基于RDSNet的车辆属性识别方法技术

本发明专利技术涉及一种基于RDSNet的车辆属性识别方法，包括以下步骤：步骤S1:采集车辆图片，处理后分为车辆数据集和车辆属性数据集；步骤S2:构建基于RDSNet的网络模型，并根据车辆数据集训练，得到车辆检测模型；步骤S3:构建基于细粒度分类的车辆属性分类网络模型，并根据车辆属性数据集训练，得到车辆属性分类模型；步骤S4:将待测复杂场景图像，通过车辆检测模型，得到待测复杂场景图像每一个汽车的精确边界框；步骤S5:将步骤S4处理后的图像，输入车辆属性分类模型，获取车辆属性信息；步骤S6:将得到的汽车的精确边界框和车辆属性信息，标注于待测复杂场景图像中。本发明专利技术有效的提升了车辆属性识别的精确程度。

【技术实现步骤摘要】
基于RDSNet的车辆属性识别方法
本专利技术涉及计算机视觉领域，具体涉及一种基于RDSNet的车辆属性识别方法。
技术介绍
近年来，随着科学技术的发展，车辆检测和识别已经成为人们十分感兴趣的研究领域，并应用在许多成熟的应用场景。而车辆属性识别更是其中的一个热门研究领域。传统的车辆属性识别方法，大多数都是目标检测与细粒度分类的叠加。而车辆检测的模型可能并不能很好的适应细粒度分类的任务，而车辆属性分类恰恰依赖的正是车辆检测方法检测出的车辆框。在复杂的场景中，这样的情况尤为明显。为了对车辆属性进行识别，我们首先必须检测到车辆，这可以通过目标检测技术来实现，只有在图像中确定了每个车辆的具体位置，我们才能对车辆属性进行进一步的识别，如车辆朝向，颜色以及类型等。而车辆属性检测技术是智能检测领域的技术之一，它能够在复杂的场景下检测出车辆，并识别出车辆的相关属性，这对于视频监控场景有很大的意义，具有良好的应用前景。车辆检测与车辆属性识别在视频监控中扮演着重要的角色，但目前的许多车辆属性识别方法都是将检测与识别分开，二者没有很好的适应性。如检测本文档来自技高网...

【技术保护点】
1.一种基于RDSNet的车辆属性识别方法，其特征在于，包括以下步骤：/n步骤S1:采集车辆图片，处理后分为车辆数据集和车辆属性数据集；/n步骤S2:构建基于RDSNet的网络模型，并根据车辆数据集训练，得到车辆检测模型；/n步骤S3:构建基于细粒度分类的车辆属性分类网络模型，并根据车辆属性数据集训练，得到车辆属性分类模型；/n步骤S4:将待测复杂场景图像，通过车辆检测模型，得到待测复杂场景图像每一个汽车的精确边界框；/n步骤S5:将步骤S4处理后的图像，输入车辆属性分类模型，获取车辆属性信息；/n步骤S6:将得到的汽车的精确边界框和车辆属性信息，标注于待测复杂场景图像中。/n

【技术特征摘要】
1.一种基于RDSNet的车辆属性识别方法，其特征在于，包括以下步骤：
步骤S1:采集车辆图片，处理后分为车辆数据集和车辆属性数据集；
步骤S2:构建基于RDSNet的网络模型，并根据车辆数据集训练，得到车辆检测模型；
步骤S3:构建基于细粒度分类的车辆属性分类网络模型，并根据车辆属性数据集训练，得到车辆属性分类模型；
步骤S4:将待测复杂场景图像，通过车辆检测模型，得到待测复杂场景图像每一个汽车的精确边界框；
步骤S5:将步骤S4处理后的图像，输入车辆属性分类模型，获取车辆属性信息；
步骤S6:将得到的汽车的精确边界框和车辆属性信息，标注于待测复杂场景图像中。


2.根据权利要求1所述的基于RDSNet的车辆属性识别方法，其特征在于，所述步骤S1具体为：
步骤S11:获取车辆图片数据，并将预设比例的数据作为车辆数据集；
步骤S12:将剩余车辆图片数据根据车辆属性类别，整理存放于不同目录，作为车辆属性数据集。


3.根据权利要求2所述的基于RDSNet的车辆属性识别方法，其特征在于，所述车辆属性类别包括车辆的朝向，颜色以及类型。


4.根据权利要求1所述的基于RDSNet的车辆属性识别方法，其特征在于，所述基于RDSNet的网络模型基于两个流结构，即对象流和像素流；所述对象流采用基于锚定的目标检测算法。


5.根据权利要求1所述的基于RDSNet的车辆属性识别方法，其特征在于，所述步骤S2具体为：
步骤S21:初始化模型参数；
步骤S22：根据车辆数据集对RDSNet进行训练，并观测损失曲线，直到损失降低到预设数值并稳定后，停止训练；
步骤S23：重复步骤S21与步骤S22，选择损失最小的模型，作为车辆检测器。


6.根据权利要求1所述的基于RDSNet的车辆属性识别方法，其特征在于，所述基于细粒度分类的车辆属性分类网络模型具体为：基础网络采用改进的残差网络；其中，构建4个神经网络层,每经过一个层，通道数...

【专利技术属性】
技术研发人员：柯逍，陈宇杰，黄旭，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35