一种基于双线性卷积神经网络的细粒度车辆分类方法技术

本发明专利技术涉及图像分类方法领域，尤其是一种基于双线性卷积神经网络的细粒度车辆分类方法，包括以下步骤：将车辆RGB图像输入到卷积神经网络中；将ResNet50作为Backbone，提取基础特征，得到基础特征向量f

【技术实现步骤摘要】
一种基于双线性卷积神经网络的细粒度车辆分类方法


[0001]本专利技术涉及图像分类方法领域，尤其涉及一种基于双线性卷积神经网络的细粒度车辆分类方法。

技术介绍

[0002]随着中国经济的高质量快速发展，交通车辆数量迅猛增加，作为重要的基础设施的高速公路和城市交通也得到迅速发展，由此带来的交通和环境问题也日渐加剧。为应对这些问题，智能交通系统已经成为城市发展的重点研究对象，它是一种在传统交通系统的基础上发展起来的信息化、自动化、智能化、社会化的新型交通系统。作为智能交通系统的关键技术，细粒度车辆分类需要识别车辆品牌、型号及生产年份。细粒度车辆分类在处理包括提高收费效率、裁定交通责任和追踪肇事逃逸者等交通问题上有着得天独厚的优势，并且对于智能交通系统的建设具有重要意义。
[0003]随着深度学习的兴起及高性能显卡的出现，计算机视觉方面的技术得到快速发展，其中目标检测和图像分类尤为突出。传统目标检测算法只适应于有明显特征，背景简单的情形，而在实际应用中，背景复杂多变，而且待分类的目标复杂多变，很难通过一般的抽象特征完成对目标的分类，而深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双线性卷积神经网络的细粒度车辆分类方法，其特征在于，包括以下步骤：S1：将车辆RGB图像输入到卷积神经网络中，其中一半车辆RGB图像作为训练集，另一半车辆RGB图像作为测试集，训练集与测试集分别按照S2
‑
S5进行处理；S2：将ResNet50作为Backbone，提取基础特征，得到基础特征向量f
I
；S3：采用双线性卷积网络并行提取车辆局部特征信息和整体特征信息，得到局部特征向量f以及整体特征向量f
′
；S4：对S3中的局部特征向量和整体特征向量进行结合，将整体特征向量f
′
和局部特征向量f进行拼接：[f、f
′
]＝concat(f，f
′
)，得到联合特征向量[f、f
′
]，其中，concat(f，f
′
)表示使用concat函数对f，f
′
进行拼接；S5：将S3
‑
S4中得到的三个特征向量f
′
、f、[f、f
′
]输入到分类器中，得到每个类别的分数，并将三个分数的平均值S作为最终结果，从而得到训练集的车辆特征数据和测试集的车辆数据；S6：将训练集的车辆特征数据输入到分类器中进行车辆分类的训练，优化训练损失函数，从而得到最优的细粒度车辆分类模型；将测试集的车辆数据输入到双线性卷积神经网络中进行预测分类。2.根据权利要求1所述的一种基于双线性卷积神经网络的细粒度车辆分类方法，其特征在于，所述S1中，RGB图像作为模型的原始输入，输入的图像为(C1，H1，W1)，其中，C1指输入图像的通道数，H1指输入图像的高，W1指输入图像的宽。3.根据权利要求1所述的一种基于双线性卷积神经网络的细粒度车辆分...

【专利技术属性】
技术研发人员：李林昊，臧晗，李英双，王振，董永峰，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：