一种轻量级的轮胎花纹分类方法及系统技术方案

本发明专利技术属于图像识别相关技术领域，本发明专利技术提出了一种轻量级的轮胎花纹分类方法及系统，基于知识蒸馏的轮胎花纹分类方法训练策略，通过约束学生网络模型的局部特征表示与教师网络的局部特征表示一致，在不影响学生网络模型分类效率的同时，提升学生网络模型的分类精准度。度。度。

【技术实现步骤摘要】
一种轻量级的轮胎花纹分类方法及系统


[0001]本专利技术属于图像识别相关
，尤其涉及一种轻量级的轮胎花纹分类方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着机动车数量的迅速增加，我国交通事故率在逐年攀升，比如：肇事逃逸。而事故现场的轮胎花纹往往为这些交通事故的处理，提供非常重要的线索。如，根据轮胎压痕花纹预测轮胎的品牌，并基于轮胎品牌信息进一步缩小机动车搜查的种类和型号，提升案件处理效率。由此可见，开发高效、自动化的轮胎花纹图像分类识别系统，以进一步提高执法部门的工作效率，是非常必要的。据专利技术人前期调研所知，目前与轮胎花纹图像分类识别相关的研究工作非常稀少。它们的处理流程可总结为以下步骤：1）利用手工特征提取或者特征增强方法，来提取轮胎图片的不同特征；2）将提取的特征输入到SVM分类器或者预训练的深度图像分类模型中进行分类预测，如AlexNet和VGGNet。为了进一步提升分类精准度，一些方法提出多级特征融合以及添加注意力机制的方式。虽然这些方法取得初步成效，但由于内存需求大，计算量大，不能在移动设备上运行，也不能在嵌入式设备上运行。设计一种轻量化的轮胎图像分类模型，使其不仅体积小分类速度快，成为一个亟待解决的挑战性研究问题。

