[发明专利]基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法

权利要求书

1.基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，其特征在于，包括以下步骤：

步骤1：获取若干车辆的交通图像；

步骤2：对步骤1中获得的交通图像强制转换为227*227*3大小并根据车型进行分类，组成图像库，并且根据分类对车辆进行标注；

步骤3：采用Alexnet网络对步骤2标注好的图片进行训练，得到训练好的网络模型；

步骤4：获取要进行检索的车辆交通图像，并用步骤3训练好的网络模型进行识别，得到车型，并进入对应车型的图像库；

步骤5：读入步骤4获取的要进行检索的车辆交通图像，记为记为矩阵I；

步骤6：根据步骤5获取的矩阵I构建Hessian矩阵，生成所有的兴趣点，用于特征的提取；

步骤7：根据步骤6获取的Hessian矩阵构建尺度空间；

步骤8：利用步骤6构建的Hessian矩阵与步骤7构建的尺度空间进行特征点定位；

步骤9：对步骤8定位的特征点进行主方向分配；

步骤10：沿着步骤9确立的特征点主方向生成特征点描述子；

步骤11：根据步骤5获取的矩阵I获取图像的色彩空间HSL：

步骤12：根据步骤5获取的矩阵I通过LBP算法获取图像的纹理特征；

步骤13：将步骤11与步骤12获取的HSL色彩空间与LBP纹理特征经过归一化处理后加入到步骤10得到的特征点描述子中去：

步骤14：利用步骤13得到的特征点描述子进行双向匹配得到粗匹配的特征点，即匹配点对；

步骤15：随机从步骤14中确立的匹配点对中随机抽出四对样本数据，且四对样本之间不共线，计算出变换矩阵H；

步骤16：利用步骤15获得的变换矩阵H将一幅图像中的匹配点投影到另一幅图像中去，计算匹配点之间的欧氏距离，若小于距离阈值则将匹配点加入内点集，然后比较此次投影计算得到的内点数量与上一次计算的内点数量，若大于则将此次得到的内点集保存，删除之前计算得到的内点集，重复步骤15、步骤16达到设定次数；

步骤17：判断步骤16所得到的内点集内匹配点的总个数，若大于检索车辆所需要的阈值，则结束匹配，若小于等于阈值，则读入库中下一张图片与需要检索的图片进行特征点进行匹配，返回步骤5，若图片库的图片已经读完，则库中没有要进行匹配的车辆，则结束匹配。

2.根据权利要求1所述的基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，其特征在于，步骤3采用的Alexnet网络结构共有8层网络，前5层为卷积层，后3层为全连接层。

3.根据权利要求1所述的基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，其特征在于，步骤6中在构建Hessian矩阵前，使用二阶标准高斯函数作为滤波器对步骤4获取的交通图像进行高斯滤波，通过特定核间的卷积计算二阶偏导数，进而计算出Hessian矩阵的三个矩阵元素Lxx,Lxy,Lyy，从而计算出Hessian矩阵，其公式为：

其中，σ是标准差，Lxx为x方向的二阶偏导，Lxy为先对x方向求二阶偏导，再对y方向求二阶偏导，Lyy为对y方向求二阶偏导；

步骤7中构建的尺度空间由若干组图像构成，每一组中包含若干层，不同组间图像的尺寸一致，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组间不同层间使用相同尺寸的滤波器，但是滤波器的模糊系数逐渐增大。

4.根据权利要求3所述的基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，其特征在于，步骤8中特征点定位具体为：在每一组中选取相邻的三层Hessian行列式图像，对于中间层的每一个Hessian行列式值都作为待比较的点，在空间中选取该点周围的26个点进行比较大小，若该点大于其他26个点，则该点为初步特征点，同时设置阈值a，若初步特征点的值小于阈值a的值，则将该点剔除，筛选出最终的稳定的特征点；

步骤9具体为：对以特征点为中心的6倍特征尺度为半径的圆形区域内的Harr小波响应做统计运算，在特征点的圆形邻域内，统计60度扇形内所有点的水平、垂直Harr小波特征总和，然后扇形以相同间隔进行旋转并再次统计该区域内Harr小波特征值，最后将Harr小波特征值最大的扇形的方向作为该特征点的主方向。