[发明专利]基于复合CNN模型的车标识别方法

说明书

本发明公开了一种基于复合CNN模型的车标识别方法，包括如下步骤：S1、车标复杂度预判，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；S3、车标识别，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。本发明将传统的单一卷积神经网络结构改为双网结构，利用由于不同车标复杂度各异而产生的复杂度信息作为车标的固定特征，针对车标复杂度差异不均衡的情况，提出自适应选取两种激励函数对不同输入进行侧重，有助于提高分类精度。

技术领域

本申请涉及车标识别领域，具体涉及一种基于复合CNN模型的车标识别方法。

背景技术

近年来，随着智能交通系统(Intelligent Transportation System,ITS)的大力发展，车辆识别系统在不断更新进步，满足实际应用需求。目前车辆识别系统中车牌识别比较成熟，但对于假车牌、套牌车的识别存在明显漏洞，使得车牌识别的准确率并不高。而与此同时，车标作为车辆本身的重要特征，具有不易涂改，因而可作为甄别车辆的重要依据。目前现有技术中，主要有以下的几种方法：

夏建生等人[1]采用基于主成分分析和支持向量机(Support Vector Machine,SVM)的车标识别方法，能有效降低输出向量维度，处理速度较快；鲁丰等人[2]提出基于改进HOG特征和SVM的车标识别，根据车标的纹理特征，增强车标边缘特征权重，以获得更全面的图像特征值；但是上述基于SVM车标识别方法需要手动提取图像特征，比较费时费力；

Yue Huang等人[3]提出基于预训练策略的CNN车标识别系统，不需要非常精确的车标定位和分割，同时引入了预处理策略，减少了计算成本；但是该方法采用的传统CNN采用单输入层，激励函数固定的模式，单一输入层直接将原始图像作为输入，忽略了图像的属性以及附加信息，可能导致识别结果不满意。

上述方法分别参见以下文献：

[1]夏建生,李印,栾语.基于主成份分析和支持向量机的车标识别[J].工业控制计算机,2011,05:76-78+80.

[2]鲁丰,刘芸,张仁辉.基于改进HOG特征值的车标检测与识别方法[J].光通信研究 2012,05:26-29.

[3]Yue Huang,Ruiwen Wu.ect.Vehicle Logo Recognition System Based onConvolutiona Neural Networks With a Pretraining Strategy.IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS,2015,16(4):1-10.

但是，在车标识别系统中，传统卷积神经网络直接将原始图像作为输入，忽略了图像的附加属性，不能更加有效全面的利用已有信息，如图像的复杂度信息，且传统复合卷积神经网络(Convolutional Neural Networks,CNN)模型激励函数单一，tanh函数适用于训练特征差异较大的样本，而sigmoid函数适用于特征差异较小的样本。因此由于车标样本之间复杂度差异大小不一，不论选取tanh函数还是sigmoid函数都不能很好的兼顾样本复杂度差异。

发明内容

为了解决上述技术问题，本发明提出了一种基于复合CNN模型的车标识别方法，充分利用由于不同车标复杂度各异而产生的复杂度信息作为车标的固定特征，很好地实现车标识别，采用了如下技术方案：

一种基于复合CNN模型的车标识别方法，包括如下步骤：