[发明专利]车辆辨识系统及其辨识方法

权利要求书

1.一种车辆辨识系统，其特征在于，包括：源信息采集单元，用于获取车辆特征图像、车牌图像和车辆外观图像；第一神经网络单元，用于将所述车辆特征图像通过第一卷积神经网络以获得第一特征向量，所述第一卷积神经网络具有N1层，每层具有M1个过滤器；第二神经网络单元，用于将所述车牌图像通过第二卷积神经网络以获得第二特征向量，所述第二卷积神经网络具有N2层，每层具有M2个过滤器；第三神经网络单元，用于将所述车辆外观图像通过第三卷积神经网络以获得第三特征向量，所述第三卷积神经网络具有N3层，每层具有M3个过滤器，其中，N1大于N3大于N2，M2大于M3大于M1；衍生信息超凸度量值单元，用于计算所述第一特征向量、所述第二特征向量和所述第三特征向量中每两个特征向量之间的衍生信息超凸度量值，所述衍生信息超凸度量值为每两个特征向量中相对应位置的各个位置的特征值之间的距离的加权和的对数函数值；加权系数确定单元，用于计算所述第一特征向量、所述第二特征向量和所述第三特征向量中每个特征向量对应的两个衍生信息超凸度量值的加权系数作为该特征向量的加权系数；分类特征向量生成单元，用于以所述第一特征向量、所述第二特征向量和所述第三特征向量中每个特征向量的加权系数计算所述第一特征向量、所述第二特征向量和所述第三特征向量之间的加权和以生成分类特征向量；以及识别结果单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示是否针对车辆产生预警信号。

2.根据权利要求1所述的车辆辨识系统，其中，所述第一神经网络单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理，以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述车辆特征图像，其中所述第一卷积神经网络具有N1层，每层具有M1个过滤器；所述第二神经网络单元，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征向量，其中，所述第二卷积神经网络的第一层的输入为所述车牌图像，其中所述第二卷积神经网络具有N2层，每层具有M2个过滤器；所述第三神经网络单元，进一步用于：所述第三卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿特征矩阵的全局均值池化处理和激活处理，以由所述第三卷积神经网络的最后一层生成所述第三特征向量，其中，所述第三卷积神经网络的第一层的输入为所述车辆外观图像，其中所述第三卷积神经网络具有N3层，每层具有M3个过滤器，其中，N1大于N3大于N2，M2大于M3大于M1。

3.根据权利要求2所述的车辆辨识系统，其中，N1大于N3大于N2，且M2大于M3大于M1。

4.根据权利要求3所述的车辆辨识系统，其中，所述衍生信息超凸度量值单元，进一步用于：以如下公式计算所述第一特征向量、所述第二特征向量和所述第三特征向量中每两个特征向量之间的所述衍生信息超凸度量值；其中，所述公式为：

其中v_1i表示第一个特征向量的各个位置的特征值，v_2i表示第二个特征向量中各个位置的特征值，|·|表示两个所述特征向量之间的距离。

5.根据权利要求4所述的车辆辨识系统，其中，所述识别结果单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。