[发明专利]一种基于卷积神经网络的实时车型匹配方法

说明书

技术领域

本发明涉及车型自动匹配技术，具体涉及一种基于卷积神经网络的实时车型匹配方法。

背景技术

车型自动匹配技术是智能交通系统的重要组成部分，通过对车辆进行车型自动匹配，可以为交通管理、收费、调度、统计提供数据，是智能交通领域的研究热点和难点之一；目前，我国的车辆车型自动匹配准确率还难以满足使用要求，对车型匹配率提高算法的研究势在必行。

深度学习是目前机器学习发展的高潮，卷积神经网络作为深度学习中的一种方法，在物体识别、图像处理等领域有着较好的效果,卷积神经网络有着可以自动学习图像特征，减少人工干预，提取的图像特征质量高的优势，因此可以考虑将其应用在车型自动匹配技术中，以提高车型匹配的准确率。但是，卷积神经网络会消耗大量的GPU(Graphics Processing Unit，图形处理器)资源，在计算量过大时可能达不到实际应用场景中实时的效果。

发明内容

本发明所要解决的技术问题是如何将卷积神经网络应用于车型自动匹配技术中，并达到车型匹配实时的效果的问题。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于卷积神经网络的实时车型匹配方法，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。

在上述方法中，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。

在上述方法中，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。

在上述方法中，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。

在上述方法中，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。

在上述方法中，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。

在上述方法中，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。

本发明将基于卷积神经网络的特征提取技术、SVM分类方法和Storm实时处理平台相结合，实现基于卷积神经网络的实时车型匹配，具有以下有益效果：

(1)通过卷积神经网络进行特征提取，有效地提高了特征提取的准确率和效率；

(2)利用SVM进行特征匹配，有效的提高了车型匹配的准确率；

(3)利用Storm并行化车型匹配，达到实时匹配的目的，有效的提高了匹配的效率。

附图说明