基于卷积神经网络的车型识别方法及装置与流程
本发明涉及图像处理、视频监控以及安防，特别涉及车型识别方法及装置。
背景技术：
车辆识别技术是智能交通系统(Intelligent Transportation System，简称ITS)的重要组成部分，是从车辆分类的标准出发，对各种车辆进行信息采集，然后利用这些信息对车辆进行分类识别的一种技术。车型识别技术在打击车辆盗窃、规范交通秩序、停车场管理、高速公路自动计费、环境监管等方面具有广阔的应用前景。
基于图像的车型识别主要有：1)基于特征的车型识别，如采用Harris角点特征、Gabor特征和SIFT(Scale Invariant Feature Transform)特征等进行车型识别，但该类方法由于各特征本身的特点，当存在光照变化、视角变化、遮挡时，会极大地影响识别率；2)基于模板的车型识别，该类方法通常存在提取难度大，计算复杂等特点；3)基于神经网络的车型识别，通过大量车型样本图像对神经网络的训练，以获取训练好的分类模型，该类方法依赖于网络结构和样本选取。近年来，随着深度学习在图像识别领域的优异表现，基于卷积神经网络的车型识别受到了极大的追捧。
公开号为CN106056102A的中国发明专利申请公开了一种基于视频图像分析的道路车型分类方法，包括：获取视频图像中的每一帧；将视频图像中的每一帧输入至高斯混合模型中，得到前景车辆中心点；将视频图像中的每相邻两帧以及前景车辆中心点输入至卡尔曼滤波器中，得到最优帧；将最优帧输入至卷积神经网络中，得到高维特征向量；将高维特征向量输入车型分类模型中，得到车型分析结果。然而该发明计算量较大，且对于复杂的环境鲁棒性较差。
综上所述，目前迫切需要提出一种快速且适于复杂环境下的车辆的车型识别方法及装置。
技术实现要素：
有鉴于此，本发明的主要目的在于实现车辆的车型的快速识别，且识别准确率高，鲁棒性较好。
为达到上述目的，按照本发明的第一个方面，提供了的基于卷积神经网络的车型识别方法，该方法包括：
第一步骤，选取已标签车型的样本图像，对卷积神经网络进行训练，获取训练好的车型识别模型；
第二步骤，采集或者输入彩色场景视频图像；
第三步骤，采用加权平均法对每帧彩色场景图像进行灰度化处理，获取每帧灰度场景图像；
第四步骤，采用均值漂移背景更新背景法更新背景图像，计算每帧灰度场景图像与背景图像的差分图像，对差分图像进行中值滤波、连通区域标记、连通区域筛选处理，获取每帧灰度场景图像的感兴趣区域图像；以及
第五步骤，采用训练好的车型识别模型对每帧灰度场景图像的感兴趣区域图像进行分类识别，输出识别结果。
进一步地，所述第一步骤包括：
样本选取步骤，选取LINum1个已标记MNum种车型的灰度图像作为样本图像，选取LINum2个已标记非车辆的灰度图像作为负样本图像；
初步训练步骤，利用卷积神经网络对正样本图像和负样本图像进行训练，获得初步训练车型分类模型；
二次训练步骤，选取TINum个测试图像，根据初步训练车型分类模型对测试图像进行反复训练，直至车型分类模型收敛；
模型输出步骤，将收敛的车型分类模型作为车型识别模型并输出。
进一步地，所述初步训练步骤中卷积神经网络包括：
输入层，输入宽度为Width、高度为Height的灰度图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKSi1*CKSi1、步长为1；
第一层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKSi2*CKSi2、步长为1；
第二层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKSi3*CKSi3、步长为1；
第三层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第四层卷积层，输出Th_CK4个卷积核，卷积核的大小为CKSi4*CKSi4、步长为1；
第四层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第五层卷积层，输出Th_CK5个卷积核，卷积核的大小为CKSi5*CKSi5、步长为1；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出MNum+1个神经元，即MNum种车型类别和1种非车辆类别。
进一步地，所述二次训练步骤包括：
训练特征提取步骤，根据初步训练车型分类模型，提取TINum个灰度测试图像的特征；
训练分类判定步骤，计算测试图像的特征与每种车型类别特征的相似度Simik，k表示第k种车型类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的车型类别作为候选车型类别；