技术实现思路

[0004]为克服上述现有技术的不足，本专利技术提供了一种轻量级的轮胎花纹分类方法及系统，通过约束学生网络的局部特征表示与教师网络的局部特征表示一致，在不影响学生网络分类效率的同时，提升学生网络的分类精准度。
[0005]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：本专利技术的第一个方面提供一种轻量级的轮胎花纹分类方法，包括：获取轮胎花纹图像及对应的轮胎类别标签信息输入至学生网络模型中，得到轮胎花纹图像的局部特征表示；所述学生网络模型以ShuffleNet
‑
V2网络为主干网络；利用局部特征表示输入至教师网络模型中，得到综合判别性增强的局部特征表示，约束局部特征表示和综合判别性增强的局部特征表示使其一致，对所述学生网络模型进行训练，得到训练好的学生网络模型；所述教师网络模型包括高斯字典学习模块和类别记忆模块；利用训练好的学生网络模型对待识别的轮胎花纹图像进行识别，确定待识别的轮胎花纹图像的轮胎类别。
[0006]本专利技术的第二个方面提供一种轻量级的轮胎花纹分类系统，包括：特征提取模块：获取轮胎花纹图像及对应的轮胎类别标签信息输入至学生网络模
型中，得到轮胎花纹图像的局部特征表示；所述学生网络模型以ShuffleNet
‑
V2网络为主干网络；特征提取和模型训练模块：利用局部特征表示输入至教师网络模型中，得到综合判别性增强的局部特征表示，约束局部特征表示和综合判别性增强的局部特征表示使其一致，对所述学生网络模型进行训练，得到训练好的学生网络模型；所述教师网络模型包括高斯字典学习模块和类别记忆模块；识别输出模块：利用训练好的学生网络模型对待识别的轮胎花纹图像进行识别，确定待识别的轮胎花纹图像的轮胎类别。
[0007]以上一个或多个技术方案存在以下有益效果：1、针对现有轮胎花纹图像分类方法占用运算资源过多的问题，本专利技术利用ShuffleNet
‑
V2分类模型作为学生网络，极大地降低了运算资源的消耗，同时提升了分类效率；2、本专利技术提出基于知识蒸馏的轮胎花纹分类方法训练策略，通过约束学生网络的局部特征表示与教师网络的局部特征表示一致，在不影响学生网络分类效率的同时，提升学生网络的分类精准度。
[0008]3、本专利技术引入集成类别记忆模块和高斯字典学习模块的教师网络，用以捕捉综合判别性增强的局部特征表示，提升主干网络特征表示的鲁棒性和判别性，继而提升轮胎花纹图像分类方法的泛化性。
[0009]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0010]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0011]图1为本专利技术实施例一中轮胎花纹图像识别流程示意图。
具体实施方式
[0012]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0013]实施例一如图1所示，本实施例公开了一种轻量级的轮胎花纹分类方法，包括：获取轮胎花纹图像及对应的轮胎类别标签信息输入至学生网络模型中，得到轮胎花纹图像的局部特征表示；所述学生网络模型以ShuffleNet
‑
V2网络为主干网络；利用局部特征表示输入至教师网络模型中，得到综合判别性增强的局部特征表示，约束局部特征表示和综合判别性增强的局部特征表示使其一致，对所述学生网络模型进行训练，得到训练好的学生网络模型；所述教师网络模型包括高斯字典学习模块和类别记忆模块；利用训练好的学生网络模型对待识别的轮胎花纹图像进行识别，确定待识别的轮
胎花纹图像的轮胎类别。
[0014]本实施例所提出的一种轻量级的轮胎花纹分类方法，具体为：步骤1：接收轮胎花纹图像数据以及轮胎类别标签信息，将轮胎花纹图像数据输入到学生网络模型中，得到局部特征表示以及交叉熵损失函数。其中，学生网络模型以ShuffleNet
‑
V2为主干网络。具体包括：步骤1
‑
1：接收轮胎花纹图像数据，记为；接收轮胎花纹类别标签信息，记为；其中，表示轮胎花纹的种类数目。
[0015]步骤1
‑
2：将轮胎花纹图像数据输入至ShuffleNet
‑
V2网络中，ShuffleNet
‑
V2网络中Conv5部件输出局部特征表示，记为，本实施例中的R均用来说明维度。
[0016]步骤1
‑
3：将局部特征表示进行全局池化，得到图像的全局表示，记为。
[0017]步骤1
‑
4：将图像的全局表示输入到由一个全连接层和SoftMax激活函数组成的分类网络中，得到轮胎花纹图像的分类概率，记为，其中表示轮胎花纹的种类数目；同时，根据得到轮胎花纹图像的分类概率与真实标签信息计算交叉熵损失。
[0018]其中，ShuffleNet
‑
V2网络包括依次连接的Conv1、Maxpool、Stage2、Stage3、Stage4、Conv5和Globallpool。
[0019]步骤2：利用高斯字典学习模块和局部特征表示，得到图像判别性局部特征表示，具体包括：步骤2
‑
1：指定所需高斯函数数目，与轮胎花纹图像局部特征表示中代表性表示数目相关，记为；以及高斯字典学习模块迭代最大次数A；其中，由步骤1可知，轮胎花纹图像的局部特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级的轮胎花纹分类方法，其特征在于，包括：获取轮胎花纹图像及对应的轮胎类别标签信息输入至学生网络模型中，得到轮胎花纹图像的局部特征表示；所述学生网络模型以ShuffleNet
‑
V2网络为主干网络；利用局部特征表示输入至教师网络模型中，得到综合判别性增强的局部特征表示，约束局部特征表示和综合判别性增强的局部特征表示使其一致，对所述学生网络模型进行训练，得到训练好的学生网络模型；所述教师网络模型包括高斯字典学习模块和类别记忆模块；利用训练好的学生网络模型对待识别的轮胎花纹图像进行识别，确定待识别的轮胎花纹图像的轮胎类别。2.如权利要求1所述的一种轻量级的轮胎花纹分类方法，其特征在于，利用ShuffleNet
‑
V2网络中Conv5部件的输出结果，作为轮胎花纹图像的局部特征表示。3.如权利要求1所述的一种轻量级的轮胎花纹分类方法，其特征在于，利用局部特征表示和高斯字典学习模块得到图像判别性局部特征表示，具体为：预定义高斯函数的数目以及迭代次数，依据确定的高斯函数数目，随机初始化高斯函数的均值向量；根据初始化的高斯函数的均值向量，计算局部特征表示与不同高斯函数的均值向量的关联性分数；依据关联性分数与局部特征表示，迭代更新高斯函数均值向量；达到迭代次数后，将最终的高斯函数均值向量作为图像判别性局部特征表示。4.如权利要求3所述的一种轻量级的轮胎花纹分类方法，其特征在于，利用图像判别性局部特征表示输入至类别记忆模块输出类别判别性局部特征表示，具体为：随机初始化类别记忆特征表示矩阵，以及零初始化类别记忆特征分数矩阵，类别记忆特征分数矩阵中每一个元素值表示类别记忆特征表示矩阵相应位置的置信度分数；将图像判别性局部特征表示输入到分类网络中，得到对应的分类概率值；若第j个图像判别性局部特征表示对应的分类概率最大值大于类别记忆特征分数矩阵中对应的数值，且分类概率最大值对应的轮胎预测类别与轮胎类别标签相同，则将该分类概率最大值更新到类别记忆特征分数矩阵中，同时将图像判别性局部特征表示中第j行的数据更新到类别记忆特征表示...

【专利技术属性】
技术研发人员：刘萌，王旭峰，周迪，郭杰，宁阳，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：