[发明专利]一种基于快速R-CNN深度神经网络的车型识别方法

摘要

本发明公开一种基于快速R‑CNN深度神经网络的车型识别方法，主要包括无监督的深度学习、多层的CNN卷积神经网络、区域建议网络、网络共享、softmax分类器；实现了一个真正意义上的使用一个快速R‑CNN网络实现端到端的车辆检测和识别的框架，并具有适用于车辆目标的形态多样性，光照变化多样性，背景多样性等环境下快速、高精度和鲁棒性的车辆子类识别。

主权项

1.一种基于快速R‑CNN深度神经网络的车型识别方法，其特征在于：包括一个用于深度学习和训练识别的VGG网络、一个用于提取出感兴趣区域的区域建议网络和一个用于车型分类的Softmax分类器；所述的VGG网络，包括8个卷基层，3个全连接层，共计11层；8个卷基层包括5个组的卷积层、2个分类层提取图像特征和1个分类层分类特征；3个全连接层分别连接分类层6、分类层7和分类层8；所述的区域建议网络，包括1个分类层、1个窗口回归层、1个计算分类损失的模块和1个计算窗口回归损失的模块，输出p个感兴趣的建议框；所述的Softmax分类器，将提取到的输入数据特征与学习训练得到特征库数据进行比对，计算出每一个分类结果的概率，然后取概率最高的一个结果进行输出；快速R‑CNN深度神经网络，在所述的VGG网络的第5层末尾接入了所述的区域建议网络，使得所述的区域建议网络共享所述的VGG网络的前5层的底层特征提取过程与结果；所述的VGG网络的第6层和第7层根据所述的区域建议网络输出的p个感兴趣的建议框内的图像特征进行卷积和ReLU处理，得到p个含有4096向量的特征图，接着分别送给分类层和窗口回归层进行处理，实现车辆图像的分割；所述的Softmax分类器对p个含有4096向量的特征图进行分类识别，得到车辆车型的分类结果。