什么是卷積神經網絡？監控系統安裝公司表示卷積神經網絡（CNN）是人工神經網絡算法（ANN）的一種，近年來廣泛應用于圖像處理領域是一種高效的識別方法。
       卷積神經網絡的前向傳播
       卷積神經網絡分為兩個部分：學習和預測，其中預測過程稱為卷積神經網絡的前向傳播，典型的卷積神經網絡一般有三步操作：卷積、激活和池化。其中卷積操作與圖像的卷積操作一致，它將每一個多通道的圖像看作是一層輸入，每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關系也隨之確定下來；卷積操作的本質是輸入按照權重進行疊加，這是一個線性操作，如果直接將疊加值作為輸出，則神經網絡的隱藏層將失去作用，卷積神經網絡將與原始的感知機無異，因此為了增加神經元的擬合能力，必須引入一個非線性的函數，即激活函數；卷積神經網絡的池化操作主要用于降低提取特征的維度以降低計算量，即通過對不同位置的特征進行聚合統計，可以有效的降低運算的復雜度，并一定程度上防止過擬合，常用的池化方法有平均池化或者最大池化。
       卷積神經網絡的后向傳播
       前面我們所介紹的卷積神經網絡的前向傳播過程是建立在權重已知的前提下，但是實際上我們并不能確定權重，因此我們需要通過后向傳播進行權重的更新學習（或稱為訓練）。通過學習我們的算法計算得出的結果與實際結果越接近越好。數學上，我們用損失函數來衡量計算結果與實際結果的距離的指標。卷積神經網絡的學習過程就是最小化損失函數的優化過程，常用的優化方法有梯度下降法。

       車型分類
       我們利用邊緣檢測針對高清卡口圖片進行車輛定位，確定了待分類車輛的候選框。確定候選框之后，為了確定候選框內是否包含車輛和車輛的具體類別，就需要對候選框中圖像進行分類。卷積神經網絡作為一個自學習的特征提取器，避免了傳統算法手工挑選特征的主觀性，并且可以應對各種復雜環境。

       車型分類作為物體分類的一個子問題，完全可以使用卷積神經網絡來實現車型的分類。目前大型卷積神經網絡，例例如 Alexnet、VGGNET以及Googlenets等在物體識別上取得了巨大的成功。三個網絡在 Imagenet比賽中，一千類物體識別率均在80％以上。但是相對而言， Alexnetk網絡最為扁平，處理速度最快。因此本文以 Alexnet為基礎，針對車輛數據據集進行訓練。 Alex Net網絡結構如圖所示。整個網絡由5個卷積層和3個全連接層組成，最后接人 softmax進行分類。

      創通寶為客戶提供：從方案制定，到技術實現，后續維護為一體的系統化服務。服務范圍：高清監控系統安裝 、綜合布線、機房建設、門禁系統安裝、停車場系統、廣播系統安裝等產品，歡迎撥打咨詢熱線：400-788-1068