本发明涉及车联网安全、图像识别技术领域，具体涉及一种基于忆阻神经网络的车辆标志识别方法。
背景技术：
早期的车辆标志识别方法主要以研究特征提取为主，如基于传统的模板匹配方法、基于不变矩的算法和基于尺度不变特征变换方法等，这类传统的方法不仅耗时，对模板较为敏感，当图像出现畸变和旋转时，识别率较差，而且计算量较大、准确率一般。目前，深度学习通过网络的自学习方法虽然解放了手动特征选择的繁琐步骤，但快速发展的人工神经网络促使对计算机处理能力的要求越来越高。当前大多数的计算机主要采用“冯·诺依曼”架构，在计算单元和存储单元之间经常有数据来回移动，但数据在处理器和内存之间的传输速度制约着计算机的能力，产生“冯·诺依曼”瓶颈问题，计算机性能因此受到极大的限制，神经网络的发展也受到越来越大地制约，严重影响神经网络计算效率和性能。
技术实现要素：
针对现有技术中的上述不足，本发明提供了一种基于忆阻神经网络的车辆标志识别方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于忆阻神经网络的车辆标志识别方法，包括以下步骤：
s1、获取车辆标志图像并进行预处理；
s2、将预处理后的车辆标志图像映射为忆阻器两端的输入电压信号；
s3、利用步骤s2得到的输入电压信号对忆阻交叉阵列进行状态调整，得到调整后的忆阻值矩阵；
s4、将调整后的忆阻值矩阵映射为车辆标志图像像素值；
s5、采用轻量级卷积神经网络对步骤s4得到的车辆标志图像进行特征提取，再对提取的车辆标志特征进行识别得到车辆标志识别结果。
进一步地，所述步骤s1具体包括以下分步骤：
s11、获取车辆标志图像；
s12、将获取的车辆标志图像进行归一化处理；
s13、将归一化后的车辆标志图像进行灰度化处理。
进一步地，所述步骤s2具体包括以下分步骤：
s21、将忆阻器的阻值等级与步骤s13得到的灰度图像的灰度等级建立映射关系；
s22、将步骤s13得到的灰度图像的像素值归一化至0～1之间，得到二维图像像素矩阵；
s23、将二维图像像素矩阵转换为一维图像像素向量；
s24、将一维图像像素向量作为忆阻器两端输入电压信号幅值，得到忆阻器两端的输入电压信号。
进一步地，所述步骤s3具体包括以下分步骤：
s31、将m×m大小的滤波卷积核分离成m×m个1×1大小的卷积核，并对忆阻交叉阵列中每个交叉点处的忆阻器的阻值进行随机初始化；
s32、对步骤s13得到的n×n大小的灰度图像依次进行m次水平移位和m次垂直移位操作得到m×m张图像，然后将m×m张图像分别和m×m个1×1大小的卷积核进行卷积操作得到m×m个新的图像；
s33、将m×m个新的图像映射为电压信号依次传入到忆阻交叉阵列中以调整忆阻器的阻值状态，得到调整后的忆阻值矩阵。
进一步地，所述步骤s33具体包括以下分步骤：
s331、将步骤s32得到的新的图像映射为电压信号，根据欧姆定律，计算流过忆阻交叉阵列中每一个忆阻器的电流值；
s332、对忆阻交叉阵列状态施加稍许扰动；
s333、在步骤s332得到的忆阻交叉阵列状态基础上，更新忆阻交叉阵列状态；
s334、根据更新后的忆阻器交叉阵列状态更新忆阻器的阻值状态；
s335、循环步骤s331～s334，直到m×m个新的图像全部映射为电压信号传入到忆阻交叉阵列中，当忆阻交叉阵列中每一个交叉点处的忆阻器状态均已更新则状态调整结束，得到调整后的忆阻值矩阵。
进一步地，所述步骤s332中忆阻交叉阵列状态发生稍许扰动的计算公式为：
dwdt＝0.1×(w0-w)
其中，dwdt表示忆阻交叉阵列状态变化；w0表示掺杂层的厚度；w表示忆阻交叉阵列状态。
进一步地，所述步骤s333中忆阻器交叉阵列状态的更新公式为：
w′＝(w dwdt)×dt
其中，u表示平均离子漂移率；d表示二氧化钛的薄膜厚度；ron表示最小忆阻值；p表示窗函数的控制参数；dt表示忆阻器在状态更新时的步长大小；i表示流过忆阻器的电流值。
