一种基于卷积神经网络的细粒度车型识别方法技术

本发明专利技术提供了一种基于卷积神经网络的细粒度车型识别方法，包括如下步骤：步骤S101，输入车型图像并划分为训练样本与测试样本；步骤S102，根据输入图像的类别标签，设计基于细类别和粗类别的类别编码，用于训练；步骤S103，设计卷积层、池化层、全连接层，对车型特征进行提取；步骤S104，设计分类函数，根据提取的车型特征进行分类；步骤S105，设计代价函数，根据预测的样本编码和真实的样本编码，使用对数似然估计计算代价函数；步骤S106，使用梯度下降法对网络的权值和偏移量进行更新；步骤S107，根据训练得到的网络结构，实现基于卷积神经网络的车型识别方法。采用本发明专利技术的方法，实现基于卷积神经网络的细粒度车型的识别，提高识别的准确率。

A fine grained vehicle recognition method based on convolution neural network

The invention provides a fine-grained model recognition method based on the convolution neural network, which includes steps: step S101, input the model image and divide it into training samples and test samples; step S102, according to the category labels of the input images, the design is based on the fine category and the other category code for training; step S10 3, design the coiling layer, pool layer and all connected layer to extract the characteristics of the vehicle; step S104, design classification functions, classify the models according to the features extracted; step S105, design the cost function, calculate the cost function by the predicted sample code and the real sample code, and use the logarithmic likelihood estimation to calculate the cost function; step S106 The gradient descent method is used to update the weight and offset of the network. Step S107, based on the trained network structure, the vehicle recognition method based on the convolution neural network is realized. By adopting the method of the invention, the recognition of fine-grained vehicle type based on convolution neural network is realized, and the accuracy of recognition is improved.

