[发明专利]基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法

摘要

本发明公开了一种基于Alexnet‑CLbpSurf多特征融合的车辆分级检索方法，采用Alexnet神经网络对图片进行分类处理，大大减少了车辆检索的时间，将HLS颜色特征与LBP纹理特征融合到Surf算法的特征描述子中去，提升了匹配的精度，具有良好的检测效果。

主权项

1.基于Alexnet‑CLbpSurf多特征融合的车辆分级检索方法，其特征在于，包括以下步骤：步骤1：获取若干车辆的交通图像；步骤2：对步骤1中获得的交通图像强制转换为227*227*3大小并根据车型进行分类，组成图像库，并且根据分类对车辆进行标注；步骤3：采用Alexnet网络对步骤2标注好的图片进行训练，得到训练好的网络模型；步骤4：获取要进行检索的车辆交通图像，并用步骤3训练好的网络模型进行识别，得到车型，并进入对应车型的图像库；步骤5：读入步骤4获取的要进行检索的车辆交通图像，记为记为矩阵I；步骤6：根据步骤5获取的矩阵I构建Hessian矩阵，生成所有的兴趣点，用于特征的提取；步骤7：根据步骤6获取的Hessian矩阵构建尺度空间；步骤8：利用步骤6构建的Hessian矩阵与步骤7构建的尺度空间进行特征点定位；步骤9：对步骤8定位的特征点进行主方向分配；步骤10：沿着步骤9确立的特征点主方向生成特征点描述子；步骤11：根据步骤5获取的矩阵I获取图像的色彩空间HSL：步骤12：根据步骤5获取的矩阵I通过LBP算法获取图像的纹理特征；步骤13：将步骤11与步骤12获取的HSL色彩空间与LBP纹理特征经过归一化处理后加入到步骤10得到的特征点描述子中去：步骤14：利用步骤13得到的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；步骤15：随机从步骤14中确立的匹配点对中随机抽出四对样本数据，且四对样本之间不共线，计算出变换矩阵H；步骤16：利用步骤15获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中去，计算匹配点之间的欧氏距离，若小于距离阈值则将匹配点加入内点集，然后比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，重复步骤15、步骤16达到设定次数；步骤17：判断步骤16所得到的内点集内匹配点的总个数，若大于检索车辆所需要的阈值，则结束匹配，若小于等于阈值，则读入库中下一张图片与需要检索的图片进行特征点进行匹配，返回步骤5，若图片库的图片已经读完，则库中没有要进行匹配的车辆，则结束匹配。