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。
2.根据权利要求1所述的方法,其特征在于,步骤S20中调整传统卷积神经网络的参数包括卷积核大小、网络层数、特征图数,所述卷积核大小的取值范围为{5,7,9,11,13},所述网络层数的取值范围为{3,4,5,6},所述特征图数的取值范围为{3,6,9,12,15,18}。
3.根据权利要求2所述的方法,其特征在于,在卷积核大小、网络层数、特征图的取值范围内取值,组合形成若干种不同参数设置的卷积神经网络,将测试图像输入到当前参数设置时的卷积神经网络,根据输出的CNN特征是否准确识别出车辆以计算当前参数设置时的卷积神经网络的正确率,选取正确率最高所对应的卷积核大小、网络层数和隐含层输出特征图数,作为最优卷积神经网络的参数。
4.根据权利要求1所述的方法,其特征在于,步骤S30中最优卷积神经网络根据样本图像提取样本图像的CNN特征,与步骤S60中最优卷积神经网络根据待测图像提取待测图像的CNN特征的方法为:卷积神经网络包括若干网络层,网络层包括卷积层和下采样层,输入到卷积神经网络的图像首先进入第一网络层的卷积层,经过卷积后得到的特征图输出到该网络层的下采样层,经过下采样层计算后得到的特征图输出到下一个网络层的卷积层,依次经过其余的网络层的卷积层和下采样层计算,所有卷积层和下采样层输出的全部信息构成图像的CNN特征。
5.根据权利要求4所述的方法 ,其特征在于 ,卷积层的计算公式为:
其中, 表示第l网络层的第j个特征图,f(x)为激活函数, 表
示第l网络层的输入,i表示感受野中的第i个像素,Mj表示第l网络层的感受野, 为卷积核大小, 为偏置。
6.根据权利要求5所述的方法,其特征在于,下采样层对输入的特征图采用平均值池化处理,池化公式为: 其中 表示第l网络层输入的特征图, 表示第l网络层输出的特征图。
7.根据权利要求1所述的方法,其特征在于,步骤S40获取样本图像的HOG特征与步骤S70获取待测图像的HOG特征的方法为,HOG特征包括图像像素点(x,y)的梯度幅值G(x,y)和梯度方向α(x,y):其中,Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度以及灰度值。
8.根据权利要求1所述的方法,其特征在于,在步骤S40获取样本图像的PCA特征之前,还包括确定PCA特征的成分:获取一组若干个样本图像 计算该组样本图像的均值向量,得到协方差矩阵Φ=∑[(Xi-m)(Xi-m)T],其中,m是样本的均值向量;按照降序的方式对协方差矩阵的特征值(λ1,λ2,…,λD)进行排序:λ1≥λ2≥…≥λD,并保留e<90%的特征值,该保留的特征值构成图像的PCA特征,其中
9.根据权利要求1所述的方法,其特征在于,对图像的CNN特征、HOG特征和PCA特征进行融合的方法为,将图像的CNN特征、HOG特征和PCA特征组成一个融合特征向量:F=(C,H,P)T,其中C、H、P分别表示CNN特征、HOG特征、PCA特征,T表示归一化处理。
10.根据权利要求1所述的方法,其特征在于,所述车辆识别SVM模型中的SVM分类器的核函数为RBF核函数。