图片。

3.如权利要求2所述的方法，其特征在于，步骤S20具体包括以下步骤：

将车型数据库中不同种车型的信息作为卷积神经网络的输入数据源，使用卷积神经网络默认参数进行卷积神经网络训练；

根据训练中间结果，对默认参数初始权值、训练速率、迭代次数进行不断调整，直到得到最优的卷积神经网络网络参数；

遍历车型数据库中不同种车型的信息，使用参数最优的卷积神经网络提取每种车型的车型特征，并保存。

4.如权利要求1所述的方法，其特征在于，用于车型识别的卷积神经网络包括四层卷积，分别为三层池化层、三层全连接层、一层合并层和softmax回归分类器层。

5.如权利要求1所述的方法，其特征在于，信息流中层和信息流底层分别包括两个以上布置了最优卷积神经网络的数据处理组件bolt和布置了SVM分类器的数据处理组件bolt；

信息流上层数据源输入组件依据择优原则，将实时视频流传给信息流中层GUP较强的数据处理组件bolt；信息流中层依据择优原则，将提取的车型特征发送给信息流底层GUP较强的数据处理组件bolt。

6.如权利要求5所述的方法，其特征在于，对信息流中层发送的车型特征进行匹配具体包括以下步骤：

信息流底层的数据处理组件bolt接收信息流中层不同数据处理组件bolt发送的车型特征，并对接收的各个车型特征进行组合，判定组合后的特征是否为同一车型，如果是，将组合后的特征与车型数据库中的车型特征进行车型匹配，返回匹配结果；如果不是，将各个车型特征与车型数据库中的车型特征分别进行车型匹配，返回匹配结果。

7.如权利要求5所述的方法，其特征在于，在步骤S40中，

每个数据源输入组件spout将采集来自流媒体服务器的实时视频流解码为多个帧图像，再将每一帧图像发给信息流中层的数据处理组件bolt；

信息流中层数据处理组件bolt使用其上训练好的卷积神经网络提取每一帧图像中的车型特征，并进行组合。