进一步地，所述步骤s334中忆阻器的阻值状态的更新公式为：
其中，m表示忆阻矩阵；roff表示最大忆阻值。
进一步地，所述步骤s5具体包括以下分步骤：
s51、采用mobilenetv2卷积神经网络结构的1层标准卷积层，17层瓶颈层对步骤s4得到的车辆标志图像进行特征提取；
s52、将步骤s51提取的车辆标志特征采用1×1逐点卷积层进行升维，然后经过全局平均池化层进行降采样，最终经过全连接层和softmax层进行分类识别得到车辆标志识别结果。
进一步地，所述步骤s51具体包括：
首先将步骤s4得到的车辆标志图像传入标准卷积层，输出尺寸减半的特征图；
然后将特征图依次传入17层瓶颈层，在每层瓶颈层内部首先采用1×1逐点卷积对输入特征图进行升维处理，再通过深度可分离卷积进行特征提取，
最后采用1×1逐点卷积对特征图做进行降维处理。
本发明具有以下有益效果：
(1)本发明针对现有的车辆标志数据集，相比采用传统的均值滤波、中值滤波和高斯滤波对图像进行预处理的网络，采用忆阻交叉阵列对图像进行预处理的网络，即忆阻神经网络，不仅可以实现数据增强的功能，降低噪声对识别准确率的影响，也能提高车标识别准确率，模型的泛化性能间接得到提高。
(2)本发明将忆阻器和神经网络进行有效结合，大大改变了人工智能领域，不仅对神经网络硬件化的研究和人工智能领域的发展有着重要的意义，也为解决“冯·诺依曼”瓶颈问题提供带来新方向。本发明克服了实际应用中的噪声降低车标识别准确率的问题，为忆阻神经网络的硬件化提供理论基础。
附图说明
图1为本发明基于忆阻神经网络的车辆标志识别方法流程示意图；
图2为本发明中忆阻交叉阵列状态调整流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供一种基于忆阻神经网络的车辆标志识别方法，包括以下步骤s1至s5：
s1、获取车辆标志图像并进行预处理；
在本实施例中，步骤s1用于对车辆标志图像进行预处理，具体包括以下分步骤：
s11、获取车辆标志图像；
s12、将获取的车辆标志图像进行归一化处理，得到大小为n×n的图像；
s13、将归一化后的车辆标志图像进行灰度化处理，得到灰度图像。
s2、将预处理后的车辆标志图像映射为忆阻器两端的输入电压信号；
在本实施例中，步骤s2用于将车辆标志图像像素映射为忆阻器两端的输入电压信号，具体包括以下分步骤：
s21、将忆阻器的阻值等级与步骤s13得到的灰度图像的灰度等级建立映射关系；
具体而言，设置忆阻器的阻值等级分别对应灰度图像的256级灰度，建立线性映射关系。
s22、将步骤s13得到的灰度图像的像素值归一化至0～1之间，得到二维图像像素矩阵；
s23、将二维图像像素矩阵转换为一维图像像素向量；
s24、将一维图像像素向量作为忆阻器两端输入电压信号幅值，得到忆阻器两端的输入电压信号。
本发明通过步骤s2实现灰度图像到幅度不同宽度相同的电压信号转变。根据欧姆定律，每一个电压值都对应一个忆阻值，即图像中的一个像素值。
s3、利用步骤s2得到的输入电压信号对忆阻交叉阵列进行状态调整，得到调整后的忆阻值矩阵；
在本实施例中，步骤s3用于通过忆阻交叉阵列降噪，如图2所示，具体包括以下分步骤：
s31、将m×m大小的滤波卷积核分离成m×m个1×1大小的卷积核，并对忆阻交叉阵列中每个交叉点处的忆阻器的阻值进行随机初始化；
s32、对步骤s13得到的n×n大小的灰度图像依次进行m次水平移位和m次垂直移位操作得到m×m张图像，然后将m×m张图像分别和m×m个1×1大小的卷积核进行卷积操作得到m×m个新的图像；
s33、按照建立的线性映射关系，将m×m个新的图像映射为电压信号依次传入到忆阻交叉阵列中以调整忆阻器的阻值状态，得到调整后的忆阻值矩阵。
具体而言，步骤s33具体包括以下分步骤：
