CN105868774A - 基于选择性搜索和卷积神经网络的车标识别方法 - Google Patents

Abstract

本发明提出了一种基于选择性搜索和卷积神经网络的车标识别方法，主要解决现有技术的计算复杂、实时性差的问题。其实现方案是：1)输入交通路口中高清拍照设备拍下的待检测图片；2)对待检测图片使用选择性搜索获取候选区域；3)对候选区域进行筛选，获得车标候选区域；4)构建并训练卷积神经网络CNN，将车标候选区域输入到训练好的卷积神经网络CNN中进行测试，得到车标识别结果。本发明有效地减少了计算量，能快速地获取车标候选区域，而且卷积神经网络CNN自学习的特征对环境变化具有更高的鲁棒性，提高了车标识别率，可用于高速公路入口、停车场地对车辆的快速检测。

Description

基于选择性搜索和卷积神经网络的车标识别方法

技术领域

本发明属于图像处理技术领域，更进一步涉及一种车标识别方法，可用于高速公路入口、停车场地对车辆的快速检测。

背景技术

随着社会经济水平的不断提高和车辆的普及，规模不断扩大的交通事业对更加智能化的技术和系统的需求更大，智能交通系统已经成为社会生活的热点问题。车辆识别系统作为智能交通系统的重要组成部分，在高速公路入口、停车场无人管理、违章车辆自动记录等领域都有着广泛的应用，它的实现具有很大的经济价值和现实意义。

车标识别是车辆识别的一个重要方面。车标识别技术是指以数字图像或视频信号流为对象，通过图像处理与自动识别方法，获得机动车辆品牌信息的一种实用技术。车标识别系统包括车标的定位和车标识别二项关键技术。由于车标本身具有的多样性以及不同环境条件下的差异性等特点，加上人为拍摄获得的图片信息中车标的位置不确定性，因此找到一种优秀的车标定位和识别的方法一个多学科交叉且富有挑战性的技术问题。

现有的车标定位的方法，大多采用边缘检测和灰度直方图模板匹配的方法，由于车标小，这类方法容易受到背景环境的影响。已经有一部分车标识别的方法被提出，特别是目前使用较多的基于方向梯度直方图HOG特征和支持向量机SVM分类器的识别方法，大部分都是基于车牌和车标的相对位置确定车标位置，然后提取车标的方向梯度直方图HOG特征，利用支持向量机SVM训练成分类器进行车标识别。在车标识别中，方向梯度直方图HOG加支持向量机SVM算法由于采用了方向梯度直方图HOG特征，方向梯度直方图HOG描述子生成过程冗长，导致速度慢，实时性差，由于梯度的性质，该描述子对噪点相当敏感。现有的大部分车标识别算法，过程复杂，计算量太大，识别率不高，容易受到环境条件的影响，所以需要新的研究方法的提出。

近年来，随着大数据、深度学习研究的发展，卷积神经网络CNN已成为当前语音分析和图像识别领域的研究热点，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

D.F.Llorca,R.Arroyo,M.A.Sotelo在其发表的论文“Vehicle logo recognition in traffic imagesusing HOG features and SVM”(Proceedings of the 16th International IEEE Annual Conference onIntelligent Transportation Systems，2013)中提出了一套基于方向梯度直方图HOG和支持向量机SVM的车标识别的方法。该方法首先进行车牌定位，利用车标处于车牌正上方的先验知识，在车牌上方使用滑动窗口提前候选目标区域，然后提取候选区域的的方向梯度直方图HOG特征，最后利用支持向量机SVM训练的分类器进行车标分类。该方法存在的不足之处是，其一，由于该方法采用了方向梯度直方图HOG特征，方向梯度直方图HOG描述子生成过程冗长，导致速度慢，实时性差。其二，由于该方法梯度的性质，方向梯度直方图HOG描述子对噪点相当敏感，容易受到噪声的干扰。

