[发明专利]基于主成分分析卷积神经网络的车标自动识别方法

说明书

一种基于主成分分析卷积神经网络的车标自动识别方法，包括各类车标分类理想输出特征向量取得的步骤及车标识别步骤，其中，表示车标分类理想输出特征向量，k表示车标种类数，所述各类车标分类理想输出特征向量是用N份各类车标图像样本对卷积神经网络进行训练取得的，所述的车标识别是在得到待识别车标的输出向量Z后，通过计算各个品牌的车标分类理想输出特征向量与对应的待识别车标的输出向量Z之间的欧氏距离及归属度，最大归属度中对应的品牌车标即为待识别车标。

技术领域

交通图像车辆特征检测的技术领域，尤其涉及一种基于主成分分析卷积神经网络的车标自动识别方法。

背景技术

车标识别作为交通图像车辆特征检测技术领域中的重要组成部分，可以更准确地获取车辆信息，已在车辆行踪及违法车辆的自动记录中得到了越来越广泛的应用。目前车标识别的现有技术包括利用特征不变矩距离分类法、基于SIFT特征识别法等，其在识别率和识别速度上都有待提高。

卷积神经网络(CNN)是人工神经网络的一种，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。基于卷积神经网络车标识别技术，明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器使识别车标更有效，运行速度更快。

发明内容

本发明提供一种基于主成分分析卷积神经网络的车标自动识别方法，本发明用相对较小的计算复杂度，极大地提高车标图像识别效果，使得车标识别率能达到85％以上。

本发明采用如下技术方案：

一种基于主成分分析卷积神经网络的车标自动识别方法，其特征在于，包括各类车标分类理想输出特征向量T_k取得的步骤及车标识别步骤，其中，T_k表示车标分类理想输出特征向量，k表示车标种类数，

所述各类车标分类理想输出特征向量T_k取得的步骤包括：

搜集作为样本图像的各类车标图像N份，分别对各类车标图像进行定位，得到大小为44×44像素的各类车标区域精确定位灰度图像N份，再通过训练卷积神经网络，确定并得到各类车标分类理想输出特征向量T，所述卷积神经网络的训练方法如下：

步骤101卷积神经网络训练参数设定

分别取作为样本图像的各类车标的44×44像素的车标区域精确定位灰度图像N份，卷积核设为5×5，采样层采样范围2×2，

步骤102对样本图像进行灰度归一化处理，统一各个样本的图像亮度和对比度，得到归一化样本图像且归一化样本图像的像素值为G_(i,j,n)，G_(i,j,n)为第n个样本的归一化图像中的第i行第j列像素值，i、j＝均为正整数，

步骤103采用主成分分析滤波器为卷积核，所述卷积核是将64列向量分别排列为5×5方阵后得到的64个5×5卷积核，所述64个5×5卷积核采用如下方法得到：

步骤103-1：求得矩阵X_N×1936的协方差矩阵C_1936×1936，所述矩阵X_N×1936是分别将N个归一化样本图像的每一个相同位置上的像素值G_(i,j,n)拉成一个列向量，组成矩阵X_N×1936，则矩阵X共有N行、44×44＝1936列；

步骤103-2：求协方差矩阵C_1936×1936的特征值和特征向量，并将特征向量归一化为单位向量，