s331、将步骤s32得到的新的图像映射为电压信号，根据欧姆定律，计算流过忆阻交叉阵列中每一个忆阻器的电流值；
s332、对忆阻交叉阵列状态施加稍许扰动，则忆阻交叉阵列状态变化的计算公式为：
dwdt＝0.1×(w0-w)
其中，dwdt表示忆阻交叉阵列状态变化；w0表示掺杂层的厚度；w表示忆阻交叉阵列状态。
s333、根据步骤s332得到的忆阻交叉阵列状态更新忆阻器交叉阵列状态，更新公式为：
w′＝(w dwdt)×dt
其中，u表示平均离子漂移率；d表示二氧化钛的薄膜厚度；ron表示最小忆阻值；p表示窗函数的控制参数；dt表示忆阻器在状态更新时的步长大小；w表示忆阻交叉阵列状态；dwdt表示忆阻交叉阵列状态变化；i表示流过忆阻器的电流值。w′、dwdt′分别对更新后的忆阻交叉阵列状态及变化进行区分。
s334、根据更新后的忆阻器交叉阵列状态更新忆阻器的阻值状态，更新公式为：
其中，m表示忆阻矩阵；ron表示最小忆阻值；roff表示最大忆阻值；d表示二氧化钛的薄膜厚度；w表示忆阻交叉阵列状态。
s335、直到忆阻交叉阵列中每一个交叉点处的忆阻器状态均已更新则调整结束，完成图像降噪。
此时预处理后的图像像素值以忆阻值的形式存储在忆阻交叉阵列中，按照线性映射关系，预处理后的输出为n×n灰度图像。
s4、将调整后的忆阻值矩阵映射为车辆标志图像像素值；
在本实施例中，经过忆阻交叉阵列降噪处理后，图像不仅实现了降噪处理，也进行了简单的取反操作，此时读取忆阻交叉阵列中的每一个忆阻值，按照线性映射关系，完成忆阻值映射为图像像素操作。
s5、采用轻量级卷积神经网络对步骤s4得到的车辆标志图像进行特征提取，再对提取的车辆标志特征进行识别得到车辆标志识别结果。
在本实施例中，步骤s5用于采用轻量级卷积神经网络提取特征，具体包括以下分步骤：
s51、采用mobilenetv2卷积神经网络结构的1层标准卷积层，17层瓶颈层对步骤s4得到的车辆标志图像进行特征提取；
具体而言，步骤s51具体包括：
首先将步骤s4得到的车辆标志图像传入标准卷积层，输出尺寸减半的特征图；
然后将特征图依次传入17层瓶颈层作进一步处理，即在17层瓶颈层中，在每层瓶颈层内部首先采用1×1逐点卷积对输入特征图进行升维处理，丰富特征数量，使其通道数变为原来的6倍，再通过深度可分离卷积进行特征提取，
最后采用1×1逐点卷积对特征图做进行降维处理。除了第一层瓶颈层内部不对输入特征图进行升维，其它瓶颈层内部都对输入特征图进行升维，并使得其通道数变为原来的6倍。其中，当s＝2时，输出特征图尺寸减半；当s＝1时，输出特征图尺寸保持不变。
s52、将步骤s51提取的车辆标志特征采用1×1逐点卷积层进行升维，然后经过全局平均池化层进行降采样，最终经过全连接层和softmax层进行分类识别得到车辆标志识别结果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
1.一种基于忆阻神经网络的车辆标志识别方法，其特征在于，包括以下步骤：
s1、获取车辆标志图像并进行预处理；
s2、将预处理后的车辆标志图像映射为忆阻器两端的输入电压信号；
s3、利用步骤s2得到的输入电压信号对忆阻交叉阵列进行状态调整，得到调整后的忆阻值矩阵；
s4、将调整后的忆阻值矩阵映射为车辆标志图像像素值；
s5、采用轻量级卷积神经网络对步骤s4得到的车辆标志图像进行特征提取，再对提取的车辆标志特征进行识别得到车辆标志识别结果。
2.根据权利要求1所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s1具体包括以下分步骤：
s11、获取车辆标志图像；
s12、将获取的车辆标志图像进行归一化处理；
s13、将归一化后的车辆标志图像进行灰度化处理。
3.根据权利要求2所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s2具体包括以下分步骤：