佳都新太科技股份有限公司申请的专利“一种基于模式识别的车标自动定位与识别方法”(专利申请号：CN201410367377，公开号：CN104182728A)中提出了一种基于模式识别的车标自动定位与识别方法。该方法首先利用车牌检测技术，获取车牌的大小与位置，从而根据车牌与车标的相对位置，进行车标的初定位，其次利用基于哈尔Haar特征的强分类器Adaboost算法进行车标的二次定位，得到若干疑似车标的区域，再次利用基于方向梯度直方图HOG特征的支持向量机SVM算法对疑似车标区域进行筛选，选取具有最大置信度的区域作为车标定位结果，最后利用基于HOG特征的支持向量机SVM算法进行车标的识别。该方法存在的不足之处是，在定位流程中采用了基于哈尔Haar特征的强分类器Adaboost算法和基于方向梯度直方图HOG特征的支持向量机SVM算法，在车标识别流程中采用了基于方向梯度直方图HOG特征的支持向量机SVM算法，总共采用了三个分类器，大大增加了计算复杂度。而且HOG描述子生成过程耗时长，导致速度慢，实时性差。

上海交通大学申请的专利“车标自动识别方法及系统”(专利申请号：CN201310170528，公开号：CN103279738A)中提出一种车标自动识别方法，包括离线训练子系统和在线识别子系统。该方法根据密集尺度不变特征变换dense-SIFT和视觉词的相关性，将密集尺度不变特征变换dense-SIFT映射成所有视觉词表示，增加特征描述性。采用支持向量机训练车标分类器，实现车标识别。该方法存在的不足之处是，由于采用了密集尺度不变特征变换dense-SIFT特征算子，维数高，计算时间长，实时性差。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出一种基于选择性搜索和卷积神经网络的车标识别方法，以减小计算量，提高实时性和识别的准确度。

为实现上述目的，本发明实现技术方案包括如下：

(1)输入交通路口中通过高清拍照设备获取的车标待检测图片；

(2)使用选择性搜索获取车标待检测图片的候选区域：

(2a)利用基于图的图形分割，得到初始化的区域R＝{r₁,r₂,…,r_i,…，r_n}，其中r_i是第i个初始区域，i∈[1,n]，n为初始化区域个数；

(2b)计算出每个初始化相邻区域的综合相似性s(r_i,r_j)，组成集合S，其中i∈[1,n]，j∈[i+1,n]；

(2c)找出集合S中相似性最大的二个区域r_a,r_b，即max(S)＝s(r_a,r_b)；

(2d)合并r_a和r_b，获得新的区域r_t，即r_t＝r_a∪r_b，然后在S和R中均去掉相似性最大的二个区域r_a,r_b,得到新的相似性集合S′和新的初始化区域R′；

(2e)计算新的区域r_t与所有与它相邻的区域r_*之间的综合相似性s_t(r_t，r_*)；

(2f)将s_t(r_t，r_*)和r_t分别添加到相似性集合S′和初始化区域R′中，得到加入相似性s_t(r_t，r_*)后的集合S"和加入新的区域r_t后的初始化区域R"；

(2g)重复(2c)到(2f)的操作，直到相似性集合为空，获得最终候选区域；

(3)利用车标区域的先验条件对候选区域进行筛选，获得车标候选区域；

(4)构建并训练卷积神经网络CNN：

(4a)构建含有7层的卷积神经网络CNN，这7层依次是卷积层Conv1，池化层Pool2,卷积层Conv3，空间金字塔池化层SPP4，全连接层Fc5，全连接层Fc6，分类层Softmax7；

(4b)输入已标记并灰度化的车标区域样本图片和非车标区域样本图，训练卷积神经网络CNN，直到输出层的损失函数J(θ)≤0.0001，得到车标识别的卷积神经网络CNN；

(5)车标识别：

(5a)对车标候选区域图进行灰度化操作；

(5b)将灰度化的车标候选区域图输入到车标识别的卷积神经网络CNN，输出车标的识别结果。

本发明与现有技术相比具有以下优点：

第一、由于本发明采用选择性搜索算法获取车标候选区域，克服了现有技术中直接提取车标易受背景环境影响，不能被准确提取出来的问题，不仅流程较为简单，实现方便，而且能准确地从复杂背景环境中提取出车标候选区域。