反复训练步骤，计算判定结果与真实结果的误差，利用反向传播算法来训练车型分类模型，重复训练特征提取步骤和训练分类判定步骤，直至车型分类模型收敛。
进一步地，所述第三步骤中加权平均法包括：统计第i帧彩色场景图像内像素点(x,y)的红色分量值Ri(x,y)、绿色分量值Gi(x,y)、蓝色分量值Bi(x,y)，根据加权公式fi(x,y)＝0.114×Ri(x,y)+0.587×Gi(x,y)+0.299×Bi(x,y)，获取第i帧场景图像内像素点(x,y)的加权灰度值fi(x,y)。
进一步地，所述第四步骤包括：
均值漂移背景更新步骤，计算第i帧灰度场景图像的背景图像Bi(x,y)＝(1-α)×Bi-1(x,y)+α×fi-1(x,y)，其中B0(x,y)＝f0(x,y)；
差分图像计算步骤，计算第i帧灰度场景图像fi(x,y)与背景图像Bi(x,y)的差分图像；
中值滤波处理步骤，分别采用中值滤波算法对每帧灰度场景图像的差分图像进行处理，获取每帧灰度场景图像的前景图像；
连通区域标记步骤，采用连通区域标记法对每帧灰度场景图像的前景图像进行标记，获取每帧灰度场景图像内的连通区域；
连通区域筛选步骤，统计每帧灰度场景图像内的每个连通区域内前景点的数量，若连通区域内前景点的数量大于标记阈值MT，则将该连通区域设为感兴趣区域，否则将该连通区域内的前景点全设为背景点；
感兴趣区域图像提取步骤，根据每帧灰度场景图像内感兴趣区域的位置，提取该帧灰度场景图像中相应位置内的图像作为感兴趣区域图像。
进一步地，所述第五步骤包括：
识别特征提取步骤，利用车型识别模型分别提取感兴趣区域图像的特征；
识别分类判定步骤，计算提取的感兴趣区域图像特征与每一种车型类别特征的相似度Simik，k表示第k种类别，k∈{1，2，…，MNum，MNum+1},选取Simik值最大的类别作为车型类别。
按照本发明的另一个方面，提供了的基于卷积神经网络的车型识别装置，该装置包括：
车型识别模型训练模块，用于选取已标签车型的样本图像，对卷积神经网络进行训练，获取训练好的车型识别模型；
彩色场景视频图像获取模块，用于采集或者输入彩色场景视频图像；
场景灰度图像获取模块，用于采用加权平均法对每帧彩色场景图像进行灰度化处理，获取每帧灰度场景图像；
感兴趣区域图像提取模块，用于采用均值漂移背景更新背景法更新背景图像，计算每帧灰度场景图像与背景图像的差分图像，对差分图像进行中值滤波、连通区域标记、连通区域筛选处理，获取每帧灰度场景图像的感兴趣区域图像；以及
感兴趣区域图像分类识别模块，用于采用训练好的车型识别模型对每帧灰度场景图像的感兴趣区域图像进行分类识别，输出识别结果。
进一步地，所述车型识别模型训练模块包括：
样本选取模块，用于选取LINum1个已标记MNum种车型的灰度图像作为样本图像，选取LINum2个已标记非车辆的灰度图像作为负样本图像；
初步训练模块，用于利用卷积神经网络对正样本图像和负样本图像进行训练，获得初步训练车型分类模型；
二次训练模块，用于选取TINum个测试图像，根据初步训练车型分类模型对测试图像进行反复训练，直至车型分类模型收敛；
模型输出模块，用于将收敛的车型分类模型作为车型识别模型并输出。
进一步地，所述初步训练模块中卷积神经网络包括：
输入层，输入宽度为Width、高度为Height的灰度图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKSi1*CKSi1、步长为1；
第一层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKSi2*CKSi2、步长为1；
第二层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKSi3*CKSi3、步长为1；
第三层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第四层卷积层，输出Th_CK4个卷积核，卷积核的大小为CKSi4*CKSi4、步长为1；
第四层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第五层卷积层，输出Th_CK5个卷积核，卷积核的大小为CKSi5*CKSi5、步长为1；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出MNum+1个神经元，即MNum种车型类别和1种非车辆类别。
进一步地，所述二次训练模块包括：
训练特征提取模块，用于根据初步训练车型分类模型，提取TINum个灰度测试图像的特征；
