一种基于CA_MixNet的道路限行车辆种属划分方法技术

本发明专利技术公开了一种基于CA_MixNet的道路限行车辆种属划分方法。收集各路段车辆的图像数据进行分类并做成数据集；对数据集进行预处理；构建深度卷积网络模型，包括CA_Residual多尺度残差注意力网络模块、MixConv2d多尺度混合卷积；使用构建好的深度卷积网络模型用于学习车辆的特征和类别。与现有技术相比，本发明专利技术通过构建残差注意力网络模块，能够使网络更加关注图像中具有区分性和重要性的特征，减少了冗余信息的影响，有效的提高网络对关键特征的感知能力；通过设计CA_Residual模块和引用多尺度混合卷积，不但提高了对车辆种属的识别，还普适于各种复杂场景，为道路限行车辆的监测提供了一种可行且有效的技术路径。提供了一种可行且有效的技术路径。提供了一种可行且有效的技术路径。

【技术实现步骤摘要】
一种基于CA_MixNet的道路限行车辆种属划分方法


[0001]本专利技术涉及道路车辆划分和图像分类
，具体涉及一种基于CA_MixNet的道路限行车辆种属划分方法。

技术介绍

[0002]基于CA_MixNet的道路限行车辆种属划分方法是指利用深度学习中的卷积神经网络(CNN)技术，对道路图像进行车辆目标检测和划分的一种方法，该方法结合了深度学习中的卷积神经网络、多尺度混合卷积、残差结构和注意力机制等措施，通过对道路图像中的车辆目标进行识别和划分，实现了对车辆种属的准确识别。该方法通过有效的特征学习和目标识别，能够提高车辆识别的精度和稳定性，为智能交通系统、自动驾驶和交通管理等领域的车辆识别与分类提供了有力的支持。
[0003]而传统的道路车辆划分方法中，通常使用基于图像处理和机器学习的方法来检测和识别道路图像中的车辆。这些方法通常需要手动设计和提取特征，使用一系列特征描述符(如颜色直方图、边缘检测、形状描述等)来表示车辆的视觉特征。然后，使用机器学习算法(如支持向量机、随机森林等)对这些特征进行分类和判别。这种传统方法的一个主要限制是需要依赖于人工设计的特征描述符。由于车辆在不同场景和视角下的外观变化较大，手动设计的特征描述符可能无法充分表达车辆的复杂形态和纹理特征。这可能导致在复杂场景中的车辆检测和识别任务中性能下降。
[0004]综上所述，相对于传统的基于图像处理和机器学习的方法，基于CA_MixNet的道路限行车辆种属划分方法能够自动学习特征表示、减少人工干预，具有更强的性能和鲁棒性，能够适应复杂多变的道路环境，并在智能交通系统和交通管理等领域提供更可靠的车辆识别与分类解决方案。