第二、由于本发明采用基于卷积神经网络CNN的车标识别方法，通过卷积神经网络CNN中多层的网络自学习特征，避免了传统识别算法中需要人工设计特征的过程，而且卷积神经网络CNN自学习的特征对环境变化具有更高的鲁棒性，使得本发明具有较高的识别率和鲁棒性，对复杂背景具有更强的适应性。

附图说明

图1是本发明的实现流程图；

图2是本发明获得车标候选区域的示意图；

图3是本发明中的卷积神经网络CNN结构图；

图4是本发明标记的部分车标图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，本发明实现的步骤如下：

步骤1，输入交通路口中高清拍照设备拍下的车标待检测图片。

车标待检测图片是正对车头或者车尾的包含清晰可见的车标的图片，图片像素大小为500×500，如图2(a)所示。

步骤2，使用选择性搜索获取候选区域。

(2a)基于图的图形分割，得到初始化的区域R：

(2a1)将照片用加权图抽象化表示，其中加权图是由节点集V和边集E组成，表示为G＝(V,E)，节点集V＝{v₁,v₂,…,v_i,…，v_n}，其中i∈[1,n]，n为节点个数，边集E＝{o₁,o₂,…,o_w,…,o_m}，其中w∈[1,m]，m为边的条数；

(2a2)将m条边按照权重值以非递减方式排序；

(2a3)将最初的分割区域集合记为R⁽⁰⁾，即每一个节点属于一个区域；

(2a4)记第q条边连接的两个节点为v_i和v_j，即o_q＝(v_i，v_j)，其中q∈[1,m]，记第q次分割区域集合为R^(q-1)，初始时q＝1，R^(q-1)为R⁽⁰⁾为最初分割区域集合，如果在R^(q-1)中v_i和v_j是分别属于两个区域并且第q条边的权重w(o_q)大于两个区域的区域内间距，则重新选择新的边，反之，进行(2b5)；

(2a5)合并二个区域，在R^(q-1)中去掉这两个区域再加入新合并的区域变成新的分割区域集合R^(q)，返回(2b4)，直到q＝m，得到初始化的区域R＝R^(m)；

(2b)计算出每个初始化相邻区域的综合相似性s(r_i,r_j)：

(2b1)从每个初始区域中得到一个一维的灰度分布直方图，该直方图共有25个区间，按照下式计算第i个初始区域r_i与第j个初始区域r_j的灰度特征相似性S_c(r_i,r_j)：

$S_c(r_i,r_j)=\underset{k=1}{\overset{25}{\Σ}}min(a_i^k,a_j^k)$

其中，表示第i个初始区域r_i第k个区间的灰度分布直方图特征，表示第j个初始区域r_j第k个区间的灰度分布直方图特征，i∈[1,n]，j∈[i+1,n]，n为初始化区域个数，k∈[1,25]；

(2b2)对每个初始区域，在8个方向上计算方差为1的高斯微分，每个方向用10个区间的纹理直方图来描述，按照下式计算第i个初始区域r_i与第j个初始区域r_j的纹理相似性S_t(r_i,r_j)：

$S_t(r_i,r_j)=\underset{u=1}{\overset{80}{\Σ}}min(b_i^u,b_j^u)$

其中，表示第i个初始区域r_i第u个区间的纹理直方图特征，表示第j个初始区域r_j第u个区间的纹理直方图特征，u∈[1,80]；

(2b3)按照下式计算第i个初始区域r_i与第j个初始区域r_j的面积相似性S_e(r_i,r_j)：

$S_e(r_i,r_j)=1-\frac{size\left(r_i\right)+size\left(r_j\right)}{size\left(im\right)},$

其中，size(r_i)表示初始区域r_i内的像素数目，size(r_j)表示初始区域r_j内的像素数目，size(im)表示车标待检测图片内的像素数目；

(2b4)按照下式计算第i个初始区域r_i与第j个初始区域r_j的相交相似性S_f(r_i,r_j)：

$S_f(r_i,r_j)=1-\frac{size\left(B_{ij}\right)-size\left(r_i\right)-size\left(r_j\right)}{size\left(im\right)}$