训练分类判定模块，用于计算测试图像的特征与每种车型类别特征的相似度Simik，k表示第k种车型类别，，k∈{1，2，…，MNum，MNum+1},选取Simik值最大的车型类别作为候选车型类别；
反复训练模块，用于计算判定结果与真实结果的误差，利用反向传播算法来训练车型分类模型，重复训练特征提取模块和训练分类判定模块，直至车型分类模型收敛。
进一步地，所述场景灰度图像获取模块中加权平均法包括：统计第i帧彩色场景图像内像素点(x,y)的红色分量值Ri(x,y)、绿色分量值Gi(x,y)、蓝色分量值Bi(x,y)，根据加权公式fi(x,y)＝0.114×Ri(x,y)+0.587×Gi(x,y)+0.299×Bi(x,y)，获取第i帧场景图像内像素点(x,y)的加权灰度值fi(x,y)。
进一步地，所述感兴趣区域图像提取模块包括：
均值漂移背景更新模块，用于计算第i帧灰度场景图像的背景图像Bi(x,y)＝(1-α)×Bi-1(x,y)+α×fi-1(x,y)，其中B0(x,y)＝f0(x,y)；
差分图像计算模块，用于计算第i帧灰度场景图像fi(x,y)与背景图像Bi(x,y)的差分图像；
中值滤波处理模块，用于分别采用中值滤波算法对每帧灰度场景图像的差分图像进行处理，获取每帧灰度场景图像的前景图像；
连通区域标记模块，用于采用连通区域标记法对每帧灰度场景图像的前景图像进行标记，获取每帧灰度场景图像内的连通区域；
连通区域筛选模块，用于统计每帧灰度场景图像内的每个连通区域内前景点的数量，若连通区域内前景点的数量大于标记阈值MT，则将该连通区域设为感兴趣区域，否则将该连通区域内的前景点全设为背景点；
感兴趣区域图像提取模块，用于根据每帧灰度场景图像内感兴趣区域的位置，提取该帧灰度场景图像中相应位置内的图像作为感兴趣区域图像。
进一步地，所述感兴趣区域图像分类识别模块包括：
识别特征提取模块，用于利用车型识别模型分别提取感兴趣区域图像的特征；
识别分类判定模块，用于计算提取的感兴趣区域图像特征与每一种车型类别特征的相似度Simik，k表示第k种类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的类别作为车型类别。
与现有的车型识别技术相比，本发明的基于卷积神经网络的车型识别方法及装置一方面采用卷积神经网络进行训练和识别的模型，提高了车型识别的准确率；另一方面采用背景差分算法先提取感兴趣区域，再对感兴趣区域进行分类识别，降低了计算的复杂度。
附图说明
图1示出了按照本发明的基于卷积神经网络的车型识别方法的流程图。
图2示出了按照本发明的基于卷积神经网络的车型识别装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的基于卷积神经网络的车型识别方法的流程图。如图1所示，按照本发明的基于卷积神经网络的车型识别方法包括：
第一步骤S1，选取已标签车型的样本图像，对卷积神经网络进行训练，获取训练好的车型识别模型；
第二步骤S2，采集或者输入彩色场景视频图像；
第三步骤S3，采用加权平均法对每帧彩色场景图像进行灰度化处理，获取每帧灰度场景图像；
第四步骤S4，采用均值漂移背景更新背景法更新背景图像，计算每帧灰度场景图像与背景图像的差分图像，对差分图像进行中值滤波、连通区域标记、连通区域筛选处理，获取每帧灰度场景图像的感兴趣区域图像；以及
第五步骤S5，采用训练好的车型识别模型对每帧灰度场景图像的感兴趣区域图像进行分类识别，输出识别结果。
进一步地，所述第一步骤S1包括：
样本选取步骤S11，选取LINum1个已标记MNum种车型的灰度图像作为样本图像，选取LINum2个已标记非车辆的灰度图像作为负样本图像；
初步训练步骤S12，利用卷积神经网络对正样本图像和负样本图像进行训练，获得初步训练车型分类模型；
二次训练步骤S13，选取TINum个测试图像，根据初步训练车型分类模型对测试图像进行反复训练，直至车型分类模型收敛；
模型输出步骤S14，将收敛的车型分类模型作为车型识别模型并输出。
进一步地，所述样本选取步骤S11中MNum∈[3,30]，可根据需求设置已标记车型的种类数量。例如，MNum选为3时，已标记车型包括：小型车、中型车、大型车；MNum选为19时，已标记车型包括：小轿车、吉普车、的士头货车、摩托车、面包车、小型货车、轻型货车、小型客车、中型客车、大型客车、中型货车、大型豪华客车、双层大客车、大型货车、大型拖(挂)车、20英尺集装箱车、重型货车、重型拖(挂)车、40英尺集装箱车。优选地，MNum选为19。
进一步地，所述LINum1≥4000，LINum2≥2000。优选地，所述LINum1≥16000，LINum2≥8000。
进一步地，所述初步训练步骤S12中卷积神经网络包括：
