一种细粒度车型识别方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种细粒度车型识别方法、装置及存储介质，其方法包括导入多组原始类别数据集；对每个原始图像进行预处理，得到与所述原始图像对应的样本图像；对每组待扩充的样本图像集进行数据增强处理；获取图像属性，并基于K‑Means算法和所述图像属性分别计算每组样本图像集的聚类中心；将每组训练数据输入到待训练模型中进行训练，得到训练模型；将所述样本图像输入所述训练模型中进行识别，得到车型的识别结果。通过预处理、数据增强的方式扩充数据，解决样本分布不均的问题，基于K‑Means聚类算法和所述图像属性聚类采样，可解决因车型的特征差异小、图像样本质量低而无法识别的问题。

【技术实现步骤摘要】
一种细粒度车型识别方法、装置及存储介质
本专利技术涉及计算机视觉和人工智能
，特别是涉及一种细粒度车型识别方法、装置及存储介质。
技术介绍
随着智能生活的迅速发展，智能交通的各方面应用也慢慢渗透到人们的日常生活中。车型识别，在高速路口、停车场、路面监控等场景中，车型识别有着广泛的应用。细粒度车型识别，作为智能交通系统的重要组成部分，也是计算机视觉领域重要的研究课题。目前细粒度车型识别普遍使用卷积神经网络(CNN)技术来识别车型，由于深度学习是通过端到端的数据驱动，因此容易受车辆类别的样本数量不均、各车型的特征差异小、受环境影响样本质量低等因素的影响，造成识别难度大，车型识别错误的问题。针对图像样本数量不均的问题，现有技术是通过对多样本类别进行欠采样，对少样本类别进行数据扩充或过采样来达到各车型类别样本的平衡，但其生成的样本真实性较差；针对各车型的特征差异小、图像样本质量低的问题，现有的单一的数据增强方法生成的样本之间差异性较小，混合多种数据增强使用容易放大噪点，无法同时很好的自适应处理多种复杂环境下的样本。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种细粒度车型识别方法、装置及存储介质，通过预处理、数据增强的方式扩充数据，解决样本分布不均的问题，基于K-Means聚类算法和所述图像属性聚类采样，解决因车型的特征差异小、图像样本质量低而无法识别的问题。本专利技术解决上述技术问题的技术方案如下，一种细粒度车型识别方法，包括如下步骤：导入多组原始类别数据集，每组所述原始类别数据集包括与车型对应的多个原始图像；对每个所述原始图像进行预处理，得到与所述原始图像对应的样本图像，并根据所有的所述样本图像得到多组样本图像集，其中，每组所述样本图像集中包括同一车型对应的多个样本图像；根据预设K值从多个所述样本图像集中确定待扩充的样本图像集，并对每组待扩充的样本图像集进行数据增强处理，得到扩充的样本图像集；从未扩充的样本图像集和已扩充的样本图像集中获取图像属性，并基于K-Means聚类算法和所述图像属性分别计算每组未扩充的样本图像集和已扩充的样本图像集的聚类中心，得到与每个车型类别对应的采样样本集；将每组训练数据输入到待训练模型中进行训练，得到训练模型，其中，每组所述训练数据包括每个车型对应的所述采样样本集与所述样本图像集；将所述样本图像输入所述训练模型中进行识别，得到车型的识别结果。本专利技术的有益效果是：通过对原始图像样本进行预处理及图像增强，使样本图像不同程度地优化与弱化，扩充了样本图像数量，解决了样本数量不均的问题，同时得到高质量、多样化的样本图像，经过K-Means聚类算法采样训练，可训练出识别率更高、泛化能力更强的模型，解决了车型的特征差异小、图像样本质量低的问题，提高车型细粒度识别的精度。