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

说明书

本发明公开了一种基于Alexnet‑CLbpSurf多特征融合的车辆分级检索方法，采用Alexnet神经网络对图片进行分类处理，大大减少了车辆检索的时间，将HLS颜色特征与LBP纹理特征融合到Surf算法的特征描述子中去，提升了匹配的精度，具有良好的检测效果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法。

背景技术

随着科技的进步与生活水平的提升，越来越多的人选择驾车出行，与此同时，交通违章行为发生的频率越来越高。为了对交通行为进行监控，相关部门在道路关键部位大都安装了摄像头，所以对于道路的检测的关键就在于对摄像头获取的图像进行处理。

现如今获取车辆信息的途径主要有两种，一种是对图像进行处理获取车辆的车牌号进而锁定车辆，另一种方法是利用图像提取车辆的特征点，对图片库中的车辆的特征点进行匹配。其中，前者有MSER等传统算法或者利用cnn等网络进行深度学习获取车牌。但是某些不法分子往往通过遮挡号牌或伪造号牌等方法以逃脱处罚，这时第一种方法无法对其进行有效监控。对于后者，提取特征点有sift，asift等算法，其不是利用车牌进行车辆锁定，而是提取车辆的特征点，其中包括车辆外形信息与车辆内饰信息，提取规避了上述遮挡号牌与伪造号牌的问题。但是其运算量较大，而且需要对图片库中的图片的特征点进行一一提取与匹配，大大增加了计算量，难以满足车辆检索的需求。

发明内容

本发明的目的在于一种基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，以克服上述现有技术存在的缺陷，本发明先采用Alexnet神经网络对图像进行分类，之后使用surf算法进行特征点提取，然后提取图片的颜色特征与纹理特征，之后加入到surf特征描述子中去，然后采用双向匹配进行特征点匹配，最后利用ransac算法去除误匹配，进而利用匹配点的个数确定是否是同一辆车，提升了匹配的精度，具有良好的检测效果。

为达到上述目的，本发明采用如下技术方案：

基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法，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：