[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

说明书

本发明公开了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，所述系统包括：用于根据车辆部件图像进行车型分类的局部特征神经网络，包括：采用VGG16神经网络的第一卷积层和第一最大池化层的网络的第一局部卷积层和第一局部池化层；采用VGG16神经网络的第三卷积层和第三最大池化层的网络的第二局部卷积层和第二局部池化层；采用VGG16神经网络的第五卷积层和第五最大池化层的网络的第三局部卷积层和第三局部池化层；采用VGG16神经网络的第六全连接层的网络的第四局部全连结层；包括至少一个局部全连接网络的第五局部全连结层；包括至少一个局部分类网络的第六局部分类层。能够根据或进一步结合车辆部件的图像信息进行车型的识别。

技术领域

本发明涉及神经网络和车型识别领域。更具体地，本发明涉及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。

背景技术

近年来，人们已经结合神经网络技术和图像处理技术针对行人、物体进行识别进行了大量的研究工作。同时，由于智能交通技术的不断发展，人们对车辆的管理也提出了更高的要求。例如，中华人民共和国交通部于2003年发布了《收费公路车辆通行费车型分类》行业标准(JT/T 489-2003)，将车辆按照外观、用途、承载能力等划分为五种类型(例如，第一种类型主要包括小轿车、吉普车、皮卡车；第二种类型主要包括小型货车、小型客车；第三种类型主要包括中型货车、中型客车；第四种类型主要包括大型货车、大型客车；第五种类型主要包括重型拖车、重型挂车)来收取车辆通行费。

因此，如果能够在智能交通管理系统中结合神经网络技术和图像处理技术来针对车辆进行车型识别，然后自动根据车型收取通行费，将会大大节省人工收费所涉及的操作步骤，提高收费效率。

文献CN106250812A便公开了一种利用深度学习神经网络进行车型识别的方法。该方法基于快速R-CNN深度神经网络来进行车型识别，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个卷基层中有5个组的卷积层、2个分类层提取图像特征、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；另一方面，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。

然而，文献CN106250812A所公开的车型识别方法仅仅利用车辆的全局图像进行车型识别，并没有考虑根据或进一步结合车辆部件(例如，车灯、车轮、车头车标、车尾车标及排量信息等)的图像信息进行车型识别的方法。

发明内容

本发明的目的是通过以下技术方案实现的。

根据本发明的神经网络系统，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；