【技术实现步骤摘要】
一种基于卷积神经网络的细粒度车型识别方法
本专利技术涉及一种卷积神经网络
，特别是涉及一种基于卷积神经网络的细粒度的车型识别方法。
技术介绍
神经网络是一种基于机器学习方法。该网络由大量的节点(或称神经元)组成，每个神经元是一个多输入单输出的计算单元，神经元将各个输入值乘上相应权重并进行相加，再加上一个偏移量，然后使用激活函数得到非线性输出。神经网络由输入层、隐藏层和输出层组成，其中每一层都由单个或多个神经元组成，上一层的输出作为下一层的输入。卷积神经网络(CNN)是神经网络的一种，它能够提取输入的不同特征并进行分类。CNN的隐藏层由卷积层、池化层和全连接层组成。卷积神经网络的输入层接受输入向量，隐藏层负责传输、分析、权衡各个向量，输出层完成结果的输出。其中，卷积层通过卷积操作提取输入的不同特征，浅层的卷积层提取诸如边缘、线条的低级特征，深层的卷积层提取高级特征；池化层接在卷积层之后，对局部接受域进行池化操作以获取具有空间不变性的特征；全连接层一般位于多个卷积层和池化层之后，整合卷积层或池化层中具有类别区分性的局部信息。卷积神经网络在图像分类上取得了良好的成果，但目前的分类比较粗，在大类下细分的子类间分类识别率较低。目前基于卷积神经网络的图像识别项目中，没有一种这样的识别方式，即根据车型标签，建立具有层次结构的标签属性，并用于训练和分类。目前的情况下，如果车型种类多且比较细时，面临车型识别的准确率比较低的问题。
技术实现思路
有鉴于此，本专利技术设计了一种基于卷积神经网络的细粒度车型识别方法，包括如下步骤：步骤S101，输入车型图像并划分为训练样本与测试样本；步骤S102，根据输入图像的类别标签，设计基于细类别和粗类别的类别编码，用于训练；步骤S103，设计卷积层、池化层、全连接层，对车型特征进行提取；步骤S104，设计分类函数，根据提取的车型特征进行分类；步骤S105，设计代价函数，根据预测的样本编码和真实的样本编码，使用对数似然估计计算代价函数；步骤S106，根据误差，使用梯度下降法对网络的权值和偏移量进行更新；步骤S107，根据训练得到的网络结构，得到基于卷积神经网络的车型识别方法。步骤S102中设计类别编码的具体方法为：对于每个细类别标签(原始标签)，找到其所属的粗类别标签，包括车牌、车形和年份。根据细类别标签生成一个one-hot编码y，根据三个粗类别标签，分别生成三个one-hot编码y1、y2、y3。将四个编码连接到一起，生成类别编码。步骤S103中设计卷积层的具体方法为：设计使用五层卷积层。在卷积神经网络的第一层使用11x11的过滤器，过滤器个数为96个，在网络的第二层使用5x5的过滤器，过滤器个数为256个，从网络的第三层到第五层均使用3x3的过滤器，过滤器个数分别为384,384,256个。卷积层中，使用ReLU作为激活函数。步骤S103中设计池化层的具体方法为：在第一层、第二层和第五层卷积层后分别接一层池化层。池化层使用最大池化，选取局部区域的最大值作为该区域的值。步骤S103中设计全连接层的具体方法为：在最后一层池化层后接三层全连接层，前两层全连接层各有4096个神经元，最后一层神经元有283个神经元。在全连接层中，使用ReLU作为激活函数。步骤S104中，使用softmax作为分类函数，根据提取的特征，对图像进行分类，输出预测的类别编码。步骤S105中设计代价函数的具体方法为：根据预测类别编码与真实类别编码，计算对数似然估计。假设真实类的细类别为y，粗类别为y1、y2、y3，找到预测类别编码中对于细类和粗类的似然估计为p、p1、p2、p3,则代价函数Cost＝a1*logp+a2*logp1+a3*logp2+a4*logp3。其中a1、a2、a3、a4为系数，用于权衡各个类的重要程度。附图说明后文将参照附图以示例性而非限制性的方式详细描述本专利技术的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本专利技术的目标及特征考虑到如下结合附图的描述将更加明显，附图中：图1为根据本专利技术实施例的一种基于卷积神经网络的细粒度车型识别方法的训练流程图。图2为根据本专利技术实施例的卷积神经网络结构图。图3为根据本专利技术实施例的结构标签图。具体实施方式为了使得本专利技术能够针对其专利技术要点更加明显易懂，下面将结合附图和实例对本专利技术作进一步的说明。在下面的描述中阐述了很多细节和具体实例，提供这些实例是为了能够更透彻地理解本专利技术，并且能够将本专利技术完整形象地传达给本领域的技术人员。虽然本专利技术能够以很多不同于此的描述的其它方式实施，但是本领域技术人员可以在不违背本专利技术内涵的情况下做相应的推广，因此本专利技术不受下面公开的具体实例及具体附图所限制。虽然本专利技术已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本专利技术的保护范围和精神的情况下对本专利技术的实施例能够进行改动和修改。图1展示了本专利技术一个实施例的基于卷积神经网络的车型识别方法的训练流程图。包括以下步骤：步骤S101，输入车型图片集，每张图片包含一个具体的车型的图片，同时在数据库中标注对应车型的标签。图片集共含有16000张图片，根据车辆的品牌、型号、车身形态(即车形)、年份精确的分为了196个类别，称为车型的细粒度标签(或原始标签)，将整个图片集按1:1分为训练集与测试集，用于卷积神经网络的训练和学习。步骤S102，根据原有的图片标签，按照其细粒度分类和粗粒度分类，根据one-hot编码，分别生成细粒度和粗粒度one-hot编码，并按顺序连接。步骤S103，根据训练集图片集，训练卷积神经网络，学习不同车型的特征。S104，根据学习的车型特征，训练车型分类器。S105，使用学习到的分类器对测试集图片进行分类，使用得到的分类编码与真实的分类编码进行比较，计算代价函数。S106，通过代价函数对卷积神经网络中的权值和偏移量进行更新。本实施中采用了经典的反向传播算法来训练卷积神经网络，所述反向传播算法包括正向传播和反向传播过程组成。正向传播过程中，训练图片通过输入层经过卷积、池化等操作，逐层处理传到输出层。如果在输出层中输出的标签编码和实际的标签编码不同，则根据代价函数计算误差，转入反向传播。按照与输入相反的方向，从输出层开始，逐层计算代价函数相对于各个神经元权值的偏导数，构成代价函数对权值向量的梯度，作为修改权值的依据，网络的学习即是指不断的进行权值修改，直到代价函数的值达到期望范围内，此时网络学习结束，得到对车型分类的卷积神经网络结构。图2展示了本专利技术一个实施例的卷积神经网络结构图。网络总共包含八层，其中包含五个卷积层和三个全连接层。首先，读取三通道的彩色图片并将图片大小调整为224*224。在第一层中使用96个11x11的过滤器进行卷积操作，并进行池化。在第二层中使用256个5x5的过滤器进行卷积操作，并进行池化。在第三层和第四层中使用384个3x3的过滤器进行卷积操作。在第五层中使用256个3x3的过滤器进行卷积操作，并进行池化。第六层和第七层为全连接层，均含有4096个神经元。由于数据总共分为196个类，其中按品牌、本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的细粒度车型识别方法，其特征在于包括如下步骤：步骤S101，输入车型图像并划分为训练样本与测试样本；步骤S102，根据输入图像的类别标签，设计基于细类别和粗类别的类别编码，用于训练；步骤S103，设计卷积层、池化层、全连接层，对车型特征进行提取；步骤S104，设计分类函数，根据提取的车型特征进行分类；步骤S105，设计代价函数，根据预测的样本编码和真实的样本编码，使用对数似然估计计算代价函数；步骤S106，根据代价函数，使用梯度下降法对网络的权值和偏移量进行更新；步骤S107，根据训练得到的网络结构，实现基于卷积神经网络的车型识别方法。

【技术特征摘要】
1.一种基于卷积神经网络的细粒度车型识别方法，其特征在于包括如下步骤：步骤S101，输入车型图像并划分为训练样本与测试样本；步骤S102，根据输入图像的类别标签，设计基于细类别和粗类别的类别编码，用于训练；步骤S103，设计卷积层、池化层、全连接层，对车型特征进行提取；步骤S104，设计分类函数，根据提取的车型特征进行分类；步骤S105，设计代价函数，根据预测的样本编码和真实的样本编码，使用对数似然估计计算代价函数；步骤S106，根据代价函数，使用梯度下降法对网络的权值和偏移量进行更新；步骤S107，根据训练得到的网络结构，实现基于卷积神经网络的车型识别方法。2.根据权利要求1所述的一种基于卷积神经网络的细粒度车型识别方法，其特征在于所述步骤S102中设计类别编码的具体方法为：对于每个细类别标签(即原始标签)，找到其所属的粗类别标签，包括车牌、车形和年份，根据细类别标签生成一个one-hot编码y，根据三个粗类别标签，分别生成三个one-hot编码y1、y2、y3，将四个编码连接到一起，生成类别编码。3.根据权利要求1所述的一种基于卷积神经网络的细粒度车型识别方法，其特征在于所述步骤S103中设计卷积层的具体方法为：设计使用五层卷积层，在卷积神经网络的第一层使用11x11的过滤器，过滤器个数为96个，在网络的第二层使用5x5的过滤器，过滤器个数为256个，从网络的第三层到第五层...

【专利技术属性】
技术研发人员：周锋，左雨婷，李小勇，黄智濒，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11