输入层，输入宽度为Width、高度为Height的灰度图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKSi1*CKSi1、步长为1；
第一层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKSi2*CKSi2、步长为1；
第二层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKSi3*CKSi3、步长为1；
第三层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第四层卷积层，输出Th_CK4个卷积核，卷积核的大小为CKSi4*CKSi4、步长为1；
第四层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第五层卷积层，输出Th_CK5个卷积核，卷积核的大小为CKSi5*CKSi5、步长为1；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出MNum+1个神经元，即MNum种车型类别和1种非车辆类别。
进一步地，所述Width∈[64,256]，Height∈[64,256]；Th_CK1∈[16,32]，CKSi1为3或者5；KSi∈[2,4]；Th_CK2∈[16,32]，CKSi2为3或者5；Th_CK3∈[32,64]，CKSi3为3或者5；Th_CK4∈[32,64]，CKSi4为3或者5；Th_CK5∈[64,128]，CKSi5为3或者5；Th_Neur∈[100,10000]。
优选地，Width设为128，Height设为128。Th_CK1设为16，CKSi1设为3，KSi设为2，Th_CK2设为16，CKSi2设为3，Th_CK3设为32，CKSi3设为3，Th_CK4设为32，CKSi4设为3，Th_CK5设为64，CKSi5设为3。Th_Neur设为120。
所述池化层中最大池化法通过现有技术实现。
所述第一层全连接层中ReLU全称为Rectified Linear Units，中文译为修正线性单元，可以参考文献“Taming the ReLU with Parallel Dither in a Deep Neural Network.AJR Simpson.Computer Science,2015”。
进一步地，所述二次训练步骤S13包括：
训练特征提取步骤S131，根据初步训练车型分类模型，提取TINum个灰度测试图像的特征；
训练分类判定步骤S132，计算测试图像的特征与每种车型类别特征的相似度Simik，k表示第k种车型类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的车型类别作为候选车型类别；
反复训练步骤S133，计算判定结果与真实结果的误差，利用反向传播算法来训练车型分类模型，重复训练特征提取步骤S131和训练分类判定步骤S132，直至车型分类模型收敛。
进一步地，选取TINum个测试图像包括MNum种车型的灰度图像和非车辆的灰度图像。所述TINum≥1000。优选地，TINum≥6000。
进一步地，训练分类判定步骤S132中所述车型类别包括MNum种车型类别和1种非车辆类别。
所述反复训练步骤S133中反向传播算法通过现有的技术实现。
进一步地，所述第二步骤S2中采集或者输入彩色场景视频图像是指可以通过图像传感器采集公路、卡口等实际场景的彩色图像，也可以直接输入已有的实际场景的彩色视频图像。
进一步地，所述第三步骤S3中加权平均法包括：统计第i帧彩色场景图像内像素点(x,y)的红色分量值Ri(x,y)、绿色分量值Gi(x,y)、蓝色分量值Bi(x,y)，根据加权公式fi(x,y)＝0.114×Ri(x,y)+0.587×Gi(x,y)+0.299×Bi(x,y)，获取第i帧场景图像内像素点(x,y)的加权灰度值fi(x,y)。
进一步地，所述第四步骤S4包括：
均值漂移背景更新步骤S41，计算第i帧灰度场景图像的背景图像Bi(x,y)＝(1-α)×Bi-1(x,y)+α×fi-1(x,y)，其中B0(x,y)＝f0(x,y)；
差分图像计算步骤S42，计算第i帧灰度场景图像fi(x,y)与背景图像Bi(x,y)的差分图像；
中值滤波处理步骤S43，分别采用中值滤波算法对每帧灰度场景图像的差分图像进行处理，获取每帧灰度场景图像的前景图像；
连通区域标记步骤S44，采用连通区域标记法对每帧灰度场景图像的前景图像进行标记，获取每帧灰度场景图像内的连通区域；
连通区域筛选步骤S45，统计每帧灰度场景图像内的每个连通区域内前景点的数量，若连通区域内前景点的数量大于标记阈值MT，则将该连通区域设为感兴趣区域，否则将该连通区域内的前景点全设为背景点；
