一种车辆属性识别模型的训练方法、系统及相关设备技术方案

本发明专利技术适用于计算机视觉应用领域，提供了一种车辆属性识别模型的训练方法、系统及相关设备，所述方法具体包括：获取图片，并标记属性标签；构建包括卷积层组、随机失活层、属性分类层、全连接层和损失函数层的车辆属性识别模型；将图片输入模型，通过卷积层组得到第一特征向量；将第一特征向量输入随机失活层，得到第二特征向量，同时，将图片通过所述属性分类层分类得到分类图片集合；将第二特征向量输入全连接层，得到第三特征向量；将第三特征向量和分类图片集合作为损失函数层的输入计算损失函数值，并进行参数优化，从而完成迭代；重复完成至少20次迭代，得到最终的模型。本发明专利技术利用多标签方法提升了车辆属性识别模型的识别精度。

【技术实现步骤摘要】
一种车辆属性识别模型的训练方法、系统及相关设备
本专利技术属于计算机视觉应用领域，尤其涉及一种车辆属性识别模型的训练方法、系统及相关设备。
技术介绍
计算机视觉是使用计算机或者其他处理设备对生物视觉的一种模拟，这项研究的主要任务是通过计算机对采集到的图片或者视频数据进行处理，并从中提取到必要的视觉信息，在人工智能技术得到发展的当下，计算机视觉的研究也越来越深入。在智能监控领域，车辆属性识别是尤为重要的技术，在多角度、目标复杂以及低亮度环境下进行的车辆属性识别更是技术上的难点。目前已有的车辆属性识别系统中，有采用多个神经网络模型分别对待检测目标中行人和车辆的属性进行分类和识别的方案，但是这种方案很难进行实际场景的部署，原因是多神经网络模型以及其部署需要的硬件受限于成本，且难以维护；此外，还有对车辆属性及驾驶员相关信息进行提取，以车身表面作为车辆的唯一标识符的识别方法，这种方法也存在局限性。
技术实现思路
本专利技术实施例提供一种车辆属性识别模型的训练方法、系统及相关设备，旨在解决车辆属性识别模型过于复杂，且无法检测车辆本文档来自技高网...

【技术保护点】
1.一种车辆属性识别模型的训练方法，其特征在于，所述方法包括以下步骤：/n获取具有车辆特征的图片，并将所述图片中出现的多种车辆属性分别标记为属性标签；/n构建包括卷积层组、随机失活层、属性分类层、全连接层和损失函数层的车辆属性识别模型；/n将所述图片输入所述车辆属性识别模型，通过所述卷积层组对所述图片进行处理，得到第一特征向量；/n将所述第一特征向量输入所述随机失活层进行处理，得到第二特征向量，同时，所述属性分类层将所述图片按照所述属性标签进行分类，得到分类图片集合；/n将所述第二特征向量输入所述全连接层进行分类处理，得到第三特征向量；/n将所述第三特征向量和所述分类图片集合共同作为所述损失函...

【技术特征摘要】
1.一种车辆属性识别模型的训练方法，其特征在于，所述方法包括以下步骤：
获取具有车辆特征的图片，并将所述图片中出现的多种车辆属性分别标记为属性标签；
构建包括卷积层组、随机失活层、属性分类层、全连接层和损失函数层的车辆属性识别模型；
将所述图片输入所述车辆属性识别模型，通过所述卷积层组对所述图片进行处理，得到第一特征向量；
将所述第一特征向量输入所述随机失活层进行处理，得到第二特征向量，同时，所述属性分类层将所述图片按照所述属性标签进行分类，得到分类图片集合；
将所述第二特征向量输入所述全连接层进行分类处理，得到第三特征向量；
将所述第三特征向量和所述分类图片集合共同作为所述损失函数层的输入，分别计算对应所述属性标签的损失函数值，并根据所述损失函数值对所述车辆属性识别模型进行参数优化，从而完成一次迭代过程；
重复以上步骤，以完成至少20次所述迭代过程，得到最终完成训练后的所述车辆属性识别模型。


2.如权利要求1所述的车辆属性识别模型的训练方法，其特征在于，所述构建包括卷积层组、随机失活层、属性分类层、全连接层和损失函数层的车辆属性识别模型的步骤具体包括以下子步骤：
搭建卷积层组，所述卷积层组有5层卷积层，第一层、第二层卷积层包括两组3×3的卷积核和一个池化操作，其余卷积层采用三组3×3的卷积核和一个池化操作，其中，第五层卷积层的最后一组3×3卷积核为全局卷积，对应的池化操作为全局均值池化；
在所述卷积层组后设置所述随机失活层，用以对所述卷积层组的输出进行随机采样更新；
在所述随机失活层的同一逻辑层次上设置所述属性分类层；
在所述随机失活层后设置所述全连接层，其中，所述全连接层包括多个全连接块，每一个所述全连接块分别对应一个所述属性标签；
在所述属性分类层和所述全连接层之后的一个逻辑层次上设置所述损失函数层，其中，所述损失函数层包括多个损失函数块，每一个所述损失函数块分别对应一个所述属性标签，至此完成所述车辆属性识别模型的构建。


3.如权利要求2所述的车辆属性识别模型的训练方法，其特征在于，将所述图片输入所述车辆属性识别模型，通过所述卷积层组对所述图片进行处理，得到第一特征向量的步骤具体包括以下子步骤：
所述卷积层组的前两层卷积层依次对所述图片进行子采样操作，以增强所述图片中的所述车辆特征的特征表达；
所述卷积层组的后三层卷积层再依次对前两层卷积层处理后的所述图片进行子采样操作，在再次增强所述图片中的所述车辆特征的特征表达的同时，加深所述车辆属性识别模型的深度，最后所述卷积层组通过所述全局均值池化以获得所述车辆特征的向量数据，所述向量数据作为所述第一特征向量。


4.如权利要求1所述的车辆属性识别模型的训练方法，其特征在于，将所述第一特征向量输入所述随机失活层进行处理，得到第二特征向量，同时，所述属性分类层将所述图片按照所述属性标签进行分类，得到分类图片集合的步骤具体包括以下子步骤：
所述随机失活层对所述第一特征向量进行随机采样更新，防止出现过拟合向量，并输出所述第二特征向量；
所述属性分类层将所述图片按照所述属性标签进行分类，得到具有多类图片的所述分类图片集合；其中，将所述图片中具有多种所述属性标签的同一张图片定义为多标图片，所述分类图片集合中的每一类图片中均包含所述多标图片。


5.如权利要求1所述的车辆属性识别模型的训练方法，其特征在于，将所述第二特征向量输入所述全连接层进...

【专利技术属性】
技术研发人员：王嫄，温刚，李超彦，杨巨成，闫潇宁，
申请(专利权)人：深圳市安软科技股份有限公司，深圳市安软慧视科技有限公司，
类型：发明
国别省市：广东;44