The invention provides an intelligent vehicle model identification method, which belongs to the technical field of urban intelligent transportation and image search. The vehicle image is mapped into a low-dimensional Euclidean space vector, and the vehicle model is judged by calculating the Euclidean distance between vectors. Specifically, a depth convolution network is first constructed and trained by using a large number of triple samples, so that it can map the image distance of the same type of vehicle less than the image distance of different types of vehicle. This method can solve the problem of vehicle type classification which does not appear in the training samples, greatly reduce the training cost and reduce the difficulty of application.
【技术实现步骤摘要】
一种智能车辆型号识别方法
本专利技术涉及城市智慧交通、图像搜索技术,尤其涉及一种智能车辆型号识别方法。
技术介绍
汽车是人类文明必不可少的重要专利技术,作为当今社会的主要交通工具发挥了巨大价值,但是随着汽车工业的发展,汽车型号外观日益增多,同质化严重,利用计算机算法通过汽车外观图片识别车辆型号成为一个难题。随着深度学习等人工智能技术的发展,图像物体分类、检测等问题得到了突破性的进展,许多开创新深度神经网络模型被专利技术出来。针对图像分类的网络模型有LeNet、VGG、ResNet等卷积神经网络模型,针对图像物体检测的模型有YOLO、FasterRCNN等。这些模型主要以卷积神经网络为主,其特点是利用卷积神经网络对图像等高维特征的抽象学习能力,网络深度增加,学习到的特征抽象层级也更高。汽车型号识别问题与图像物体分类问题有很多相似性,但是汽车型号识别问题其分类粒度较细,介于物体分类和人脸识别之间,因此可以借鉴人脸识别问题的解决方法。TripletLoss损失函数被Google用于其FaceNet进行人脸识别和聚类问题,并在多个人脸识别数据集上取得了较好的成绩。假设有三联样本组(xa,xp,xn),xa为某一对象的标准样本,xp为同一对象的的样本,称为正例样本,xn为来自其他对象的样本,成为负例样本。在映射函数作用下,定义该三联样本的损失函数为:其中,α>0为超参数表示不同对象样本的最小间隔。α值越大,表示期望的对象间距越大,但是可能造成训练难度增大,甚至无法收敛等问题,因此需要合理设置α值。对N个三联样本组,其总的TripletLoss损失函数为 ...
【技术保护点】
1.一种智能车辆型号识别方法,其特征在于,将车辆图像映射成为低维欧式空间向量,通过计算向量间欧式距离判断车辆型号。
【技术特征摘要】
1.一种智能车辆型号识别方法,其特征在于,将车辆图像映射成为低维欧式空间向量,通过计算向量间欧式距离判断车辆型号。2.根据权利要求1所述的方法,其特征在于,通过深度卷积神经网络学习图像特征,实现从图像到低维欧式空间向量的映射,同时利用特殊的TripletLoss损失函数训练该深度卷积网络,使同样型号的汽车图像在欧式空间中的向量具有更近的距离,从而实现对不同汽车型号类别的识别。3.根据权利要求2所述的方法,其特征在于,搭建深度卷积网络,使用大量三联样本训练该网络,使其具有映射相同型号汽车图片距离小于不同型号汽车图片距离的能力。4.根据权利要求3所述的方法,其特征在于,以ResNet-34卷积神经网络作为原型构建模型主体,输入层设定为256×256的RGB彩色图像,输出层有128个神经元;网络所有神经元激活函数采用ReLU函数;在输出层对输出的...
【专利技术属性】
技术研发人员:高岩,段成德,于治楼,
申请(专利权)人:济南浪潮高新科技投资发展有限公司,
类型:发明
国别省市:山东,37
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。