其中，size(B_ij)表示初始区域r_i和初始区域r_j的最小外包区域的像素数目；

(2b5)根据步骤(2b1)到(2b4)的结果，计算第i个初始区域r_i与第j个初始区域r_j的综合相似性S(r_i,r_j)：

S(r_i,r_j)＝S_c(r_i,r_j)+S_t(r_i,r_j)+S_e(r_i,r_j)+S_f(r_i,r_j)。

将计算出的每个初始化相邻区域的综合相似性s(r_i,r_j)，组成集合S。

(2c)找出集合S中相似性最大的二个区域r_a,r_b，即max(S)＝s(r_a,r_b)；

(2d)合并r_a和r_b，获得新的区域r_t，即r_t＝r_a∪r_b，然后在S和R中均去掉相似性最大的二个区域r_a,r_b,得到新的相似性集合S′和新的初始化区域R′；

(2e)计算新的区域r_t与所有与它相邻的区域r_*之间的综合相似性s_t(r_t，r_*)；

(2f)将s_t(r_t，r_*)和r_t分别添加到相似性集合S′和初始化区域R′中，得到加入相似性s_t(r_t，r_*)后的集合S"和加入新的区域r_t后的初始化区域R"；

(2g)重复(2c)到(2f)的操作，直到相似性集合为空，获得最终候选区域

按照上述步骤获得候选区域如图2(b)所示。

步骤3，利用车标区域的先验条件对候选区域进行筛选，从而获得车标候选区域。

所述先验条件，包括如下两个条件：

第一先验条件是:将车标候选区域的中心设在车标待检测图片的中心区域，候选区域的坐标为(x，y)，0.25h<x<0.75h，0.25w<y<0.75w,其中h，w分别为车标待检测图片的高和宽；

第二先验条件是:将车标候选区域长宽比设为r，1<r<3；

对步骤2所得的候选区域，先利用第一先验条件选取在车标待检测图片中心区域的车标候选区域，得到初始的筛选区域；然后利用第二先验条件在初始的筛选区域中选择车标候选区域长宽比适合的候选区域，得到最终筛选的车标候选区域。

按照步骤3，对候选区域进行筛选得到结果如图2(c)所示，图2(d)为保存的对图2(c)中框出的区域截图。

步骤4，构建含有7层的卷积神经网络CNN。

(4a)将38×38像素大小的车标区域图输入卷积层Conv1，对其进行块大小为5×5像素和步长为1个像素的卷积操作，总共用32个卷积核，得到32张34×34像素大小的特征图；

(4b)将卷积层Conv1输出的32张特征图输入到池化层Pool2，对其进行最大池化操作，池化块的大小为2×2像素，步长为1个像素，得到32张分辨率为17×17像素的特征图；

(4c)将池化层Pool2输出的32张特征图输入卷积层Conv3，对其进行块大小为5×5像素和步长为1个像素的卷积操作，总共用64个卷积核，得到64张分辨率为13×13像素的特征图；

(4d)将卷积层Conv3输出的64张特征图输入空间金字塔池化层SPP4，对其进行多尺度的最大池化操作，需要得到64张分辨率为(4×4+2×2+1×1)像素的特征图，池化块大小为和步长为其中表示a＝13，n分别取4、2、1；

(4e)将池化层SPP4输出的64张特征图输入全连接层Fc5，按照下式，对其中每一个像素点进行激活，得到激活后的特征图的像素点的值，将激活后的特征图以列的顺序排列成1维向量，得到1×1344维的特征向量：

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$

其中，f(x)表示激活后的特征图的像素点的值，x表示激活前特征图的像素点的值，e表示一个无限不循环的自然常数，取值为2.7182；

(4f)将全连接层Fc5输出的特征向量输入全连接层Fc6，构成一般神经网络，输出为1×500维的特征向量；

(4g)将全连接层Fc6输出的特征向量输入分类层Softmax7，得到车标区域图的分类标签，该层会计算出每种分类标签的概率，并将最大概率的标签输出，其中softmax分类的期望函数表示如下：