s21、将忆阻器的阻值等级与步骤s13得到的灰度图像的灰度等级建立映射关系；
s22、将步骤s13得到的灰度图像的像素值归一化至0～1之间，得到二维图像像素矩阵；
s23、将二维图像像素矩阵转换为一维图像像素向量；
s24、将一维图像像素向量作为忆阻器两端输入电压信号幅值，得到忆阻器两端的输入电压信号。
4.根据权利要求3所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s3具体包括以下分步骤：
s31、将m×m大小的滤波卷积核分离成m×m个1×1大小的卷积核，并对忆阻交叉阵列中每个交叉点处的忆阻器的阻值进行随机初始化；
s32、对步骤s13得到的n×n大小的灰度图像依次进行m次水平移位和m次垂直移位操作得到m×m张图像，然后将m×m张图像分别和m×m个1×1大小的卷积核进行卷积操作得到m×m个新的图像；
s33、将m×m个新的图像映射为电压信号依次传入到忆阻交叉阵列中以调整忆阻器的阻值状态，得到调整后的忆阻值矩阵。
5.根据权利要求4所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s33具体包括以下分步骤：
s331、将步骤s32得到的新的图像映射为电压信号，根据欧姆定律，计算流过忆阻交叉阵列中每一个忆阻器的电流值；
s332、对忆阻交叉阵列状态施加稍许扰动；
s333、在步骤s332得到的忆阻交叉阵列状态基础上，更新忆阻交叉阵列状态；
s334、根据更新后的忆阻器交叉阵列状态更新忆阻器的阻值状态；
s335、循环步骤s331～s334，直到m×m个新的图像全部映射为电压信号传入到忆阻交叉阵列中，当忆阻交叉阵列中每一个交叉点处的忆阻器状态均已更新则状态调整结束，得到调整后的忆阻值矩阵。
6.根据权利要求5所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s332中忆阻交叉阵列状态发生稍许扰动的计算公式为：
dwdt＝0.1×(w0-w)
其中，dwdt表示忆阻交叉阵列状态变化；w0表示掺杂层的厚度；w表示忆阻交叉阵列状态。
7.根据权利要求6所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s333中忆阻器交叉阵列状态的更新公式为：
w′＝(w dwdt)×dt
其中，u表示平均离子漂移率；d表示二氧化钛的薄膜厚度；ron表示最小忆阻值；p表示窗函数的控制参数；dt表示忆阻器在状态更新时的步长大小；i表示流过忆阻器的电流值。
8.根据权利要求7所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s334中忆阻器的阻值状态的更新公式为：
其中，m表示忆阻矩阵；roff表示最大忆阻值。
9.根据权利要求1所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s5具体包括以下分步骤：
s51、采用mobilenetv2卷积神经网络结构的1层标准卷积层，17层瓶颈层对步骤s4得到的车辆标志图像进行特征提取；
s52、将步骤s51提取的车辆标志特征采用1×1逐点卷积层进行升维，然后经过全局平均池化层进行降采样，最终经过全连接层和softmax层进行分类识别得到车辆标志识别结果。
10.根据权利要求9所述的基于忆阻神经网络的车辆标志识别方法，其特征在于，所述步骤s51具体包括：
首先将步骤s4得到的车辆标志图像传入标准卷积层，输出尺寸减半的特征图；
然后将特征图依次传入17层瓶颈层，在每层瓶颈层内部首先采用1×1逐点卷积对输入特征图进行升维处理，再通过深度可分离卷积进行特征提取，最后采用1×1逐点卷积对特征图做进行降维处理。
技术总结