【技术实现步骤摘要】
一种基于卷积神经网络深度特征的车标识别方法
本专利技术涉及车辆标识智能检测
，尤其涉及一种基于卷积神经网络深度特征的车标识别方法。
技术介绍
在全球私家车基数大且数量逐年增长的情况下，智能交通系统有着极为重要的作用。车标作为车辆一个关键信息，不易被更换，能够成为车辆的一个显著特征。所以，车标的检测对帮助破案和车辆检测管控具有十分重要的意义。目前，车标检测算法大多采用边缘检测技术或者使用传统手工设计特征，这些方式繁琐且对于不同场景下的车标的检测鲁棒性不够高。针对这个问题，亟需一种车标识别方法，克服边缘检测技术和传统手工提取车标特征存在的效率低、鲁棒性差的问题以及目前存在的车标识别方法识别确率低、定位精准度低的问题，以提高分类器网络的识别准确率和定位精准度，实现高鲁棒性高准确率的车标智能检测。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于卷积神经网络深度特征的车标识别方法，克服传统手工提取车标特征存在的效率低、鲁棒性差的问题以及目前存在的车标识别方法识别确率低、定位...
【技术保护点】
1.一种基于卷积神经网络深度特征的车标识别方法，其特征在于，所述方法包括以下步骤：/n步骤S1、给定车标图像训练集I
【技术特征摘要】
1.一种基于卷积神经网络深度特征的车标识别方法，其特征在于，所述方法包括以下步骤：
步骤S1、给定车标图像训练集Itrain＝{(ai,bi)|i∈[1,M}]以及车标图像测试集Itest＝{(ai,bi)|i∈[1,N}]；其中，ai表示第i张车标图像；bi表示第i张车标图像对应的车标标签；M表示所述车标图像训练集Itrain的样本数量；N表示所述车标图像测试集Itest的样本数量；
步骤S2、基于深度卷积神经网络构建出分类器网络D，以及构建用于所述分类器网络D训练过程中的随机梯度下降SGD优化器，且进一步对所述分类器网络D及所述随机梯度下降SGD优化器的参数均进行初始化；其中，所述分类器网络D的参数包括迭代次数q、网络参数θq和最优网络参数θbest；q＝0,…,n，n为大于1的正整数；l表示对应的网络层数的索引，W表示对应卷积层的参数，O表示对应的偏置值，BN表示BN层的可学习参数，表示q次迭代训练中对应第l层的卷积层的参数，表示q次迭代训练中第l层对应的偏置值，表示q次迭代训练中第l层的可学习参数；迭代次数q初始为0；网络参数θq初始为θ0，最优网络参数θbest初始为θ0；所述随机梯度下降SGD优化器的参数初始化包括初始化学习率、动量和权重衰减系数；
步骤S3、获取当前迭代次数q，将所述车标图像训练集Itrain＝{(ai,bi)|i∈[1,M]}中的车标图像作为所述分类器网络D的输入并通过网络逐层计算，得到对应车标图像训练集的车标识别结果Ytrain＝{yi|i∈[1,M]}；其中，yi表示所述分类器网络D对所述车标图像训练集Itrain的第i张车标图像的识别结果；
步骤S4、根据预设的交叉熵损失函数，计算所述车标图像训练集的车标识别结果Ytrain和所述车标图像训练集Itrain中的车标标签之间的误差，得出损失值，并利用得出的损失值进行反向传播，对所述分类器网络D的网络参数θq进行调整；
步骤S5、利用所述车标图像测试集Itest对所述分类器网络D进行评估，若所述分类器网络D的网络参数θq的测试准确率最高，则令θbest＝θq；同时在参数更新结束阶段，判断训练迭代次数q是否已达到最大迭代次数n，若已经达到最大迭代次数n，则训练阶段结束，进入下一步骤S6；反之，将跳转至步骤S3进行循环迭代训练，并令q＝q+1；
步骤S6、得到最终的分类器网络D的最优网络参数θbest，并根据所得到的最终的最优网络参数θbest，更新所述分类器网络D；
步骤S7、获取待测车标图像，且将所述待测车标图像作为更新后的分类器网络D的输入并通过网络逐层计算，得到所述待...
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。