[发明专利]一种多特征融合的车辆识别方法

摘要

本发明公开了一种多特征融合的车辆识别方法，基于训练图像训练传统卷积神经网络，基于测试图像和传统卷积神经网络得到最优卷积神经网络；根据最优卷积神经网络提取样本图像的CNN特征，并融合样本图像的CNN、HOG和PCA特征，以训练车辆识别SVM模型；根据最优卷积神经网络提取待测图像的CNN特征，车辆识别SVM模型根据待测图像的CNN、HOG和PCA特征，判断待测图像是否含有车辆。在传统卷积神经网络的基础上进行改进，且融合的3个特征都具有一定的车辆和非车辆区分性，并使用训练得到的SVM进行分类识别，可以在一个特征无法准确分辨待测图像的目标时，从另外一个角度来衡量此目标，从而更有效地提高车辆的识别效果。

主权项

1.一种多特征融合的车辆识别方法，其特征在于，包括以下步骤：S10：获取样本图像并进行预处理，样本图像包括训练图像和测试图像，且训练图像和测试图像均已知是车辆正样本或非车辆负样本；S20：以训练图像作为输入、训练图像是否含有车辆作为输出，对传统卷积神经网络进行训练；基于测试图像调整传统卷积神经网络的参数，得到最优卷积神经网络；S30：将预处理后的样本图像输入到最优卷积神经网络，提取样本图像的CNN特征；S40：获取样本图像的HOG特征和PCA特征，并将样本图像的CNN特征、HOG特征和PCA特征进行融合，得到样本图像的融合特征向量；S50：以预处理后的样本图像的融合特征向量作为输入、样本图像是否含有车辆作为输出，对SVM分类器进行训练，得到车辆识别SVM模型；S60：将待测图像进行预处理并输入到最优卷积神经网络，提取待测图像的CNN特征；S70：获取待测图像的HOG特征和PCA特征，并将待测图像的CNN特征、HOG特征和PCA特征进行融合，得到待测图像的融合特征向量；S80：车辆识别SVM模型根据待测图像的融合特征向量进行识别，判断待测图像是否含有车辆。