本發(fā)明涉及車型自動匹配技術，具體涉及一種基于卷積神經網絡的實時車型匹配方法。

背景技術：

車型自動匹配技術是智能交通系統(tǒng)的重要組成部分，通過對車輛進行車型自動匹配，可以為交通管理、收費、調度、統(tǒng)計提供數(shù)據(jù)，是智能交通領域的研究熱點和難點之一；目前，我國的車輛車型自動匹配準確率還難以滿足使用要求，對車型匹配率提高算法的研究勢在必行。

深度學習是目前機器學習發(fā)展的高潮，卷積神經網絡作為深度學習中的一種方法，在物體識別、圖像處理等領域有著較好的效果,卷積神經網絡有著可以自動學習圖像特征，減少人工干預，提取的圖像特征質量高的優(yōu)勢，因此可以考慮將其應用在車型自動匹配技術中，以提高車型匹配的準確率。但是，卷積神經網絡會消耗大量的gpu(graphicsprocessingunit，圖形處理器)資源，在計算量過大時可能達不到實際應用場景中實時的效果。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是如何將卷積神經網絡應用于車型自動匹配技術中，并達到車型匹配實時的效果的問題。

為了解決上述技術問題，本發(fā)明所采用的技術方案是提供一種基于卷積神經網絡的實時車型匹配方法，包括以下步驟：

步驟s10、構建車型數(shù)據(jù)庫，并設計用于車型識別的卷積神經網絡；

步驟s20、利用車型數(shù)據(jù)庫對卷積神經網絡進行訓練，得到最優(yōu)的卷積神經網絡以及車型數(shù)據(jù)庫中每種車型的車型特征；

步驟s30、構建storm的拓撲結構，其信息流上層為數(shù)據(jù)源輸入組件spout，信息流中層為布置了最優(yōu)卷積神經網絡的數(shù)據(jù)處理組件bolt，信息流底層為布置了svm分類器的數(shù)據(jù)處理組件bolt；

步驟s40、數(shù)據(jù)源輸入組件spout將采集的待匹配車輛實時視頻流發(fā)給信息流中層數(shù)據(jù)處理組件bolt，該數(shù)據(jù)處理組件bolt通過卷積神經網絡提取車型特征；

步驟s50、信息流底層數(shù)據(jù)處理組件bolt利用svm分類器對信息流中層發(fā)送的車型特征進行匹配，并返回匹配結果。

在上述方法中，車型數(shù)據(jù)庫包含多種車型的信息，每種車型的信息有多張圖片。

在上述方法中，步驟s20具體包括以下步驟：

將車型數(shù)據(jù)庫中不同種車型的信息作為卷積神經網絡的輸入數(shù)據(jù)源，使用卷積神經網絡默認參數(shù)進行卷積神經網絡訓練；

根據(jù)訓練中間結果，對默認參數(shù)初始權值、訓練速率、迭代次數(shù)進行不斷調整，直到得到最優(yōu)的卷積神經網絡網絡參數(shù)；

遍歷車型數(shù)據(jù)庫中不同種車型的信息，使用參數(shù)最優(yōu)的卷積神經網絡提取每種車型的車型特征，并保存。

在上述方法中，用于車型識別的卷積神經網絡包括四層卷積，分別為三層池化層、三層全連接層、一層合并層和softmax回歸分類器層。

在上述方法中，信息流中層和信息流底層分別包括兩個以上布置了最優(yōu)卷積神經網絡的數(shù)據(jù)處理組件bolt和布置了svm分類器的數(shù)據(jù)處理組件bolt；

信息流上層數(shù)據(jù)源輸入組件依據(jù)擇優(yōu)原則，將實時視頻流傳給信息流中層gup較強的數(shù)據(jù)處理組件bolt；信息流中層依據(jù)擇優(yōu)原則，將提取的車型特征發(fā)送給信息流底層gup較強的數(shù)據(jù)處理組件bolt。

