一种车辆颜色识别方法及系统技术方案

技术编号:22565576 阅读:43 留言:0更新日期:2019-11-16 12:13
本发明专利技术公开了一种车辆颜色识别方法,包括:获取车辆的样本图像,并对所述样本图像进行预处理;其中,所述样本图像包含若干个不同的颜色类别;将预处理后的所述样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图;将所述多模态特征图输入到预先训练好的三宽度学习网络中,以输出所述样本图像的颜色识别结果。本发明专利技术还公开一种车辆颜色识别系统。采用本发明专利技术实施例,利用注意力机制的卷积神经网络的特征提取能力,又有效的结合宽度学习的多模态特征融合能力,可实现实际场景的车辆颜色判别,提高车辆颜色识别的准确率。

A vehicle color recognition method and system

The invention discloses a vehicle color recognition method, which comprises: obtaining a sample image of a vehicle and preprocessing the sample image; wherein, the sample image comprises a number of different color categories; inputting the sample image after preprocessing into a pre trained convolution neural network based on attention mechanism to output a multimodal feature image; and inputting the sample image after preprocessing into the convolution neural network based on attention mechanism to output the multimodal feature image; and The multi-modal feature map is input into a pre trained three width learning network to output the color recognition result of the sample image. The invention also discloses a vehicle color recognition system. By adopting the embodiment of the invention, the feature extraction ability of the convolution neural network of the attention mechanism and the multi-modal feature fusion ability of the width learning can realize the vehicle color discrimination of the actual scene and improve the accuracy of the vehicle color recognition.

【技术实现步骤摘要】
一种车辆颜色识别方法及系统
本专利技术涉及车辆颜色识别
,尤其涉及一种车辆颜色识别方法及系统。
技术介绍
车辆颜色作为车辆可靠显著的特征,为车辆识别、监控、跟踪等方面提供了有用的信息。车辆颜色识别是一种根据输入的车辆图像,来确定图像中车辆颜色的技术,已被广泛应用于公安执法、车辆追踪等领域。自然场景中车辆颜色受天气、光照和灰尘的影响容易造成色偏的情况,同时车辆颜色是基于人的主观心理感受,实际上只有部分区域能够用于车辆颜色的识别,不同车辆类型的车辆的颜色识别区域块也是不尽相同的。在目前现有的技术中,大多利用传统的方法进行颜色识别,在选取颜色区域块的过程中,会受到光照、车辆姿态等因素的较大干扰造成识别结果错误,并且在区域选择时,有可能会截取到部分车窗、车栅栏、天窗区域,将带有非颜色信息的区域进行识别同样会造成误识别,大大影响其准确率。
技术实现思路
本专利技术实施例的目的是提供一种车辆颜色识别方法及系统,利用注意力机制的卷积神经网络的特征提取能力,又有效的结合宽度学习的多模态特征融合能力,可实现实际场景的车辆颜色判别,提高车辆颜色识别的准确率。为实现上述目的,本专利技术实施例提供了一种车辆颜色识别方法,包括:获取车辆的样本图像,并对所述样本图像进行预处理;其中,所述样本图像包含若干个颜色类别;将预处理后的所述样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图;将所述多模态特征图输入到预先训练好的三宽度学习网络中,以输出所述样本图像的颜色识别结果。与现有技术相比,本专利技术公开的车辆颜色识别方法,首先,获取车辆的样本图像,并对样本图像进行预处理;然后,将预处理后的样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图,将样本图像中提取的不同尺度的特征,分层依次连接至各注意力结构,使得模型在预测分类判别时可以自适应选取样本图像各尺度各区域的特征;最后,将多模态特征图输入到预先训练好的三宽度学习网络中,以输出样本图像的识别结果,三宽度学习网络将多模态特征图进行了融合,可以满足数据不断扩充的情况下,通过增加增强节点的个数来提高模型的拟合能力,只需要利用上次拟合的结果,通过少量计算就能得到更新的权重,对车辆样本进行颜色分类。本专利技术公开的车辆颜色识别方法利用了注意力机制的卷积神经网络的特征提取能力,又有效的结合宽度学习的多模态特征融合能力,可有效地实现实际场景的车辆颜色判别,提高车辆颜色识别的准确率。作为上述方案的改进,所述卷积神经网络的训练方法包括:将预处理后的所述样本图像作为训练集输入到基于注意力机制的卷积神经网络中,得到若干个得分图;利用网络的末端获得注意力图,分别与所述得分图进行像素相乘操作,以得到注意力选择图;将所有所述注意力选择图进行融合,得到多模态特征图。作为上述方案的改进,所述基于注意力机制的卷积神经网络包括卷积层、反卷积层、最大池化层和全局平均池化层。作为上述方案的改进,所述卷积神经网络的训练方法还包括:当所述卷积神经网络中损失函数的loss值收敛或训练所述卷积神经网络的迭代次数达到预设的最大迭代次数时,保存当前所述卷积神经网络的网络参数,并输出当前训练完成所述卷积神经网络。作为上述方案的改进,所述对所述样本图像进行预处理,具体包括:将所述样本图像分别转化为RGB、HSV、LAB格式的样本图像;则,所述多模态特征图包括RGB模态特征图、HSV模态特征图、LAB模态特征图。作为上述方案的改进,所述三宽度学习网络的训练方法包括:利用所述三宽度学习网络的宽度学习单元分别提取每个所述多模态特征图的高维特征;其中,所述高维特征包括特征节点映射特征和增强节点映射特征;在融合节点层将所述多模态特征图的高维特征进行映射,并经过一个非线性变换抽象将所述多模态特征图的高维特征融合;通过学习输出权值矩阵,利用岭回归法求取全局最优解得到所述训练集的识别结果。作为上述方案的改进,所述三宽度学习网络包括特征节点层、增强节点层、CCA层、融合节点层和输出层。为实现上述目的,本专利技术实施例还提供了一种车辆颜色识别系统,包括:样本图像预处理模块,用于获取车辆的样本图像,并对所述样本图像进行预处理;其中,所述样本图像包含若干个颜色类别;多模态特征图获取模块,用于将预处理后的所述样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图;识别模块,用于将所述多模态特征图输入到预先训练好的三宽度学习网络中,以输出所述样本图像的颜色识别结果。与现有技术相比,本专利技术公开的车辆颜色识别系统,首先,样本图像预处理模块获取车辆的样本图像,并对样本图像进行预处理;然后,模态特征图获取模块将预处理后的样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图,将样本图像中提取的不同尺度的特征,分层依次连接至各注意力结构,使得模型在预测分类判别时可以自适应选取样本图像各尺度各区域的特征;最后,识别模块将多输出的多模态特征图输入到预先训练好的三宽度学习网络中,输出样本图像的识别结果,三宽度学习网络将多模态特征图进行了融合,可以满足数据不断扩充的情况下,通过增加增强节点的个数来提高模型的拟合能力,只需要利用上次拟合的结果,通过少量计算就能得到更新的权重,对车辆样本进行颜色分类。本专利技术公开的车辆颜色识别系统利用了注意力机制的卷积神经网络的特征提取能力,又有效的结合宽度学习的多模态特征融合能力,可有效地实现实际场景的车辆颜色判别,提高车辆颜色识别的准确率。作为上述方案的改进,所述系统还包括卷积神经网络训练模块;其中,所述卷积神经网络训练模块具体包括:得分图生成单元,用于将预处理后的所述样本图像输入到基于注意力机制的卷积神经网络中,得到若干个得分图;注意力选择图生成单元,用于利用网络的末端获得注意力图,分别与所述得分图进行像素相乘操作,以得到注意力选择图;多模态特征图生成单元,用于将所有所述注意力选择图进行融合,得到多模态特征图。作为上述方案的改进,所述系统还包括三宽度学习网络训练模块;其中,所述三宽度学习网络训练模块具体包括:高维特征提取单元,用于利用所述三宽度学习网络的宽度学习单元分别提取每个所述多模态特征图的高维特征;其中,所述高维特征包括特征节点映射特征和增强节点映射特征;融合单元,用于在融合节点层将所述多模态特征图的高维特征进行映射,并经过一个非线性变换抽象将所述多模态特征图的高维特征融合;识别单元,用于通过学习输出权值矩阵,利用岭回归法求取全局最优解得到所述训练集的识别结果。附图说明图1是本专利技术实施例提供的一种车辆颜色识别方法的流程图;图2是本专利技术实施例提供的一种车辆颜色识别方法中卷积神经网络的训练方法的流程图;图3是本专利技术实施例提供的一种车辆颜色识别方法中卷积神经网络的结构示意图;图4是本专利技术实施例提供的一种车本文档来自技高网...

