[发明专利]一种多特征融合的车辆识别方法

说明书

本发明公开了一种多特征融合的车辆识别方法，基于训练图像训练传统卷积神经网络，基于测试图像和传统卷积神经网络得到最优卷积神经网络；根据最优卷积神经网络提取样本图像的CNN特征，并融合样本图像的CNN、HOG和PCA特征，以训练车辆识别SVM模型；根据最优卷积神经网络提取待测图像的CNN特征，车辆识别SVM模型根据待测图像的CNN、HOG和PCA特征，判断待测图像是否含有车辆。在传统卷积神经网络的基础上进行改进，且融合的3个特征都具有一定的车辆和非车辆区分性，并使用训练得到的SVM进行分类识别，可以在一个特征无法准确分辨待测图像的目标时，从另外一个角度来衡量此目标，从而更有效地提高车辆的识别效果。

技术领域

本发明涉及图像或视频帧车辆识别技术领域，更具体地，涉及一种多特征融合在车辆识别中的应用。

背景技术

随着经济的发展，汽车代表了一种移动性和便利性的革命，为我们提供了从一个地方到另一个地方的灵活性。如今，汽车作为现代生活中的交通工具是必不可少的。视觉物体识别的车辆安全驾驶辅助系统对于汽车在运行过程中易发生碰撞起着重要作用。车辆识别是其中的一个代表性技术。

现有的方法通常基于模板匹配和模式分类。模板匹配使用一组标准车辆图像，并测量测试图像和选定模板之间的相似性。但是，由于车辆外观可能存在很大的变化，很难找到一组可以有效表示所有车辆的通用模板。模式分类使用大量的车辆图像来训练分类器，该分类器学习车辆与非车辆之间的差异。然后分类器从训练图像中学习车辆外观的特征。训练通常基于监督学习方法，其中使用大量标记的车辆和非车辆图像。为了便于分类，训练图像首先被预处理以提取一些代表性特征。为了实现良好的分类结果，选择特征是至关重要的。但是，单一的某一种特征，很难将图像所有特征表现出来导致无法正确识别到车辆，并且在背景复杂的非车辆区域也会具有车辆相同的特征导致错误识别为车辆。

发明内容

本发明提供一种多特征融合的车辆识别方法，将多个特征融合作为图像中的车辆识别特征，可以在一个特征无法准确分辨目标时，从另外一个角度来衡量此目标是否车辆。

为了实现上述目的，本发明采用的技术方案为：

一种多特征融合的车辆识别方法包括以下步骤：

S10：获取样本图像并进行预处理，样本图像包括训练图像和测试图像，且训练图像和测试图像均已知是车辆正样本或非车辆负样本；

S20：以训练图像作为输入、训练图像是否含有车辆作为输出，对传统卷积神经网络进行训练；基于测试图像调整传统卷积神经网络的参数，得到最优卷积神经网络；

S30：将预处理后的样本图像输入到最优卷积神经网络，提取样本图像的CNN特征；

S40：获取样本图像的HOG特征和PCA特征，并将样本图像的CNN特征、HOG特征和PCA特征进行融合，得到样本图像的融合特征向量；

S50：以样本图像的融合特征向量作为输入、样本图像是否含有车辆作为输出，对SVM分类器进行训练，得到车辆识别SVM模型；

S60：将待测图像进行预处理并输入到最优卷积神经网络，提取待测图像的CNN特征；

S70：获取待测图像的HOG特征和PCA特征，并将待测图像的CNN特征、HOG特征和PCA特征进行融合，得到待测图像的融合特征向量；

S80：车辆识别SVM模型根据待测图像的融合特征向量进行识别，判断待测图像是否含有车辆。

该技术方案在传统卷积神经网络的基础上进行改进，然后融合的3个特征都具有一定的车辆和非车辆区分性，并使用训练得到的SVM进行分类识别，可以在一个特征无法准确分辨待测图像的目标时，从另外一个角度来衡量此目标，从而更有效地提高车辆的识别效果。