在上述方法中，對信息流中層發(fā)送的車型特征進行匹配具體包括以下步驟：

信息流底層的數(shù)據(jù)處理組件bolt接收信息流中層不同數(shù)據(jù)處理組件bolt發(fā)送的車型特征，并對接收的各個車型特征進行組合，判定組合后的特征是否為同一車型，如果是，將組合后的特征與車型數(shù)據(jù)庫中的車型特征進行車型匹配，返回匹配結果；如果不是，將各個車型特征與車型數(shù)據(jù)庫中的車型特征分別進行車型匹配，返回匹配結果。

在上述方法中，在步驟s40中，

每個數(shù)據(jù)源輸入組件spout將采集來自流媒體服務器的實時視頻流解碼為多個幀圖像，再將每一幀圖像發(fā)給信息流中層的數(shù)據(jù)處理組件bolt；

信息流中層數(shù)據(jù)處理組件bolt使用其上訓練好的卷積神經網絡提取每一幀圖像中的車型特征，并進行組合。

本發(fā)明將基于卷積神經網絡的特征提取技術、svm分類方法和storm實時處理平臺相結合，實現(xiàn)基于卷積神經網絡的實時車型匹配，具有以下有益效果：

(1)通過卷積神經網絡進行特征提取，有效地提高了特征提取的準確率和效率；

(2)利用svm進行特征匹配，有效的提高了車型匹配的準確率；

(3)利用storm并行化車型匹配，達到實時匹配的目的，有效的提高了匹配的效率。

附圖說明

圖1為本發(fā)明提供的一種基于卷積神經網絡的實時車型匹配方法的流程圖；

圖2為本發(fā)明中卷積神經網絡的網絡結構；

圖3為本發(fā)明中分布式實時處理框架storm的拓撲結構圖。

具體實施方式

本發(fā)明充分利用卷積神經網絡學習圖像特征的優(yōu)勢以及目前實時云計算技術的特點，將卷積神經網絡與實時云計算技術結合，把卷積神經網絡應用于車輛的車型特征提取，減少人工干預，提取出高質量的圖像特征，提高車型匹配的準確率；并利用實時云計算中進行大數(shù)據(jù)實時處理的分布式實時處理框架storm，解決卷積神經網絡消耗大量的gpu資源，在計算量過大時可能達不到實際應用場景中實時效果的問題，提高車型匹配的效率，這在智能交通的車型自動匹配技術方面是一種區(qū)別于傳統(tǒng)車型匹配系統(tǒng)的新的嘗試。

下面結合說明書附圖和具體實施例對本發(fā)明做出詳細的說明。

如圖1所示，本發(fā)明提供的一種基于卷積神經網絡的實時車型匹配方法，包括以下步驟：

步驟s10、利用存儲來自流媒體服務器的視頻流歷史數(shù)據(jù)構建車型數(shù)據(jù)庫，并設計用于車型識別的卷積神經網絡，在本發(fā)明中，車型數(shù)據(jù)庫包含多種車型的信息，每種車型的信息有多張圖片。

步驟s20、利用車型數(shù)據(jù)庫中的車型信息作為卷積神經網絡的輸入，通過卷積神經網絡的卷積神經網絡離線訓練模塊進行卷積神經網絡的訓練，得到最優(yōu)的卷積神經網絡和提取車型數(shù)據(jù)庫中的每種車型的車型特征。

在本發(fā)明中，步驟s20具體包括以下步驟：

步驟s21、將車型數(shù)據(jù)庫中的不同種車型的信息輸入卷積神經網絡，使用卷積神經網絡默認參數(shù)進行卷積神經網絡訓練；

步驟s22、根據(jù)訓練中間結果，對默認參數(shù)初始權值、訓練速率、迭代次數(shù)進行不斷調整，直到得到最優(yōu)的卷積神經網絡網絡參數(shù)，此時卷積神經網絡會以最高的效率得到最好的識別效果，訓練后的卷積神經網絡的識別準確率達到95％；

