本发明专利技术公开了一种基于深度学习的车辆品牌型号细粒度分类系统及方法，属于计算机视觉中的目标精细分类领域，本发明专利技术要解决的技术问题为安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢，采用的技术方案为：该系统包括，车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。精细识别结果。精细识别结果。
【技术实现步骤摘要】
基于深度学习的车辆品牌型号细粒度分类系统及方法
[0001]本专利技术涉及计算机视觉中的目标精细分类领域，具体地说是一种基于深度学习的车辆品牌型号细粒度分类系统及方法。
技术介绍
[0002]近些年，随着计算机硬件的快速更新迭代，依托计算力的深度学习技术发展迅猛，并应用在实际生活中，例如停车场、小区入口随处可见的车牌识别机器，可以实现车辆自动登记、停车计时收费等操作。但针对套牌车、嫌疑车辆等，仅仅依靠车牌信息是远远不够的，还需要掌握车辆一些具体信息，如车辆的品牌、型号、生产年份、款式信息等，实现提取这些信息的任务被称为车辆品牌型号细粒度分类。目前，车辆品牌型号细粒度领域研究很多，且性能都有较大的提升。
[0003]专利号为CN109948610A的专利文献公开了一种基于深度学习的视频中车辆细粒度分类方法，将车辆外观特征分为不同的显著性等级；将图像分割为相同大小的子图像块，建立卷积神经网络将切割后的子图像块分类；通过提取特征向量的基础网络提取特征图，得到特征向量，并连接到对应分类类别数目的全连接层；将每一张子图的一级特征向量加权平均，得到二级特征向量；将二级特征向量采用加权投票机制得到三级特征向量；建立品牌分类器，每个品牌下建立型号分类器，每个型号下建立年份分类器；将车辆按照品牌
‑
车型
‑
年份进行逐层检测得到最终的车型分类结果。该技术方案将复杂的车牌定位问题转化成分类问题，并将分类问题简单细化，但是存在不足之处，具体如下：
[0004]①
针对视频中一帧图像存在多辆车时，不能很好的工作；
[0005]②
操作步骤繁琐，识别效率较低。
[0006]虽然，车辆品牌型号细粒度分类技术得到了极大的发展，但依旧面临着诸多挑战，尤其是在安防场景下，待解决的问题更复杂多样，主要如下：
[0007]①
安防视频或图像存在多辆车的现象，现有的专利无法有效解决每个车辆品牌型号的精细识别；
[0008]②
车辆品牌型号细粒度分类领域存在着类内差异大于类间差异的问题，采用常见的卷积神经网络(如resnet、vgg、alexnet等)已经无法满足需求；
[0009]③
现有的专利方法操作步骤繁琐，不能实现端到端的推理操作，识别效率较低；
[0010]④
安防视频或图像，极易出现质量模糊、过亮过暗等现象，导致车辆品牌型号识别精度降低的问题。
技术实现思路
[0011]本专利技术的技术任务是提供一种基于深度学习的车辆品牌型号细粒度分类系统及方法，来解决安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢的问题。
[0012]本专利技术的技术任务是按以下方式实现的，一种基于深度学习的车辆品牌型号细粒
度分类系统，该系统包括，
[0013]车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；
[0014]车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。
[0015]作为优选，所述车辆检测模块的工作过程如下：
[0016]S101、获取安防场景下车辆图像数据；
[0017]S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；
[0018]S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。
[0019]更优地，所述步骤S101中的车辆图像数据包括轿车、卡车及公交车。
[0020]更优地，所述步骤S102中的目标检测模型采用yolov3、SSD、faster
‑
rcnn中一种。
[0021]作为优选，所述车辆品牌型号细粒度分类模块的工作过程具体如下：
[0022]S201、将目标车辆图像进行预处理；
[0023]S202、获取特征向量；
[0024]S203、确定为车辆品牌型号细粒度分类输出类别；
[0025]S204、获取车辆真实的型号信息。
[0026]更优地，所述步骤S201中将目标车辆图像进行预处理具体如下：
[0027]S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；
[0028]S20102、将图像放缩到统一大小(如448*448)；
[0029]S20103、归一化处理，使其符合网络输入标准：公式如下：
[0030][0031]其中，X表示归一化前图像像素值矩阵；X
′
表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值；σ表示imagenet数据集的标准差值。
[0032]更优地，所述步骤S202中获取特征向量具体如下：
[0033]S20201、以常见的CNN作为骨干网络，附加数个注意力卷积模块，搭建车辆品牌型号细粒度分类网络；其中，骨干网络作为车辆整体特征提取器，注意力卷积模块关注车辆局部细节特征；CNN包括resnte50及inceptionV3；
[0034]S20202、在学习车辆图像整体特征的基础上，进一步学习车辆的局部细节特征；其中，车辆的局部细节特征包括车灯形状及车标形状；
[0035]S20203、将整体特征和局部特征融合，输出特征向量。
[0036]更优地，所述步骤S203中确定为车辆品牌型号细粒度分类输出类别具体如下：
[0037]S20301、将步骤S201预处理后的目标车辆图像输入步骤S202搭建的车辆品牌型号细粒度分类网络中，得到车辆图像的特征向量；
[0038]S20302、将特征向量输入分类器(如softmax等)，输出维度与车辆品牌型号细粒度类别数量相同的类别概率向量，选择概率最大值对应的类别，确定为车辆品牌型号细粒度分类输出类别。
[0039]更优地，所述步骤S204中获取车辆真实的型号信息具体如下：
[0040]根据步骤S203输出的车辆品牌型号细粒度分类输出类别，并按照标签映射表，获取车辆真实的型号信息；其中，车辆真实的型号信息的显示形式为品牌
‑
子品牌
‑
年款。
[0041]一种基于深度学习的车辆品牌型号细粒度分类方法，该方法具体步骤如下：
[0042](1)、获取安防场景图像并输入预训练好的车辆检测模型，经过网络前向推理，输出所有车辆的位置坐标信息；
[0043](2)、对安防场景图像按照步骤(1)中的车辆坐标信息进行裁剪，获得所有车辆图像；
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，该系统包括，车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。2.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述车辆检测模块的工作过程如下：S101、获取安防场景下车辆图像数据；S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。3.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S101中的车辆图像数据包括轿车、卡车及公交车。4.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S102中的目标检测模型采用yolov3、SSD、faster
‑
rcnn中一种。5.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述车辆品牌型号细粒度分类模块的工作过程具体如下：S201、将目标车辆图像进行预处理；S202、获取特征向量；S203、确定为车辆品牌型号细粒度分类输出类别；S204、获取车辆真实的型号信息。6.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S201中将目标车辆图像进行预处理具体如下：S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；S20102、将图像放缩到统一大小；S20103、归一化处理，使其符合网络输入标准：公式如下：其中，X表示归一化前图像像素值矩阵；X
′
表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值...
【专利技术属性】
技术研发人员：耿艳磊，刘治财，尹元韬，刘琛，安晓博，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：
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。