$h_{\mathrm{\&theta;}}\left({\mathrm{\&alpha;}}^{\left(i\right)}\right)=\left[\begin{array}{c}p({\mathrm{\&beta;}}^{\left(i\right)}=1|{\mathrm{\&alpha;}}^{\left(i\right)};\mathrm{\&theta;})\\ p({\mathrm{\&beta;}}^{\left(i\right)}=2|{\mathrm{\&alpha;}}^{\left(i\right)};\mathrm{\&theta;})\\ .\\ .\\ .\\ p({\mathrm{\&beta;}}^{\left(i\right)}=k|{\mathrm{\&alpha;}}^{\left(i\right)};\mathrm{\&theta;})\end{array}\right]$

其中，α⁽ⁱ⁾表示卷积神经网络CNN中全连接层Fc6输出的特征向量，β⁽ⁱ⁾表示与卷积神经网络CNN中全连接层Fc6输出的特征向量α⁽ⁱ⁾相对应的标签，k表示类别数，i表示样本，i∈[1,m]，m表示车标区域图样本的数量，θ表示模型参数，softmax分类损失函数如下：

$J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{\&beta;}}^{\left(i\right)}{\mathrm{logh}}_{\mathrm{\&theta;}}\left({\mathrm{\&alpha;}}^{\left(i\right)}\right)+(1-{\mathrm{\&beta;}}^{\left(i\right)})log(1-h_{\mathrm{\&theta;}}({\mathrm{\&alpha;}}^{\left(i\right)}\left)\right)\&rsqb;.$

按照上述步骤构造的7层卷积神经网络CNN结构如图3。

步骤5，车标识别。

对车标候选区域图进行灰度化操作，将灰度化的车标候选区域图输入车标识别的卷积神经网络CNN，最终输出车标的识别结果。

下面结合仿真实验对本发明的效果做进一步的详细描述。

1、仿真实验条件：

本发明所用的数据库为收集并制作的一组包含10类车标共计25200张的车标、其中23100张用于训练，2100用于测试，还有非车标区域的数据样本，共计9900张负样本，其中9000张用于训练，900张用于测试。负样本采用从含有车标的图中截取非车标区域的图获得，大小为38×38，图4是本发明中用于训练的车标图中标记的部分车标图。

本实验采用深度学习框架是基于ubuntu14.04操作系统，8G内存，酷睿i7-4720HQ CPU的运行环境。实验设置参数迭代15000次停止。

2、实验内容与结果：

本发明的仿真实验是将数据集中用于训练的车标图输入到一个7层的卷积神经网络CNN中，利用高斯随机初始化网络的权值，对该卷积神经网络CNN进行训练，直到卷积神经网络CNN最后一层分类层之后的输出损失函数J(θ)≤0.0001为止或者迭代15000次为止。再将用于测试的车标图，输入到训练好的网络进行测试，测试的总的识别率，结果如下表：

识别结果表

车标类别	识别率
		奥迪	90.12％
本田	91.22％
		比亚迪	95.68％
标志	94.38％
		别克	94.24％
大众	95.68％
		丰田	92.88％
Jeep	90.48％
		起亚	91.76％
长安	94.86％
		非车标区域图	98.36％
总的识别率	94.69％

从上表可以看出，本发明具有较高的识别率，平均识别率能达到了94.69％。

Claims (6)

1.一种基于选择性搜索和卷积神经网络的车标识别方法，包括：

(1)输入交通路口中通过高清拍照设备获取的车标待检测图片；

(2)使用选择性搜索获取车标待检测图片的候选区域：

(2a)利用基于图的图形分割，得到初始化的区域R＝{r₁,r₂,…,r_i,…，r_n}，其中r_i是第i个初始区域，i∈[1,n]，n为初始化区域个数；

(2b)计算出每个初始化相邻区域的综合相似性s(r_i,r_j)，组成集合S，其中i∈[1,n]，j∈[i+1,n]；

(2c)找出集合S中相似性最大的二个区域r_a,r_b，即max(S)＝s(r_a,r_b)；

(2d)合并r_a和r_b，获得新的区域r_t，即r_t＝r_a∪r_b，然后在S和R中均去掉相似性最大的二个区域r_a,r_b,得到新的相似性集合S′和新的初始化区域R′；