步驟s23、遍歷車型數(shù)據(jù)庫中不同種車型的信息，使用參數(shù)最優(yōu)的卷積神經網絡提取每種車型的車型特征，并保存。

步驟s30、構建分布式實時處理框架storm的拓撲結構，如圖3所示，其信息流上層為數(shù)據(jù)源輸入組件spout；信息流中層為布置了最優(yōu)卷積神經網絡的數(shù)據(jù)處理組件bolt，用于提取待匹配車輛的車型特征的卷積神經網絡特征提取模塊；信息流底層為布置了svm(支持向量機)分類器的數(shù)據(jù)處理組件bolt，用于進行車型匹配的特征匹配模塊。

步驟s40、數(shù)據(jù)源輸入組件spout將采集于流媒體服務器的待匹配車輛實時視頻流發(fā)給信息流中層數(shù)據(jù)處理組件bolt，該數(shù)據(jù)處理組件bolt通過卷積神經網絡提取車型特征。

在本發(fā)明中，信息流中層和信息流底層分別包括兩個以上布置了最優(yōu)卷積神經網絡的數(shù)據(jù)處理組件bolt和布置了svm分類器的數(shù)據(jù)處理組件bolt；

由于卷積神經網絡會消耗大量的gpu資源，在storm中設計了基于gpu的資源調度算法，能夠通過實時監(jiān)控storm各個數(shù)據(jù)處理組件bolt的gpu使用狀況，將gpu消耗過大的進程分配到有較強gpu的數(shù)據(jù)處理組件bolt上，解決卷積神經網絡會消耗大量的gpu資源的問題，即信息流上層數(shù)據(jù)源輸入組件依據(jù)擇優(yōu)原則，將實時視頻流傳給信息流中層gup較強的數(shù)據(jù)處理組件bolt；信息流中層依據(jù)擇優(yōu)原則，將提取的車型特征發(fā)送給信息流底層gup較強的數(shù)據(jù)處理組件bolt。從而避免由于計算量過大達不到實際應用場景中實時效果的問題，實現(xiàn)車型匹配的實時效果。

在本發(fā)明中，每個數(shù)據(jù)源輸入組件spout將采集來自流媒體服務器的實時視頻流解碼為多個幀圖像，再將每一幀圖像發(fā)給信息流中層的數(shù)據(jù)處理組件bolt；

信息流中層的數(shù)據(jù)處理組件bolt使用其上訓練好的卷積神經網絡提取每一幀圖像中的車型特征，并進行組合。

步驟s50、信息流底層數(shù)據(jù)處理組件bolt利用svm分類器對信息流中層發(fā)送的車型特征進行匹配，并返回匹配結果。

在步驟s50中，對信息流中層發(fā)送的車型特征進行匹配具體包括以下步驟：

信息流底層的數(shù)據(jù)處理組件bolt接收信息流中層不同數(shù)據(jù)處理組件bolt發(fā)送的車型特征，并對接收的各個車型特征進行組合，判定組合后的特征是否為同一車型，如果是，將組合后的特征與車型數(shù)據(jù)庫中的車型特征進行車型匹配，返回匹配結果；如果不是，將各個車型特征與車型數(shù)據(jù)庫中的車型特征分別進行車型匹配，返回匹配結果。

在本發(fā)明中，利用歷史數(shù)據(jù)構建車型數(shù)據(jù)庫，使用設計好的如圖2所示的卷積神經網絡(包括四層卷積，分別為三層池化層、三層全連接層、一層合并層和最后一層是softmax回歸分類器層)，訓練卷積神經網絡。

本發(fā)明的基于卷積神經網絡的實時車型匹配方法，將基于卷積神經網絡的特征提取技術與svm分類方法和storm實時處理平臺相結合，提高車型匹配的準確率和效率；在充分利用計算資源的前提下，找到最優(yōu)的網絡，對車型進行匹配。

顯然，本領域的技術人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權利要求及其等同技術的范圍之內，則本發(fā)明也意圖包含這些改動和變型在內。