【技术保护点】
1.一种车辆颜色识别方法,其特征在于,包括:/n获取车辆的样本图像,并对所述样本图像进行预处理;其中,所述样本图像包含若干个颜色类别;/n将预处理后的所述样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图;/n将所述多模态特征图输入到预先训练好的三宽度学习网络中,以输出所述样本图像的颜色识别结果。/n

【技术特征摘要】
1.一种车辆颜色识别方法,其特征在于,包括:
获取车辆的样本图像,并对所述样本图像进行预处理;其中,所述样本图像包含若干个颜色类别;
将预处理后的所述样本图像输入到预先训练好的基于注意力机制的卷积神经网络中,以输出多模态特征图;
将所述多模态特征图输入到预先训练好的三宽度学习网络中,以输出所述样本图像的颜色识别结果。


2.如权利要求1所述的车辆颜色识别方法,其特征在于,所述卷积神经网络的训练方法包括:
将预处理后的所述样本图像作为训练集输入到基于注意力机制的卷积神经网络中,得到若干个得分图;
利用网络的末端获得注意力图,并分别与所述得分图进行像素相乘操作,以得到注意力选择图;
将所有所述注意力选择图进行融合,得到多模态特征图。


3.如权利要求2所述的车辆颜色识别方法,其特征在于,所述基于注意力机制的卷积神经网络包括卷积层、反卷积层、最大池化层和全局平均池化层。


4.如权利要求2所述的车辆颜色识别方法,其特征在于,所述卷积神经网络的训练方法还包括:
当所述卷积神经网络中损失函数的loss值收敛或训练所述卷积神经网络的迭代次数达到预设的最大迭代次数时,保存当前所述卷积神经网络的网络参数,并输出当前训练完成所述卷积神经网络。


5.如权利要求1所述的车辆颜色识别方法,其特征在于,所述对所述样本图像进行预处理,具体包括:
将所述样本图像分别转化为RGB、HSV、LAB格式的样本图像;则,所述多模态特征图包括RGB模态特征图、HSV模态特征图、LAB模态特征图。


6.如权利要求5所述的车辆颜色识别方法,其特征在于,所述三宽度学习网络的训练方法包括:
利用所述三宽度学习网络的宽度学习单元分别提取每个所述多模态特征图的高维特征;其中,所述高维特征包括特征节点映射特征和增强节点映射特征;
在融合节点层将所述多模态特征图的高维特征进行映射,并经...

【专利技术属性】
技术研发人员:彭勇毛亮贺迪龙朱婷婷胡胤黄仝宇汪刚宋一兵侯玉清刘双广
申请(专利权)人:高新兴科技集团股份有限公司
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 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。

1