一种基于混淆度矩阵的级联车型分类方法及装置制造方法及图纸

本发明专利技术实施例公开一种基于混淆度矩阵的级联车型分类方法及装置。应用本发明专利技术实施例提供的方案，能够采用级联的分类模型将车型分类问题拆分成两个子问题，一个是特征差别较大的车型的分类问题，一个是相似车型分类问题，针对特征差别较大的车型的分类问题，可以采用参数较少的轻量级分类器进行分类，在保证分类准确性的同时可以提高分类效率；针对包含在相似集中的车型，也即相似度较高的车型的分类问题，可以进一步采用通过相似车型训练得到的分类器进行准确的分类，从而保证车型分类的准确性。

【技术实现步骤摘要】
一种基于混淆度矩阵的级联车型分类方法及装置
本专利技术涉及图像处理
，具体而言，涉及一种基于混淆度矩阵的级联车型分类方法及装置。
技术介绍
车型分类问题是自动驾驶以及智能交通、安防中重要的自动化技术之一。车型分类是一个多级分类的问题，既包含车辆品牌的分类，也包含车型分类。现有方法通常采用基于深度学习的方法来进行车型分类。基于深度学习的方法具体为，直接通过采集大量的样本，训练一个大型的图像分类网络进行分类。然而，在实际应用中，一些车型之间的差距非常小，对这些车型进行分类时，使用非常大型的网络将浪费大量的计算量和内存空间，车型分类效率较低。因此，为了提高车型分类的效率，亟需一种车型分类方法。
技术实现思路
本专利技术提供了一种基于混淆度矩阵的级联车型分类方法及装置，以提高车型分类的效率。具体的技术方案如下。第一方面，本专利技术实施例提供一种基于混淆度矩阵的级联车型分类方法，所述方法包括：获取包含目标车辆的待识别图像；将所述待识别图像输入预先训练得到的一级分类器中，得到所述目标车辆的候选车型类本文档来自技高网...

【技术保护点】
1.一种基于混淆度矩阵的级联车型分类方法，其特征在于，所述方法包括：/n获取包含目标车辆的待识别图像；/n将所述待识别图像输入预先训练得到的一级分类器中，得到所述目标车辆的候选车型类别；所述一级分类器为预先根据各初始样本图像以及所述各初始样本图像对应的车型类别训练得到的；所述一级分类器的参数数量小于预设值；/n获取相似集，并判断所述候选车型类别是否包含在所述相似集中；所述相似集根据混淆度矩阵得到；所述混淆度矩阵根据所述一级分类器识别的所述各初始样本图像的初始车型类别得到；i不等于j时，所述混淆度矩阵中第i行第j列元素表示所述一级分类器将第i类车型的初始样本图像识别为第j类车型的误识别率，所述误...

【技术特征摘要】
1.一种基于混淆度矩阵的级联车型分类方法，其特征在于，所述方法包括：
获取包含目标车辆的待识别图像；
将所述待识别图像输入预先训练得到的一级分类器中，得到所述目标车辆的候选车型类别；所述一级分类器为预先根据各初始样本图像以及所述各初始样本图像对应的车型类别训练得到的；所述一级分类器的参数数量小于预设值；
获取相似集，并判断所述候选车型类别是否包含在所述相似集中；所述相似集根据混淆度矩阵得到；所述混淆度矩阵根据所述一级分类器识别的所述各初始样本图像的初始车型类别得到；i不等于j时，所述混淆度矩阵中第i行第j列元素表示所述一级分类器将第i类车型的初始样本图像识别为第j类车型的误识别率，所述误识别率为所述一级分类器将第i类车型的初始样本图像识别为第j类车型的数量除以所述第i类车型的初始样本图像总数；所述相似集中存储有所述初始样本图像中误识别率大于预设识别阈值的目标样本图像对，以及各目标样本图像对中各初始样本图像对应的车型类别；
当所述候选车型类别不包含在所述相似集中时，将所述候选车型类别作为所述目标车辆的最终车型类别；
当所述候选车型类别包含在所述相似集中时，将所述待识别图像输入预先训练得到的二级分类器中，得到所述目标车辆的最终车型类别；所述二级分类器为预先从所述目标样本图像对中第i类车型的初始样本图像采样得到第一样本图像，从所述目标样本图像对中第j类车型的初始样本图像采样得到第二样本图像，根据各所述第一样本图像、各所述第一样本图像对应的车型类别，以及各所述第二样本图像、各所述第二样本图像对应的车型类别训练得到的。


2.根据权利要求1所述的方法，其特征在于，所述一级分类器的训练过程包括：
构建初始卷积神经网络；所述初始卷积神经网络的参数数量小于预设值；
获取各初始样本图像，并确定所述各初始样本图像对应的车型类别；
将所述各初始样本图像，以及所述各初始样本图像对应的车型类别输入所述初始卷积神经网络中，当所述初始卷积神经网络的损失函数变化值小于第一阈值时，将当前的初始卷积神经网络作为所述一级分类器。


3.根据权利要求2所述的方法，其特征在于，所述初始卷积神经网络包括mobileNet或shuffleNet；所述损失函数为：



N为车型类别总数量，当得到识别结果正确时，yn的取值为1，否则为0；Sn为所述初始卷积神经网络输出的首选后验概率：



ak为所述初始卷积神经网络估计得到的车型类别为k的距离，an为所述初始卷积神经网络估计得到的车型类别为n的距离。


4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述一级分类器对所述初始样本图像进行车型识别的识别结果；
根据所述识别结果构建混淆度矩阵；所述混淆度矩阵中第i行第j列元素为所述一级分类器将第i类车型的初始样本图像识别为第j类车型的数量除以所述第i类车型的初始样本图像总数；所述混淆度矩阵的维数为N*N，所述N为车型类别总数；
将所述混淆度矩阵中大于预设识别阈值的元素对应的第i类车型的初始样本图像和第j类车型的初始样本图像作为目标样本图像对，并将各所述目标样本图像对，各所述目标样本图像对中第i类车型的初始样本图像对应的车型类别，以及第j类车型的初始样本图像对应的车型类别存储至相似集。


5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取两个所述一级分类器分别作为第一网络和第二网络；
从所述目标样本图像对中第i类车型的初始样本图像采样得到第一样本图像，从所述目标样本图像对中第j类车型的初始样本图像采样得到第二样本图像，并从所述相似集获取各所述第一样本图像和各所述第二样本图像对应的车型类别；
将各所述第一样本图像以及对应的车型类别输入所述第一网络，将各所述第二样本图像以及对应的车型类别输入所述第二网络，根据所述第一网络和所述第二网络的识别结果计算目标函数的取值，当所述目标函数的变化值小于第二阈值时，将当前的第一网络或第二网络作为所述二级分类器。


6.根据权利要求5所述的方法，其特征在于，所述目标函数为：



其中，当所述第一网络或所述第二网络得到识别结果正确时，yn的取值为1，否则为0；Bn为所述第一网络或所述第二网络输出的首选后验概率：

【专利技术属性】
技术研发人员：刘近平，李晓娜，李松，王俊昌，王飞，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：河南;41