技术实现思路

[0005]专利技术目的：针对
技术介绍
中指出的问题，本专利技术提出了一种基于CA_MixNet的道路限行车辆种属划分方法，能够更好的学习图像中的特征，使得模型能适应不同场景和视角的变化，提高对车辆目标的检测和划分准确性。
[0006]技术方案：本专利技术提出一种基于CA_MixNet的道路限行车辆种属划分方法，其特征在于，包括如下步骤：
[0007]步骤1：采集各路段的行驶车辆图像并进行分类，将分类好的图像数据集按照一定比例划分为训练集和验证集；
[0008]步骤2：对原始的道路车辆数据集进行图像预处理；
[0009]步骤3：搭建深度卷积网络，所述深度卷积网络中包括4个CA_Residual模块和2个多尺度混合卷积模块，并在层与层之间使用激活函数ReLu来引入非线性映射；所述深度卷积网络架构为：图像依次经过一个多尺度混合卷积模块、一个激活层、一个最大池化、一个CA_Residual模块、一个多尺度混合卷积模块、三个CA_Residual模块，最后再经过一个最大
池化；
[0010]步骤4：将预处理好的图像输入到搭建好的深度卷积网络进行特征提取，最后将提取到的特征输入到分类器中进行分类。
[0011]进一步地，所述图像预处理包括：通过翻转、平移、裁剪中的任意一种或几种对图像数据进行增强，并使用高斯滤波器对图像进行去噪，最后将经过以上操作的图像转换为模型可读的tensor数据。
[0012]进一步地，所述多尺度混合卷积模块包括卷积核大小分别为1
×
7、7
×
1和两个3
×
3共四个不同尺寸的卷积核，将以上四种不同卷积分为两个卷积组进行并行计算，一组为1
×
7、7
×
1两种卷积的顺序连接、另一组为两个3
×
3卷积的顺序连接。
[0013]进一步地，所述CA_Residual模块包括依次连接的2个卷积核为3
×
3的卷积、一个多尺度混合卷积模块、一个通道注意力模块、一个残差连接。
[0014]进一步地，所述CA_Residual模块中的多尺度混合卷积模块包括卷积核大小分别为1
×
7、7
×
1和两个3
×
3共四个不同尺寸的卷积核。
[0015]进一步地，所述深度卷积网络的最大池化层步长为2。
[0016]进一步地，所述步骤4中的分类器由三个线性层和多个激活函数组成，并使用Dropout操作以一定的概率随机将输入张量中的元素置零，经过深度卷积网络进行特征提取后依次经过Dropout操作、线性层、激活函数、Dropout操作、线性层、激活函数、线性层；最后一个线性层的输出维度为类别数量，用于预测输入图像的类别标签。
[0017]有益效果：
[0018]1.本专利技术在图像特征提取网络中采用的CA_Residual模块在残差块中融入了通道注意力机制和多尺度混合卷积。可以提高特征的表达能力、提高模型的鲁棒性和稳定性
[0019]2.本专利技术使用的多尺度混合卷积有1
×
7、7
×
1和两个3
×
3，共四个不同尺寸的卷积核大小，该卷积核的搭配能够在水平和垂直方向上分别捕捉到图像的细长特征和纵向结构，同时还能捕捉到中等尺度的图像特征，因此，该多尺度混合卷积能够增强模型在处理图像细节和结构时的表达能力，同时还能够增加网络的非线性能力，并且在一定程度上减少了参数数量，提高了模型的计算效率。
[0020]3.本专利技术在神经网络模型中加入残差块，并在残差块中加入通道注意力的同时将普通卷积替换成混合尺度卷积，在混合卷积中调整卷积核的大小来减少参数量。通过以上操作得到一个捕捉信息更强，感知能力更足的深度卷积网络。通过在一般卷积神经网络中加入针对道路车辆划分设计的CA_Residual模块和适用于此场景的多尺度混合卷积使以上模块能够更好的对道路车辆进行一个划分，在提高了道路被限行车辆划分的精确度的同时减少了模型的参数量和计算量，使该方法能够适应更多的场景。
附图说明
[0021]图1是本专利技术的流程示意图。
[0022]图2是本专利技术方法的总体框架图。
[0023]图3是本专利技术方法中CA_Residual模块示意图。
[0024]图4是本专利技术方法中多尺度卷积的模块示意图。
[0025]图5是本专利技术方法的性能指标示意图，其中(a)为模型的f1_score，(b)为accuracy
(准确率)，(c)为recall(召回率)。
具体实施方式
[0026]下面结合附图并举实施例，对本专利技术进行详细描述。
[0027]本专利技术提供了一种基于CA_MixNet的道路限行车辆种属划分方法，总体流程如图1所示，具体包含以下步骤：
[0028]步骤1：采集各路段的行驶车辆图像并进行分类，其中包括：小轿车、电动车、货车、自行车；根据采集好的各种车辆图像进行分类并做成数据集；将分类好的图像数据集按照8：2的比例划分为训练集和验证集，划分的目的是评估模型的性能和泛化能力，防止模型在训练集上过拟合。
[0029]步骤2：对采集的图像进行预处理：如使用图像旋转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CA_MixNet的道路限行车辆种属划分方法，其特征在于，包括如下步骤：步骤1：采集各路段的行驶车辆图像并进行分类，将分类好的图像数据集按照一定比例划分为训练集和验证集；步骤2：对原始的道路车辆数据集进行图像预处理；步骤3：搭建深度卷积网络，所述深度卷积网络中包括4个CA_Residual模块和2个多尺度混合卷积模块，并在层与层之间使用激活函数ReLu来引入非线性映射；所述深度卷积网络架构为：图像依次经过一个多尺度混合卷积模块、一个激活层、一个最大池化、一个CA_Residual模块、一个多尺度混合卷积模块、三个CA_Residual模块，最后再经过一个最大池化；步骤4：将预处理好的图像输入到搭建好的深度卷积网络进行特征提取，最后将提取到的特征输入到分类器中进行分类。2.根据权利要求1所述的一种基于CA_MixNet的道路限行车辆种属划分方法，其特征在于，所述图像预处理包括：通过翻转、平移、裁剪中的任意一种或几种对图像数据进行增强，并使用高斯滤波器对图像进行去噪，最后将经过以上操作的图像转换为模型可读的tensor数据。3.根据权利要求1所述的一种基于CA_MixNet的道路限行车辆种属划分方法，其特征在于，所述多尺度混合卷积模块包括卷积核大小分别为1
×
7、7
×
1和两个3
×
3共四个不同尺寸的卷积核，将以上四种不同卷积分为两个卷积组进...

【专利技术属性】
技术研发人员：王媛媛，严少峰，朱俊勋，黄佳泷，宋照渝，李亚州，陈秀川，沈俞，张兴潮，江飞龙，王超，王梅峰，张海艳，高尚兵，林剑楚，任珂，刘步实，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：