[发明专利]基于复合CNN模型的车标识别方法

权利要求书

1.一种基于复合CNN模型的车标识别方法，其特征在于：包括如下步骤：

S1、车标复杂度预判，计算车标形状复杂度、质量对称度和图像组成复杂度，归一化得车标复杂度信息，利用车标样本极值类内方差法选取最佳阈值根据车标样本的复杂度将训练样本分为两组G₁和G₂，其中G₁组车标复杂度值差异较小，G₂组车标复杂度差异较大；

S2、基于复合CNN模型对样本进行网络训练，所述复合CNN模型即两个传统卷积神经网络，将两个训练样本G₁和G₂作为两个传统卷积神经网络的输入，并通过双向传播进行权值更新和调整，进行网络训练，直到网络收敛或达到训练要求为止；

S3、车标识别，将待识别的车标样本通过判断其复杂度信息自适应选取某一卷积神经网络，并将原始车标图片作为输入，在训练好的卷积神经网络分别进行特征提取，并在全连接层融合特征向量并分类识别。

2.根据权利要求1所述的方法，其特征在于：根据得到的车标复杂度信息，设定初始阈值T_c，分别计算两类车标样本图像G₁和G₂的类内均值μ₁、μ₂和类内方差为如下：

其中N₁、N₂分别表示类别为G₁和G₂中样本个数，C_G1和C_G2分别表示G₁和G₂中车标复杂度值，分别计算两类中样本个数在总个数中的占比p₁＝N₁/N和p₂＝N₂/N。目标函数为和当满足以下条件时，此时阈值为最佳阈值，即训练网络时要选取的阈值，即：

3.根据权利要求1所述的方法，其特征在于：其中G₁作为输入的CNN激励函数选取sigmoid函数，G₂作为输入的CNN激励函数选取tanh函数。

4.根据权利要求3所述的方法，其特征在于：tanh函数和sigmoid函数形式分别为：