[发明专利]一种基于深层网络融合模型的车辆类型分类方法

说明书

本发明提供了一种基于深层网络融合模型的车辆类型分类方法，包括：对获取的车辆图像搜索车牌区域，定位和分割车脸图像；构建Resnet50网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量F_R；构建InceptionV3网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量F_I；构建Xception网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量F_X；将获取的车脸图像特征向量F_R、F_I和F_X进行融合，得到3×2048维的车型融合特征向量F_C；构建深层网络融合模型的输出层，并根据获取的车型融合特征向量F_C对车辆类型进行分类。本发明性能优于现有车型分类方法。

技术领域

本发明属于智能交通技术领域，涉及车辆分类方法，具体涉及一种基于深层网络融合模 型的车辆类型分类方法。

背景技术

车辆检测技术是智能交通系统中重要的一环，广泛应用于各种交通场景，如辅助驾驶、 交通流检测、ETC不停车收费系统等，对于解决交通难题起着重大作用。与传统的车辆检测 技术相比，基于图像的车辆检测技术具有以下优点：安装容易，视频传感器安装在龙门架或 者道路两侧，且可与监控系统合二为一，不破坏路基不影响交通，价格便宜；得到的信息丰 富，能现场重现；可对静止车辆进行检测。

随着GPU的快速发展，计算机的图像处理能力得到了大幅度提高，随之而来的是深度学 习的快速发展。深度学习相比于传统的机器学习算法相比，深度学习不需要手动的提取特征， 这使得深度学习具有很好的普适性和自适应性。深度学习算法可以灵活地在训练数据的驱动 下自主学习特征，利用深度网络进行特征描述，相对于传统的神经网络，深度学习网络权值 共享，逐层训练等策略大大提高了计算效率。目前，现有技术尚未将深度学习用于自然场景 图片的车辆定位和车型分类中。

发明内容

为解决上述问题，本发明公开了一种基于深层网络融合模型的车辆类型分类方法，利用 深度学习方法有效地对车型进行检测和识别。

为了达到上述目的，本发明提供如下技术方案：

一种基于深层网络融合模型的车辆类型分类方法，包括如下步骤：

1)对获取的车辆图像采用遍历匹配算法搜索车辆的车牌区域，并根据车脸区域与车牌区 域的比例关系来定位和分割车脸图像；

2)构建用于车型特征提取的Resnet50网络模型，并采用该模型对车脸图像进行特征提 取，获得1×2048维的车型特征向量F_R；

3)构建用于车型特征提取的InceptionV3网络模型，并采用该模型对车脸图像进行特征 提取，获得1×2048维的车型特征向量F_I；

4)构建用于车型特征提取的Xception网络模型，并采用该模型对车脸图像进行特征提 取，获得1×2048维的车型特征向量F_X；

5)采用特征并联融合规则，将获取的车脸图像特征向量F_R、F_I和F_X进行融合，得到3×2048 维的车型融合特征向量F_C；

6)构建用于车辆类型分类的深层网络融合模型的输出层，并根据获取的车型融合特征向 量F_C对车辆类型进行分类。

进一步的，所述步骤1)具体包括如下过程：