什么是卷积神经网络？监控系统安装公司表示卷积神经网络（CNN）是人工神经网络算法（ANN）的一种，近年来广泛应用于图像处理领域是一种高效的识别方法。
       卷积神经网络的前向传播
       卷积神经网络分为两个部分：学习和预测，其中预测过程称为卷积神经网络的前向传播，典型的卷积神经网络一般有三步操作：卷积、激活和池化。其中卷积操作与图像的卷积操作一致，它将每一个多通道的图像看作是一层输入，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；卷积操作的本质是输入按照权重进行叠加，这是一个线性操作，如果直接将叠加值作为输出，则神经网络的隐藏层将失去作用，卷积神经网络将与原始的感知机无异，因此为了增加神经元的拟合能力，必须引入一个非线性的函数，即激活函数；卷积神经网络的池化操作主要用于降低提取特征的维度以降低计算量，即通过对不同位置的特征进行聚合统计，可以有效的降低运算的复杂度，并一定程度上防止过拟合，常用的池化方法有平均池化或者最大池化。
       卷积神经网络的后向传播
       前面我们所介绍的卷积神经网络的前向传播过程是建立在权重已知的前提下，但是实际上我们并不能确定权重，因此我们需要通过后向传播进行权重的更新学习（或称为训练）。通过学习我们的算法计算得出的结果与实际结果越接近越好。数学上，我们用损失函数来衡量计算结果与实际结果的距离的指标。卷积神经网络的学习过程就是最小化损失函数的优化过程，常用的优化方法有梯度下降法。

       车型分类
       我们利用边缘检测针对高清卡口图片进行车辆定位，确定了待分类车辆的候选框。确定候选框之后，为了确定候选框内是否包含车辆和车辆的具体类别，就需要对候选框中图像进行分类。卷积神经网络作为一个自学习的特征提取器，避免了传统算法手工挑选特征的主观性，并且可以应对各种复杂环境。

       车型分类作为物体分类的一个子问题，完全可以使用卷积神经网络来实现车型的分类。目前大型卷积神经网络，例例如 Alexnet、VGGNET以及Googlenets等在物体识别上取得了巨大的成功。三个网络在 Imagenet比赛中，一千类物体识别率均在80％以上。但是相对而言， Alexnetk网络最为扁平，处理速度最快。因此本文以 Alexnet为基础，针对车辆数据据集进行训练。 Alex Net网络结构如图所示。整个网络由5个卷积层和3个全连接层组成，最后接人 softmax进行分类。

      创通宝为客户提供：从方案制定，到技术实现，后续维护为一体的系统化服务。服务范围：高清监控系统安装 、综合布线、机房建设、门禁系统安装、停车场系统、广播系统安装等产品，欢迎拨打咨询热线：400-788-1068