在上述技术方案的基础上，本专利技术还可以做如下改进：进一步，所述对每个所述原始图像进行预处理,得到与所述原始图像对应的样本图像，包括：获取所述原始图像,对其进行垂直对半裁剪，得到像素及规格相同的第一原始子样本图像和第二原始子样本图像，并将所述第二原始子样本图像进行水平翻转，得到第二原始子样本图像镜像，将所述第一原始图像子样本和所述第二原始子样本图像镜像作为样本图像。采用上述进一步方案的有益效果是：利用对称性裁剪扩充原始类别数据集，一定程度可以增强模型的泛化能力，减少因光照不均匀、遮挡等复杂环境因素对识别结果的影响。进一步，所述将所述样本图像输入训练模型中进行识别，得到车型的识别结果，包括：将所述第一原始子样本图像和所述第二原始子样本图像镜像输入训练模型中进行识别，得到与所述第一原始子样本图像对应的第一置信率以及与所述第二原始子样本图像镜像的第二置信率，从所述第一置信率和所述第二置信率中选择较高置信率对应的车型作为识别结果。采用上述进一步方案的有益效果是：分别将第一原始子样本图像和第二原始子样本图像进行识别，选择置信率较高的车型作为识别结果，使训练模型具有一定的容错性与选择性，一定程度减少因光照不均匀、遮挡等复杂环境因素对识别结果的影响。进一步，所述根据预设K值从多个所述样本图像集中确定待扩充的样本图像集，包括：将样本图像数量小于预设K值的样本图像集确定为待扩充的样本图像集；进一步，所述对每组待扩充的样本图像集进行数据增强处理，包括：随机选择一种数据增强方案对每组待扩充的样本图像集进行处理，所述数据增强方案包括：伽马变换、暗通道去雾、随机遮挡、加入高斯噪声、色彩增强、加雾处理和模糊化处理。采用上述进一步方案的有益效果是：随机选择一种数据增强方案进行数据增强处理，对样本图像进行不同程度地优化与弱化，以获得更多样化的图像样本集，作为训练模型的训练数据源，可增强训练模型的泛化能力，提高识别准确率。进一步，所述图像属性包括暗度值和清晰度；所述从未扩充的样本图像集和已扩充的样本图像集中获取图像属性，并基于K-Means聚类算法和所述图像属性分别计算每组未扩充的样本图像集和已扩充的样本图像集的聚类中心，得到与每个车型类别对应的采样样本集，包括：对所述暗度值和所述清晰度进行归一化处理，基于K-Means聚类算法，将所述暗度值和所述清晰度作为横坐标和纵坐标，通过对每组未扩充的样本图像集和已扩充的样本图像集的K个图像样本计算得到K个聚类中心，其中，每个所述聚类中心对应一个所述采样样本，每个车型类别对应的所述采样样本集包括K个采样样本，所述已扩充的样本图像集的车型类别对应的采样样本集还包括所述待扩充的样本图像集的图像样本。采用上述进一步方案的有益效果是：两个属性值统一缩放在相似范围内，可以提升模型的收敛速度和精确度；基于K-Means聚类算法对样本图像集合理化地过采样，通过计算得出新的采样样本，使得最终采样的图像样本达到K值附近，特别对数量多的类别样本图像集进行欠采样，可筛选出属性差异性更强的样本作为训练数据，提升了训练模型的泛化能力，防止过采样出现严重的过拟合现象，解决因图像样本差异性小、图像样本质量低的原因无法识别的问题。进一步，所述通过对每组未扩充的样本图像集和已扩充的样本图像集的K个图像样本计算得到K个聚类中心的过程包括：S1:随机设置K个图像样本空间的点作为初始聚类中心；S2：计算除所述K个图像样本空间的点以外的其他图像样本空间的点到K个所述初始聚类中心的距离，选择距离最近的一个初始聚类中心点作为标记类别；S3：计算每个所述标记类别的图像样本点的平均值，将离平均值最近的图像样本点作为新聚类中心；S4：若所述新聚类中心点与初始聚类中心点位置相同，则结束，否则返回S2。采用上述进一步方案的有益效果是：基于K-Means聚类算法对样本图像集合理化地过采样，通过计算得出新的采样样本，使得最终采样的图像样本达到K值附近，特别对数量多的类别样本图像集进行欠采样，可筛选出属性差异性更强的样本作为训练数据，提升了本文档来自技高网...

