一种基于深度学习的高效车辆细粒度识别方法技术

本发明专利技术公开了一种基于深度学习的高效车辆细粒度识别方法，它通过构建高效残差结构提取车辆图像特征，然后通过空间通道损失函数提高特征提取网络的细粒度分类能力，使网络更加专注于车辆图像的不同组件区域，保证特征通道的可区分性和可辨别性，并且不增加卷积神经网络推理的计算量。本发明专利技术通过深度学习自动提取特征，避免手工设计特征区域的局限性，更能克服车辆图片复杂环境噪音的干扰，并且能通过空间特征损失函数使特征通过关注更丰富的特征区域，提高车辆细粒度识别的准确率。提高车辆细粒度识别的准确率。提高车辆细粒度识别的准确率。

【技术实现步骤摘要】
一种基于深度学习的高效车辆细粒度识别方法


[0001]本专利技术涉及智能交通
，具体是一种基于深度学习的高效车辆细粒度识别方法，它是通过卷积神经网络实现车辆细粒度分类的方法。

技术介绍

[0002]随着我国交通事业的迅速发展，道路摄像头所采集的车辆视频信息形成了海量的数据存储。基于图像处理的车辆细粒度分类技术是智能交通领域的重要技术，为视频监控和执法部门提供了重大的帮助。
[0003]现有车辆细粒度分类技术中，主要集中于识别车辆的类型，例如大众帕萨特2007款。车辆识别方法中需要保证车辆整体轮廓的清晰，另外现有的车辆识别技术多使用传统的提取方法，例如梯度方向直方图、局部二值模式纹理、支持向量机等。专利技术专利(申请号：CN201310416016.6，名称：基于图像的车辆品牌识别方法和系统)通过检测车牌在输入图像中的位置，根据车牌位置计算多个车辆部件的位置，从该多个部件位置每一个抽取特征向量以及对所抽取的特征向量进行分类并输出车辆的品牌信息。该方法通过分别提取不同组件的特征进行识别，检测准确率低识别速度慢；专利技术专利(申请号：C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高效车辆细粒度识别方法，通过损失函数提高特征提取网络的细粒度分类能力，使网络更加专注于车辆图像的不同组件区域，其特征在于包括如下步骤：步骤1：将车辆图像的测试样本与训练样本归一化到224
×
224像素；步骤2：利用训练样本进行卷积神经网络模型训练，提取车辆图像的深层特征信息；步骤3：推理时只通过式(1)对特征向量进行归一化，得到不同类别的概率分布；其中，x
i
表示上述步骤获取的不同车辆类别的特征向量，i表示车辆类别索引，C表示总的车辆类别个数，e表示自然数；步骤4：根据上述步骤获取的不同车辆类别的概率列表，并输出最大概率的车辆类别。2.根据权利要求1所述的基于深度学习的高效车辆细粒度识别方法，其特征在于步骤2中的利用训练样本进行卷积神经网络模型训练，提取车辆图像的深层特征信息，具体包括如下步骤：步骤2.1：使用3
×
3卷积核在特征维度上进行随机和稀疏连接，融合图像空间位置信息到低尺度特征图，并从3通道增加特征通道深度到32通道；步骤2.2：将不同深度特征信息通过ReLu进行激活和归一化操作；步骤2.3：将上述步骤获得的特征图送入高效残差结构中，经过多次特征提取获得特征图F作为下层输入；步骤2.4：通过空间通道损失函数计算特征图F的损失。3.根据权利要求2所述的基于深度学习的高效车辆细粒度识别方法，其特征在于步骤2.3中建立高效残差结构，具体包括如下步骤：步骤2.3.1通过1
×
1卷积核扩张通道深度，增大不同通道之间的空间相关性连接，获得具有丰富通道间信息的深度特征图通过ReLu进行激活和归一化操作；步骤2.3.2将上述特征图进行3
×
3卷积核的组卷积操作，对组内通道特征进行随机稀疏连接，降低卷积操作的连接密度和参数复杂度，并通过ReLu进行激活和归一化操作；步骤2.3.3再通过1
×
1卷积将通道数降低，复原特征信息的通道深度，避免提取的特征出现冗余；步骤2.3.4同时将输入到步骤2.3.1的原始特征图再送入1
×
1卷积核的滤波器获取...

【专利技术属性】
技术研发人员：杨非，叶娇娇，高飞，陆陈昊，鲍虎军，华炜，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：