The invention discloses a multi-task vehicle component recognition model, method and system based on in-depth learning, including: establishing a vehicle component database based on vehicle image database and marking the vehicle components, enhancing the image data of the vehicle component database to obtain a vehicle component training set, and training the vehicle components using the vehicle component database. Based on the vehicle image database, the probability of different types of vehicle components appearing at the same time is calculated, and the joint probability of multiple vehicle components is obtained. The vehicle parts recognition model is used to train vehicle parts identification network to get multi task. The multi-task vehicle component recognition model is used to recognize the vehicle image to be detected, and the probability of each vehicle component in the vehicle image to be detected is obtained. The invention has simple network training, easy convergence, easy data acquisition and high recognition accuracy.
【技术实现步骤摘要】
基于深度学习的多任务车辆部件识别模型、方法和系统
本专利技术属于模式识别
,更具体地,涉及一种基于深度学习的多任务车辆部件识别模型、方法和系统。
技术介绍
目标识别算法是图像处理和模式识别研究的重要领域之一,是当前的热点研究课题。所谓目标识别是指用计算机实现人的视觉功能,它的研究目标就是使计算机具有从一幅或多幅图像或者是视频中认知周围环境的能力。目标识别方法就是使用各种匹配算法,根据从图像已提取出的特征,寻找出与物体模型库中最佳的匹配,它的输入为图像与要识别物体的模型库,输出为物体的名称、姿态、位置等等。目标识别方法一般由以下几个步骤组成:预处理,特征提取,特征选择,建模,匹配,定位。传统的目标识别方法主要有以下几种:(1)词袋模型词袋模型主要是采用分类方法来识别物体,词袋模型是来自于自然语言处理,在自然语言处理中是用来表示一篇文档是有一袋子词语组成的,在计算机视觉的物体识别方法中,将图像比作文档,将从图像中提取的特征比作词语,即一幅图像是有一袋子特征组成的,词袋模型首先需要一个特征库,特征库中的特征之间是相互独立的,然后图像可以表示为特征库中所有特征的一个直方图,最后采用一些生成性方法的学习与识别来识别物体。词袋模型的一个主要缺点为特征之间是相互独立的,丢失了位置信息。(2)Partsandstructure(PS)方法PictorialStructure方法采用了特征之间的关系,比如位置信息和底层的图像特征,将提取出的特征联系起来。PS提出的弹簧模型,物体部件之间的关系用伸缩的弹簧表示,对于特征之间的关系的模型表示,还有星型结构、层次结构、树状结 ...
【技术保护点】
1.一种基于深度学习的多任务车辆部件识别模型的训练方法,其特征在于,包括:(1)基于车辆图像数据库,建立车辆部件数据库并对车辆部件进行标记,对车辆部件数据库进行图像数据增强,得到车辆部件训练集;(2)利用车辆部件训练集训练深度残差网络,在训练时,将各个部件类别对应的图片数量作为权值添加至Softmax损失函数中,进而得到车辆部件识别网络;(3)基于车辆图像数据库,统计多个车辆部件不同类型同时出现的概率,得到多个车辆部件的联合概率,基于多个车辆部件的联合概率建立多任务车辆部件识别的数据集和对应多标签;(4)利用多任务车辆部件识别的数据集和对应多标签训练车辆部件识别网络,得到多任务车辆部件识别模型。
【技术特征摘要】
1.一种基于深度学习的多任务车辆部件识别模型的训练方法,其特征在于,包括:(1)基于车辆图像数据库,建立车辆部件数据库并对车辆部件进行标记,对车辆部件数据库进行图像数据增强,得到车辆部件训练集;(2)利用车辆部件训练集训练深度残差网络,在训练时,将各个部件类别对应的图片数量作为权值添加至Softmax损失函数中,进而得到车辆部件识别网络;(3)基于车辆图像数据库,统计多个车辆部件不同类型同时出现的概率,得到多个车辆部件的联合概率,基于多个车辆部件的联合概率建立多任务车辆部件识别的数据集和对应多标签;(4)利用多任务车辆部件识别的数据集和对应多标签训练车辆部件识别网络,得到多任务车辆部件识别模型。2.如权利要求1所述的一种基于深度学习的多任务车辆部件识别模型的训练方法,其特征在于,所述车辆部件包括车标、车灯、后视镜、挡风玻璃、车型和车身颜色。3.如权利要求1或2所述的一种基于深度学习的多任务车辆部件识别模型的训练方法,其特征在于,所述图像数据增强包括图像选取、镜像、平移和加噪声。4.如权利要求1或2所述的一种基于深度学习的多任务车辆部件识别模型的训练方法,其特征在于,所述深度残差网络为十层深度残差网络。5.一种基于深度学习的多任务车辆部件识...
【专利技术属性】
技术研发人员:桑农,杨丽秦,李亚成,高常鑫,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。