(2e)计算新的区域r_t与所有与它相邻的区域r_*之间的综合相似性s_t(r_t，r_*)；

(2f)将s_t(r_t，r_*)和r_t分别添加到相似性集合S′和初始化区域R′中，得到加入相似性s_t(r_t，r_*)后的集合S"和加入新的区域r_t后的初始化区域R"；

(2g)重复(2c)到(2f)的操作，直到相似性集合为空，获得最终候选区域；

(3)利用车标区域的先验条件对候选区域进行筛选，获得车标候选区域；

(4)构建并训练卷积神经网络CNN：

(4a)构建含有7层的卷积神经网络CNN，这7层依次是卷积层Conv1，池化层Pool2,卷积层Conv3，空间金字塔池化层SPP4，全连接层Fc5，全连接层Fc6，分类层Softmax7；

(4b)输入已标记并灰度化的车标区域样本图片和非车标区域样本图，训练卷积神经网络CNN，直到输出层的损失函数J(θ)≤0.0001，得到车标识别的卷积神经网络CNN；

(5)车标识别：

(5a)对车标候选区域图进行灰度化操作；

(5b)将灰度化的车标候选区域图输入到车标识别的卷积神经网络CNN，输出车标的识别结果。

2.根据权利要求1所述的基于选择性搜索和卷积神经网络的车标识别方法，其特征在于：步骤(2a)中利用基于图的图形分割，得到初始化的区域R，

按如下步骤进行：

(2b1)将照片用加权图抽象化表示，其中加权图是由节点集V和边集E组成，表示为G＝(V,E)，节点集V＝{v₁,v₂,…,v_i,…，v_n}，其中i∈[1,n]，n为节点个数，边集E＝{o₁,o₂,…,o_w,…,o_m}，其中w∈[1,m]，m为边的条数；

(2b2)将m条边按照权重值以非递减方式排序；

(2b3)将最初的分割区域集合记为R⁽⁰⁾，即每一个节点属于一个区域；

(2a4)记第q条边连接的两个节点为v_i和v_j，即o_q＝(v_i，v_j)，其中q∈[1,m]，记第q次分割区域集合为R^(q-1)，初始时q＝1，R^(q-1)为R⁽⁰⁾为最初分割区域集合，如果在R^(q-1)中v_i和v_j是分别属于两个区域并且第q条边的权重w(o_q)大于两个区域的区域内间距，则重新选择新的边，反之，进行(2b5)；

(2a5)合并二个区域，在R^(q-1)中去掉这两个区域再加入新合并的区域变成新的分割区域集合R^(q)，返回(2b4)，直到q＝m，得到初始化的区域R＝R^(m)。

3.根据权利要求1所述的基于选择性搜索和卷积神经网络的车标识别方法，其特征在于：步骤(2b)中计算出每个初始化相邻区域的综合相似性s(r_i,r_j)，按如下步骤进行：

(2b1)从每个初始区域中得到一个一维的灰度分布直方图，该直方图共有25个区间，按照下式计算第i个初始区域r_i与第j个初始区域r_j的灰度特征相似性S_c(r_i,r_j)：

其中，表示第i个初始区域r_i第k个区间的灰度分布直方图特征，表示第j个初始区域r_j第k个区间的灰度分布直方图特征，i∈[1,n]，j∈[i+1,n]，n为初始化区域个数，k∈[1,25]；

(2b2)对每个初始区域，在8个方向上计算方差为1的高斯微分，每个方向用10个区间的纹理直方图来描述，按照下式计算第i个初始区域r_i与第j个初始区域r_j的纹理相似性S_t(r_i,r_j)：

其中，表示第i个初始区域r_i第u个区间的纹理直方图特征，表示第j个初始区域r_j第u个区间的纹理直方图特征，u∈[1,80]；

(2b3)按照下式计算第i个初始区域r_i与第j个初始区域r_j的面积相似性S_e(r_i,r_j)：

其中，size(r_i)表示初始区域r_i内的像素数目，size(r_j)表示初始区域r_j内的像素数目，size(im)表示车标待检测图片内的像素数目；

(2b4)按照下式计算第i个初始区域r_i与第j个初始区域r_j的相交相似性S_f(r_i,r_j)：

其中，size(B_ij)表示初始区域r_i和初始区域r_j的最小外包区域的像素数目；(2b5)

