[发明专利]一种神经网络系统及基于该神经网络系统的车型识别方法

权利要求书

1.一种神经网络系统，其特征在于，包括：

局部特征神经网络，所述局部特征神经网络用于根据车辆部件图像进行车型分类，包括：

第一局部卷积层和第一局部池化层，所述第一局部卷积层和第一局部池化层采用VGG16神经网络的第一卷积层和第一最大池化层的网络；

第二局部卷积层和第二局部池化层，所述第二局部卷积层和第二局部池化层采用VGG16神经网络的第三卷积层和第三最大池化层的网络；

第三局部卷积层和第三局部池化层，所述第三局部卷积层和第三局部池化层采用VGG16神经网络的第五卷积层和第五最大池化层的网络；

第四局部全连结层，所述第四局部全连结层采用VGG16神经网络的第六全连接层的网络；

第五局部全连结层，所述第五局部全连结层包括至少一个局部全连接网络，所述至少一个局部全连接网络中的每一个局部全连接网络都采用VGG16神经网络的第七全连接层的网络；

第六局部分类层，所述第六局部分类层包括至少一个局部分类网络，所述至少一个局部分类网络中的每一个局部分类网络分别与所述第五局部全连结层中的至少一个局部全连接网络中的一个局部全连接网络一一对应连接、且都采用VGG16神经网络的第八全连接层和第九soft-max分类层的网络。

2.根据权利要求1所述的神经网络系统，其特征在于，还包括：

全局特征神经网络，所述全局特征神经网络用于根据车辆全局图像进行车型分类，包括：

第一全局卷积层和第一全局池化层，所述第一全局卷积层和第一全局池化层与所述第一局部卷积层和第一局部池化层共用所述VGG16神经网络的第一卷积层和第一最大池化层的网络；

第二全局卷积层和第二全局池化层，所述第二全局卷积层和第二全局池化层采用VGG16神经网络的第二卷积层和第二最大池化层的网络；

第三全局卷积层和第三全局池化层，所述第三全局卷积层和第三全局池化层采用VGG16神经网络的第三卷积层和第三最大池化层的网络；

第四全局卷积层和第四全局池化层，所述第四全局卷积层和第四全局池化层采用VGG16神经网络的第四卷积层和第四最大池化层的网络；

第五全局卷积层和第五全局池化层，所述第五全局卷积层和第五全局池化层采用VGG16神经网络的第五卷积层和第五最大池化层的网络；

第六全局全连结层，所述第六全局全连结层采用VGG16神经网络的第六全连接层的网络；

第七全局全连结层，所述第七全局全连结层采用VGG16神经网络的第七全连接层的网络；

第八全局分类层，所述第八全局分类层采用VGG16神经网络的第八全连接层和第九soft-max分类层的网络。

3.根据权利要求1所述的神经网络系统，其特征在于，还包括：

第一分类结果统计输出层，用于根据所述第六局部分类层的多个局部分类网络输出的多个分类结果输出最终的分类结果。

4.根据权利要求2所述的神经网络系统，其特征在于，还包括：

第二分类结果统计输出层，用于根据所述第六局部分类层的所述至少一个局部分类网络输出的至少一个分类结果和所述第八全局分类层输出的分类结果输出最终的分类结果。

5.根据权利要求1所述的神经网络系统，其特征在于，还包括：

车辆部件检测与裁切神经网络，所述车辆部件检测与裁切神经网络采用Fast R-CNN网络，用于向所述局部特征神经网络输入经过检测与裁切的车辆部件图像。

6.根据权利要求2所述的神经网络系统，其特征在于，还包括：

车辆部件检测与裁切神经网络，所述车辆部件检测与裁切神经网络采用Fast R-CNN网络，用于向所述局部特征神经网络输入经过检测与裁切的车辆部件图像；以及

车辆检测与裁切神经网络，所述车辆检测与裁切神经网络采用Fast R-CNN网络，用于向所述全局特征神经网络输入经过检测与裁切的车辆全局图像。

7.根据权利要求1或2所述的神经网络系统，其特征在于，所述车辆部件至少包括车灯、车轮、车头车标、车尾车标及排量信息中的至少一个。