[发明专利]一种基于深层网络融合模型的车辆类型分类方法

权利要求书

1.一种基于深层网络融合模型的车辆类型分类方法，其特征在于，包括如下步骤：

1)对获取的车辆图像采用遍历匹配算法搜索车辆的车牌区域，并根据车脸区域与车牌区域的比例关系来定位和分割车脸图像；

2)构建用于车型特征提取的Resnet50网络模型，并采用该模型对车脸图像进行特征提取，获得1×2048维的车型特征向量F_R；

3)构建用于车型特征提取的InceptionV3网络模型，并采用该模型对车脸图像进行特征提取，获得1×2048维的车型特征向量F_I；

4)构建用于车型特征提取的Xception网络模型，并采用该模型对车脸图像进行特征提取，获得1×2048维的车型特征向量F_X；

5)采用特征并联融合规则，将获取的车脸图像特征向量F_R、F_I和F_X进行融合，得到3×2048维的车型融合特征向量F_C；

6)构建用于车辆类型分类的深层网络融合模型的输出层，并根据获取的车型融合特征向量F_C对车辆类型进行分类。

2.根据权利要求1所述的基于深层网络融合模型的车辆类型分类方法，其特征在于，所述步骤1)具体包括如下过程：

根据权利要求1所述的基于深层网络融合模型的车辆类型分类方法，其特征在于，首先，定位车牌对称中心，并令车牌大小为W×H，其中，W为H车牌宽度，H为车牌高度；在车牌搜索区域内进行遍历匹配，统计每个大小为W×H窗口内的目标像素个数，当目标像素个数超过某一阈值时将对应窗口标记为车牌区域，否则排除该窗口，像素个数阈值满足以下要求：

其中，为搜索区域内所有目标像素个数，i，j为目标区域内像素点水平、垂直的位置坐标；ρ为系数，t为阈值；得到检测区域内实际车牌宽为1W_p，以2.6W_p，高为1.1W_p的矩形区域提取车辆前脸图像区域，提取的车辆前脸图像分辨率为320×120。

3.根据权利要求1所述的基于深层网络融合模型的车辆类型分类方法，其特征在于，所述步骤2)中构建用于车型特征提取的Resnet50网络模型，所构建的Resnet50网络模型包括7×7的卷积层，3×3池化层，3个conv2_x单元、4个conv3_x单元、6个conv4_x单元和3个conv5_x单元，最后为7×7的平均池化层；其中conv2_x单元、conv3_x单元、conv4_x单元和conv5_x单元均包括3个卷积层，每个卷积层的卷积算子依次分别为1×1，3×3和1×1；并采用该模型对车脸图像进行特征提取，获得1×2048维的车型特征向量F_R。

4.根据权利要求1所述的基于深层网络融合模型的车辆类型分类方法，其特征在于，所述步骤3)中构建用于车型特征提取的InceptionV3网络模型，所构建的InceptionV3模型的结构为：第一层、第二层、第三层、第四层、第五层Block 5、第六层、第七层，所述第一层包括：卷积层-卷积层-卷积层-池化层，所述第二层包括：卷积层-卷积层-池化层，所述第三层包括：3个Inception A单元，所述第四层包括：1个Inception B单元，所述第五层Block5包括：4个Inception C单元，所述第六层包括：1个Inception D单元，所述第七层包括：2个Inception E单元；并采用该模型对车脸图像进行特征提取，获得1×2048维的车型特征向量F_I。