[发明专利]一种基于改进型卷积神经网络的车型识别方法

权利要求书

1.一种基于改进型卷积神经网络的车型识别方法，其特征在于：

1)通过激活算法初步检测大型运动物体；

2)通过粗分类算法，对当前运动目标进行车辆检测；

3)通过改进型激活函数的卷积神经网络，提取车辆特征。

4)通过细分类算法，对当前车辆进行车型分类。

2.根据权利要求1所述的车型识别算法，其特征在于，所述的步骤1)为：

通过一帧无车辆经过的图像作为初始化图像，提取其中若干像素组成一个背景像素集B(x_i)＝{B₁(x_i)，...，B_k(x_i)，...，B_N(x_i)}。

之后每一帧图像的像素值I(x_i)都与{B₁(x)}中的元素值进行比较，如下式：

其中B_k(x_i)是背景像素集中的任意一个值，R(x_i)为设定的阈值。即新的像素值I(x_i)与背景像素集中任意一个元素值的距离小于阈值R(x_i)的个数小于规定的数量#_min时，则判断当前像素值为前景运动像素。

当前景像素的数量在一幅图像中的比例大于阈值T_fore时，则判断当前有大型运动物体进入。

3.根据权利要求1所述的实时工地车型识别算法，其特征在于，所述的步骤2)为：

由前一步检测出的运动物体，存在可能性最多的就是行人和车辆。与行人相比，车辆的特点在于其外观比较规则，多为近似方形或梯形，因此对车辆进行边缘提取，会存在非常多的平行线特征。粗分类算法就是通过对于平行线的检测来对车辆和行人进行快速的分类，达到对车辆检测的目的。

1)对原始图片进行边缘检测；

2)对处理后的图像进行直线检测；

3)对所有直线计算斜率，找出所有的平行线{N}，并统计平行线组数S；

4)设置阈值T与S进行比较，初步判断是否为车辆。

4.根据权利要求1所述的实时工地车型识别算法，其特征在于，所述的步骤3)为：

对于不同类型的车辆图片，先进行预处理，包括灰度化、尺度统一等预处理操作。然后使用车辆图片对一个改进型激活函数的卷积神经网络进行训练。在卷积神经网络的卷积层将神经元的结果进行输出，作为该车辆图片的特征，并做好车型类标。

传统的卷积神经网络(CNN)仅使用的是ReLU激活函数(见说明书附图2)，而本发明使用的是ReLU+Tanh激活函数。即在卷积层使用ReLU函数进行激活，在下采样层使用Tanh函数((见说明书附图3))进行激活。通过Tanh函数的引入解决ReLU函数作为激活函数而带来过度的稀疏性，使得最后在卷积层提取出的特征向量具有更好的鲁棒性。

同时提取车辆图片的HOG特征，并将其与神经网络得到特征向量进行融合，作为该样本最终的特征向量。

5.根据权利要求1所述的实时工地车型识别算法，其特征在于，所述的步骤4)为：

训练过程：对前一步所提取出的不同车型图片的特征向量特征进行PCA降维，删除一些冗余信息。然后利用降维后的特征及车型图片对应的标签，训练多分类SVM分类器，并通过交叉验证法优化SVM的模型参数。

检测过程：将待分类图像进行预处理，包括灰度化、尺度统一等预处理操作。将图像通过训练好的改进型卷积神经网络，在卷积层得到样本的特征向量，将其与手工提取的车辆图像的特征向量进行融合，并利用在训练过程中的PCA参数对特征进行降维处理。最终将特征输入到训练好的SVM分类器中进行识别，得到最终的车型结果。