感兴趣区域图像提取步骤S46，根据每帧灰度场景图像内感兴趣区域的位置，提取该帧灰度场景图像中相应位置内的图像作为感兴趣区域图像。
进一步地，均值漂移背景更新步骤S41中α∈[0.02,0.04]。优选地，α选为0.03。
进一步地，所述中值滤波处理步骤S43中中值滤波算法通过现有技术实现。
进一步地，所述连通区域标记步骤S44中连通区域标记法通过现有技术实现。
进一步地，所述连通区域筛选步骤S45中标记阈值MT∈[40,100]。优选地，标记阈值MT选为60。
进一步地，所述第五步骤S5包括：
识别特征提取步骤S51，利用车型识别模型分别提取感兴趣区域图像的特征；
识别分类判定步骤S52，计算提取的感兴趣区域图像特征与每一种车型类别特征的相似度Simik，k表示第k种类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的类别作为车型类别。
图2给出了按照本发明的基于卷积神经网络的车型识别装置的框架图。如图2所示，按照本发明的基于卷积神经网络的车型识别装置包括：
车型识别模型训练模块1，用于选取已标签车型的样本图像，对卷积神经网络进行训练，获取训练好的车型识别模型；
彩色场景视频图像获取模块2，用于采集或者输入彩色场景视频图像；
场景灰度图像获取模块3，用于采用加权平均法对每帧彩色场景图像进行灰度化处理，获取每帧灰度场景图像；
感兴趣区域图像提取模块4，用于采用均值漂移背景更新背景法更新背景图像，计算每帧灰度场景图像与背景图像的差分图像，对差分图像进行中值滤波、连通区域标记、连通区域筛选处理，获取每帧灰度场景图像的感兴趣区域图像；以及
感兴趣区域图像分类识别模块5，用于采用训练好的车型识别模型对每帧灰度场景图像的感兴趣区域图像进行分类识别，输出识别结果。
进一步地，所述车型识别模型训练模块1包括：
样本选取模块11，用于选取LINum1个已标记MNum种车型的灰度图像作为样本图像，选取LINum2个已标记非车辆的灰度图像作为负样本图像；
初步训练模块12，用于利用卷积神经网络对正样本图像和负样本图像进行训练，获得初步训练车型分类模型；
二次训练模块13，用于选取TINum个测试图像，根据初步训练车型分类模型对测试图像进行反复训练，直至车型分类模型收敛；
模型输出模块14，用于将收敛的车型分类模型作为车型识别模型并输出。
进一步地，所述样本选取模块11中MNum∈[3,30]，可根据需求设置已标记车型的种类数量。例如，MNum选为3时，已标记车型包括：小型车、中型车和大型车；MNum选为19时，已标记车型包括：小轿车、吉普车、的士头货车、摩托车、面包车、小型货车、轻型货车、小型客车、中型客车、大型客车、中型货车、大型豪华客车、双层大客车、大型货车、大型拖(挂)车、20英尺集装箱车、重型货车、重型拖(挂)车、40英尺集装箱车。优选地，MNum选为19。
进一步地，所述LINum1≥4000，LINum2≥2000。优选地，所述LINum1≥16000，LINum2≥8000。
进一步地，所述初步训练模块12中卷积神经网络包括：
输入层，输入宽度为Width、高度为Height的灰度图像；
第一层卷积层，输出Th_CK1个卷积核，卷积核的大小为CKSi1*CKSi1、步长为1；
第一层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第二层卷积层，输出Th_CK2个卷积核，卷积核的大小为CKSi2*CKSi2、步长为1；
第二层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第三层卷积层，输出Th_CK3个卷积核，卷积核的大小为CKSi3*CKSi3、步长为1；
第三层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第四层卷积层，输出Th_CK4个卷积核，卷积核的大小为CKSi4*CKSi4、步长为1；
第四层池化层，采用最大池化法输出KSi*KSi、步长为2的核；
第五层卷积层，输出Th_CK5个卷积核，卷积核的大小为CKSi5*CKSi5、步长为1；
第一层全连接层，采用ReLU作为激活函数，输出Th_Neur个神经元；
第二层全连接层，输出MNum+1个神经元，即MNum种车型类别和1种非车辆类别。
进一步地，所述Width∈[64,256]，Height∈[64,256]；Th_CK1∈[16,32]，CKSi1为3或者5；KSi∈[2,4]；Th_CK2∈[16,32]，CKSi2为3或者5；Th_CK3∈[32,64]，CKSi3为3或者5；Th_CK4∈[32,64]，CKSi4为3或者5；Th_CK5∈[64,128]，CKSi5为3或者5；Th_Neur∈[100,10000]。