根据步骤(2b1)到(2b4)的结果，计算第i个初始区域r_i与第j个初始区域r_j的综合相似性S(r_i,r_j)：

S(r_i,r_j)＝S_c(r_i,r_j)+S_t(r_i,r_j)+S_e(r_i,r_j)+S_f(r_i,r_j)。

4.根据权利要求1所述的基于选择性搜索和卷积神经网络的车标识别方法，其特征在于：步骤(3)中的先验条件，包括如下两个条件：

第一先验条件是:将车标候选区域的中心设在车标待检测图片的中心区域，候选区域的坐标为(x，y)，0.25h<x<0.75h，0.25w<y<0.75w,其中h，w分别为车标待检测图片的高和宽；

第二先验条件是:将车标候选区域长宽比设为r，1<r<3。

5.根据权利要求1所述的基于卷积神经网络的车标识别方法，其特征在于：步骤(4a)构建含有7层的卷积神经网络CNN，按如下步骤进行：

(4a1)将38×38像素大小的车标区域图输入卷积层Conv1，对其进行块大小为5 ×5像素和步长为1个像素的卷积操作，总共用32个卷积核，得到32张34×34像素大小的特征图；

(4a2)将卷积层Conv1输出的32张特征图输入到池化层Pool2，对其进行最大池化操作，池化块的大小为2×2像素，步长为1个像素，得到32张分辨率为17×17像素的特征图；

(4a3)将池化层Pool2输出的32张特征图输入卷积层Conv3，对其进行块大小为5×5像素和步长为1个像素的卷积操作，总共用64个卷积核，得到64张分辨率为13×13像素的特征图；

(4a4)将卷积层Conv3输出的64张特征图输入空间金字塔池化层SPP4，对其进行多尺度的最大池化操作，需要得到64张分辨率为(4×4+2×2+1×1)像素的特征图，池化块大小为和步长为其中表示a＝13，n分别取4、2、1；

(4a5)将池化层SPP4输出的64张特征图输入全连接层Fc5，按照下式，对其中每一个像素点进行激活，得到激活后的特征图的像素点的值，将激活后的特征图以列的顺序排列成1维向量，得到1×1344维的特征向量：

其中，f(x)表示激活后的特征图的像素点的值，x表示激活前特征图的像素点的值，e表示一个无限不循环的自然常数，取值为2.7182；

(4a6)将全连接层Fc5输出的特征向量输入全连接层Fc6，构成一般神经网络，输出为1×500维的特征向量；

(4a7)将全连接层Fc6输出的特征向量输入分类层Softmax7，得到车标区域图的分类标签，该层会计算出每种分类标签的概率，并将最大概率的标签输出，其中softmax分类的期望函数表示如下：

其中，α⁽ⁱ⁾表示卷积神经网络CNN中全连接层Fc6输出的特征向量，β⁽ⁱ⁾表示与卷积神经网络CNN中全连接层Fc6输出的特征向量α⁽ⁱ⁾相对应的标签，k表示类别数，i表示 样本，i∈[1,m]，m表示车标区域图样本的数量，θ表示模型参数，softmax分类损失函数如下：

6.根据权利要求1所述的基于卷积神经网络的车标识别方法，其特征在于：步骤(4b)中训练卷积神经网络CNN，步骤如下：

(4b1)在向前传播阶段，从样本集中取一个样本，信息从卷积神经网络CNN输入层经过逐级的变换，传送到卷积神经网络CNN输出层，得到相应的实际输出；

(4b2)在向后传播阶段，计算卷积神经网络CNN实际输出与样本标签对应的理想输出的差，按极小化误差的方法，反向传播调整卷积神经网络CNN的权值；

(4b3)重复(4b1)和(4b2)的操作，直到卷积神经网络CNN分类层Softmax7之后的输出损失函数J(θ)≤0.0001为止或者迭代15000次为止。