【技术实现步骤摘要】
本专利技术属于车辆多属性联合分析
，涉及一种基于深度学习的车辆多属性联合分析方法。
技术介绍
车辆多属性联合分析已成为图像处理、计算机视觉分析领域的新兴研究方向，对车辆属性的分析，是智能交通的一项关键技术,此技术通过对实际城市交通道路中的各类车辆图像数据进行多任务学习，可实现车辆(车系、车辆厂商)分类、车型识别、车辆座椅及车门数量预测等多种功能，具有重要应用价值和社会意义。车辆属性分析的方法有很多，但将目前最新的深度学习方法应用于此领域的技术却很少。专利CN104992147A将深度学习与云计算应用于车牌识别，CN104657752A在安全带的佩戴识别方面采用了深度学习方法，采用hough和haar特征对主、副驾驶区域进行分割，进而判断识别，CN104391966A实现了基于深度学习的典型车标搜索方法，建立了深度置信网络，对圆形及椭圆形车标分别进行了分类处理，CN104112144A是利用深度学习技术对目标的梯度值进行深度学习，再通过SVM作为分类器，进...
【技术保护点】
一种基于深度学习的车辆多属性联合分析方法，其特征在于：在该方法中，首先，对车辆数据静态图像进行多属性标注并完成挑选整理，包括离散特征：车辆类别、车型、车门数量、车座数量；以及连续特征：排气量、最大时速；然后，将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算；最后，采用改进的多属性联合分析方法对模型进行主辅任务优化训练。
【技术特征摘要】
1.一种基于深度学习的车辆多属性联合分析方法，其特征在于：在该方法中，首先，对
车辆数据静态图像进行多属性标注并完成挑选整理，包括离散特征：车辆类别、车型、车门
数量、车座数量；以及连续特征：排气量、最大时速；然后，将训练数据集送入深度卷积神
经网络进行特征图的提取以及Pooling运算；最后，采用改进的多属性联合分析方法对模型
进行主辅任务优化训练。
2.根据权利要求1所述的一种基于深度学习的车辆多属性联合分析方法，其特征在于：
该方法具体包括以下步骤：
S1：将多任务学习方法引入深度卷积神经网络训练模型；
S2：构建多属性联合分析深层网络；
S3：改进多属性训练的内部监听机制以增强权值共享。
3.根据权利要求2所述的一种基于深度学习的车辆多属性联合分析方法，其特征在于：
所述步骤S1包括：
S11：准备多属性的标注数据：对采集的车辆训练数据进行多标签的标注，使其含有多种
属性；
S12：提取已完成分类的有效可用数据并进行详尽整理，包括：
S121：按照model(车系)级别将车辆分为431类，训练集和测试集图片数量分别为16,016
张和14,939张，且训练集已经被随机化；
S122：按照车辆方向属性共分为F(front)、R(rear)、S(side)、FS(front-side)和
RS(rear-side)共4类，其中F方向上的训练集和测试集图片数量分别为2,593张和2,381张；
S123：按照车型属性共细划分为12种类别，分别为：MPV、SUV、掀背式车、轿车、小巴
的士、溜背型轿车、连箱式车、皮卡、运动型轿车、跨界车、敞篷车和硬顶敞篷车，其中F
方向上的训练集和测试集图片数量分别为2,524张和2,315张；
S124：按照车门数量属性共分为4类，分别为：2门、3门、4门以及5门，其在F方向
上的训练集和测试集中数据的数量分布情况与车型属性相同。
4.根据权利要求3所述的一种基于深度学习的车辆多属性联合分析方法，其特征在于：
在步骤S2中，选取F方向(不仅于此方向)上的车辆数据进行算法验证，并将此方向上车辆的
model类别作为主要任务进行训练和测试，车型属性以及车门数量属性作为两项辅助学习任
务依次加入本网络中，从而实现多任务联合学习的深度学习网络，具体包括：
本方法中所用的深度学习网络共含有5个卷积层，2个全连接层以及1个判断输出层；
其中，每一层提取出的特征图，先与卷积核函数进行卷积后，再进行池化降维操作，最后被
\t输入送进到下一层；每层的详细参数如下：第一卷积层的特征图数量为96个，每个特征图的
大小为27*27维，卷积核为11*11维，池化层为3*3维；第二卷积层的特征图数量为256个，
每个特征图的大小为12*12维，卷积核为5*5维，池化层为3*3维；第三卷积层的特征图数<...
【专利技术属性】
技术研发人员：程诚，颜卓，冯友计，覃勋辉，吕江靖，周祥东，石宇，周曦，袁家虎，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：重庆;85
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。