优选地，Width设为128，Height设为128。Th_CK1设为16，CKSi1设为3，KSi设为2，Th_CK2设为16，CKSi2设为3，Th_CK3设为32，CKSi3设为3，Th_CK4设为32，CKSi4设为3，Th_CK5设为64，CKSi5设为3。Th_Neur设为120。
所述池化层中最大池化法通过现有技术实现。
所述第一层全连接层中ReLU全称为Rectified Linear Units，中文译为修正线性单元，可以参考文献“Taming the ReLU with Parallel Dither in a Deep Neural Network.AJR Simpson.Computer Science,2015”。
进一步地，所述二次训练模块13包括：
训练特征提取模块131，用于根据初步训练车型分类模型，提取TINum个灰度测试图像的特征；
训练分类判定模块132，用于计算测试图像的特征与每种车型类别特征的相似度Simik，k表示第k种车型类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的车型类别作为候选车型类别；
反复训练模块133，用于计算判定结果与真实结果的误差，利用反向传播算法来训练车型分类模型，重复训练特征提取模块131和训练分类判定模块132，直至车型分类模型收敛。
进一步地，选取TINum个测试图像包括MNum种车型的灰度图像和非车辆的灰度图像。所述TINum≥1000。优选地，TINum≥6000。
进一步地，训练分类判定模块132中所述车型类别包括MNum种车型类别和1种非车辆类别。
所述反复训练模块133中反向传播算法通过现有的技术实现。
进一步地，所述彩色场景视频图像获取模块2中采集或者输入彩色场景视频图像是指可以通过图像传感器采集公路、卡口等实际场景的彩色图像，也可以直接输入已有的实际场景的彩色视频图像。
进一步地，所述场景灰度图像获取模块3中加权平均法包括：统计第i帧彩色场景图像内像素点(x,y)的红色分量值Ri(x,y)、绿色分量值Gi(x,y)、蓝色分量值Bi(x，y)，根据加权公式fi(x，y)＝0.114×Ri(x，y)+0.587×Gi(x，y)+0.299×Bi(x，y)，获取第i帧场景图像内像素点(x,y)的加权灰度值fi(x,y)。
进一步地，所述感兴趣区域图像提取模块4包括：
均值漂移背景更新模块41，用于计算第i帧灰度场景图像的背景图像Bi(x,y)＝(1-α)×Bi-1(x,y)+α×fi-1(x,y)，其中B0(x,y)＝f0(x,y)；
差分图像计算模块42，用于计算第i帧灰度场景图像fi(x,y)与背景图像Bi(x,y)的差分图像；
中值滤波处理模块43，用于分别采用中值滤波算法对每帧灰度场景图像的差分图像进行处理，获取每帧灰度场景图像的前景图像；
连通区域标记模块44，用于采用连通区域标记法对每帧灰度场景图像的前景图像进行标记，获取每帧灰度场景图像内的连通区域；
连通区域筛选模块45，用于统计每帧灰度场景图像内的每个连通区域内前景点的数量，若连通区域内前景点的数量大于标记阈值MT，则将该连通区域设为感兴趣区域，否则将该连通区域内的前景点全设为背景点；
感兴趣区域图像提取模块46，用于根据每帧灰度场景图像内感兴趣区域的位置，提取该帧灰度场景图像中相应位置内的图像作为感兴趣区域图像。
进一步地，均值漂移背景更新模块41中α∈[0.02,0.04]。优选地，α选为0.03。
进一步地，所述中值滤波处理模块43中中值滤波算法通过现有技术实现。
进一步地，所述连通区域标记模块44中连通区域标记法通过现有技术实现。
进一步地，所述连通区域筛选模块45中标记阈值MT∈[40,100]。优选地，标记阈值MT选为60。
进一步地，所述感兴趣区域图像分类识别模块5包括：
识别特征提取模块51，用于利用车型识别模型分别提取感兴趣区域图像的特征；
识别分类判定模块52，用于计算提取的感兴趣区域图像特征与每一种车型类别特征的相似度Simik，k表示第k种类别，k∈{1，2，…，MNum，MNum+1}，选取Simik值最大的类别作为车型类别。
与现有的车型识别技术相比，本发明的基于卷积神经网络的车型识别方法及装置一方面采用卷积神经网络进行训练和识别的模型，提高了车型识别的准确率；另一方面采用背景差分算法先提取感兴趣区域图像，再对感兴趣区域图像进行分类识别，降低了计算的复杂度。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
- 还没有人留言评论。精彩留言会获得点赞！