【技术保护点】
1.一种细粒度车型识别方法，其特征在于，包括如下步骤：/n导入多组原始类别数据集，每组所述原始类别数据集包括与车型对应的多个原始图像；对每个所述原始图像进行预处理，得到与所述原始图像对应的样本图像，并根据所有的所述样本图像得到多组样本图像集，其中，每组所述样本图像集中包括同一车型对应的多个样本图像；/n根据预设K值从多个所述样本图像集中确定待扩充的样本图像集，并对每组待扩充的样本图像集进行数据增强处理，得到已扩充的样本图像集；/n从未扩充的样本图像集和已扩充的样本图像集中获取图像属性，并基于K-Means聚类算法和所述图像属性分别计算每组未扩充的样本图像集和已扩充的样本图像集的聚类中心，得到与每个车型类别对应的采样样本集；/n将每组训练数据输入到待训练模型中进行训练，得到训练模型，其中，每组所述训练数据包括每个车型对应的所述采样样本集与所述样本图像集；/n将所述样本图像输入所述训练模型中进行识别，得到车型的识别结果。/n

【技术特征摘要】
1.一种细粒度车型识别方法，其特征在于，包括如下步骤：
导入多组原始类别数据集，每组所述原始类别数据集包括与车型对应的多个原始图像；对每个所述原始图像进行预处理，得到与所述原始图像对应的样本图像，并根据所有的所述样本图像得到多组样本图像集，其中，每组所述样本图像集中包括同一车型对应的多个样本图像；
根据预设K值从多个所述样本图像集中确定待扩充的样本图像集，并对每组待扩充的样本图像集进行数据增强处理，得到已扩充的样本图像集；
从未扩充的样本图像集和已扩充的样本图像集中获取图像属性，并基于K-Means聚类算法和所述图像属性分别计算每组未扩充的样本图像集和已扩充的样本图像集的聚类中心，得到与每个车型类别对应的采样样本集；
将每组训练数据输入到待训练模型中进行训练，得到训练模型，其中，每组所述训练数据包括每个车型对应的所述采样样本集与所述样本图像集；
将所述样本图像输入所述训练模型中进行识别，得到车型的识别结果。


2.根据权利要求1所述的一种细粒度车型识别方法，其特征在于，所述对每个所述原始图像进行预处理,得到与所述原始图像对应的样本图像的过程包括：
获取所述原始图像,对其进行垂直对半裁剪，得到像素及规格相同的第一原始子样本图像和第二原始子样本图像，并将所述第二原始子样本图像进行水平翻转，得到第二原始子样本图像镜像，将所述第一原始图像子样本和所述第二原始子样本图像镜像作为样本图像。


3.根据权利要求2所述的一种细粒度车型识别方法，其特征在于，所述将所述样本图像输入训练模型中进行识别，得到车型的识别结果的过程包括：
将所述第一原始子样本图像和所述第二原始子样本图像镜像输入训练模型中进行识别，得到与所述第一原始子样本图像对应的第一置信率以及与所述第二原始子样本图像镜像的第二置信率，从所述第一置信率和所述第二置信率中选择较高置信率对应的车型作为识别结果。


4.根据权利要求1所述的一种细粒度车型识别方法，其特征在于，所述根据预设K值从多个所述样本图像集中确定待扩充的样本图像集包括：
将样本图像数量小于预设K值的样本图像集确定为待扩充的样本图像集；
所述对每组待扩充的样本图像集进行数据增强处理的过程包括：
随机选择一种数据增强方案对每组待扩充的样本图像集进行处理，所述数据增强方案包括：伽马变换、暗通道去雾、随机遮挡、加入高斯噪声、色彩增强、加雾处理和模糊化处理。


5.根据权利要求1所述的一种细粒度车型识别方法，其特征在于，所述图像属性包括暗度值和清晰度；
所述从未扩充的样本图像集和已扩充的样本图像集中获取图像属性，并基于K-Means聚类算法和所述图像属性分别计算每组未扩充的样本图像集和已扩充的样本图像集的聚类中心，得到与每个车型类别对应的采样样本集，包括：
对所述暗度值和所述清晰度进行归一化处理，基于K-Means聚类算法，将所述暗度值和所述清晰度作为横坐标...

【专利技术属性】
技术研发人员：冯先成，张鑫宇，夏婉玉，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42