【技术实现步骤摘要】
本申请涉及车型识别，尤其是涉及一种基于改进的深度残差网络的车型识别方法、装置和设备。
技术介绍
1、随着深度学习技术在智能交通领域的发展和应用，基于深度学习的车型识别技术已经成为智能交通系统中重要的一部分。现有的基于深度学习的车型识别方法通常是直接对获取的车辆图像提取特征，进行车型分类，从而确定车辆的类型。然而，现有技术忽略了获取到的图像质量对车型识别准确率的影响，现实往往由于硬件设备性能、天气环境以及光照强度等因素的影响，从而导致获取到的图像质量较差，进而导致车型识别的准确度较低。
技术实现思路
1、本申请的目的在于提供一种基于改进的深度残差网络的车型识别方法、装置和设备，以缓解现有技术中因图像质量较差、分辨率较低而导致的车型分类准确度下降的技术问题，提高对车型的识别精度。
2、第一方面，本专利技术提供一种基于改进的深度残差网络的车型识别方法，方法包括：
3、获取待识别车辆图像，并通过预先训练好的图像质量增强模型对待识别车辆图像进行图像增强处理，得到目标车辆图像；
4、通过预先训练好的车辆检测定位模型对目标车辆图像进行车辆检测定位处理，得到目标车辆图像中的车辆子图；
5、通过车型分类模型对图像中的每个车辆子图进行分类识别，确定车辆类型；其中，车型分类模型为改进的深度残差网络，改进的深度残差包括目标残差融合模块，目标残差融合模块用于将卷积前后的特征图在通道维度进行通道拼接。
6、在可选的实施方式中，预先训练好的图像质量增强
7、其中，低层特征信息提取层包括一个卷积核大小为1×1，步长为1，填充为1的卷积层，用于提取图像中的低频信息；高层特征提取层包括多个去掉bn层的残差块结构，残差块结构由两个卷积层、一个relu层和跳跃连接组成，用于提取图像中的高频信息；上采样层包括反卷积。
8、在可选的实施方式中，预先训练好的车辆检测定位模型的训练步骤，包括：
9、将目标车辆图像进行标注，标记出每张目标车辆图像中的车辆位置，生成xml格式标注文件；
10、按照预设比例对标注后的xml格式标注文件进行训练样本的划分，得到训练集和测试集；
11、将训练集中的车辆图像输入到车辆检测定位模型中进行训练，不断更新模型参数，使得损失函数达到最小，将测试集中的车辆图像输入到更新模型参数后的车辆检测定位模型，当达到预设识别准确性率时，完成车辆检测定位模型的训练。
12、在可选的实施方式中，车辆检测定位模型包括特征提取网络、区域建议网络、感兴趣区域池化模块和预测模块；
13、区域建议网络为由卷积组成的双分支结构，区域建议网络用于当获取到特征提取网络提取到的特征图后，通过一个预设卷积核大小的卷积的滑动窗口对特征图进行特征提取操作，得到一个预设维度的特征图，并且以每个窗口的中心点为坐标，对特征图生成多个锚框，然后对这个预设维度的特征图分别进行卷积操作，得到分类得分和坐标参数；根据分类得分对生成的锚框进行判断，确定锚框中是否含有车辆，以及锚框中含有车辆的置信度，从而对锚框进行筛选，最终得到含有车辆的候选框；
14、感兴趣区域池化模块的输入包括第一输入单元和第二输入单元，第一输入单元输入的为经过特征提取网络得到的整张图像的特征图，第二输入单元输入的为经过区域建议网络处理之后得到的候选框；
15、预测模块由全连接层构成。
16、在可选的实施方式中，目标残差融合模块包括预设个数的第一卷积层、通道拼接层和预设个数的第二卷积层；
17、当目标残差融合模块的输入为特征图其中w、h、c分别表示特征图的宽、高和通道数，则残差融合模块的输出为：
18、y＝km((k1(x)，k2(k1(x))，......kn(kn-1(k......(k1(x))))))+x
19、式中，k1(·)、k2(·)……kn(·)分别表示n个第一卷积层，km(·)表示m个第二卷积层。
20、在可选的实施方式中，改进的深度残差网络还包括目标自注意力模块，目标自注意力模块包括跳跃连接结构。
21、在可选的实施方式中，目标自注意力模块用于：
22、当输入一个特征图后，先经过卷积层进行通道扩展，之后通过两个并行的多头自注意力机制模块对输入特征图进行加权，然后将两个分支各自计算的加权特征图对应位置相加，再通过卷积层压缩通道，最后经过跳跃连接结构将压缩通道后的特征图与输入特征图作为输出，输出如下式所示：
23、y＝k2(f1(k1(x))+f2(k1(x)))+x
24、式中，x表示自注意力模块的输入，y表示自注意力模块的输出，f1(·)、f2(·)表示两分支的多头自注意力机制操作，k1(·)、k2(·)分别表示两个卷积层。
25、第二方面，本专利技术提供一种基于改进的深度残差网络的车型识别装置，装置包括：
26、图像增强处理模块，用于获取待识别车辆图像，并通过预先训练好的图像质量增强模型对待识别车辆图像进行图像增强处理，得到目标车辆图像；
27、车辆检测定位模块，用于通过预先训练好的车辆检测定位模型对目标车辆图像进行车辆检测定位处理，得到目标车辆图像中的车辆子图；
28、车型识别模块，用于通过车型分类模型对图像中的每个车辆子图进行分类识别，确定车辆类型；其中，车型分类模型为改进的深度残差网络，改进的深度残差包括目标残差融合模块，目标残差融合模块用于将卷积前后的特征图在通道维度进行通道拼接。
29、第三方面，本专利技术提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的基于改进的深度残差网络的车型识别方法。
30、第四方面，本专利技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的基于改进的深度残差网络的车型识别方法。
31、本申请提供的基于改进的深度残差网络的车型识别方法、装置和设备，首先获取当前需要识别的车辆图像；通过对车辆图像进行图像增强处理以获得高质量的车辆图像；将高质量的车辆图像输入车辆检测定位模型对图像中的车辆进行定位并截取图中每辆车所对应的图像；最后经过车型分类模型对截取出的车辆图像进行分类识别，从而确定车辆类型。该方法通过深度学习超分辨率重建算法将获取到的低质量图像转换为高质量图像，然后再对图像进行定位和车型识别，提高的后续定位和分类模型的精度，降低了车型的误识别率；由于车型分类模型中包括目标残差融合模块，从而能够更加充分地利用每层卷积提取出的特征，提高图像特征的利用率，提高了车型识别的精度。
本文档来自技高网...【技术保护点】
1.一种基于改进的深度残差网络的车型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述预先训练好的图像质量增强模型包括低层特征信息提取层、高层特征信息提取层和上采样层；
3.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述预先训练好的车辆检测定位模型的训练步骤，包括：
4.根据权利要求3所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述车辆检测定位模型包括特征提取网络、区域建议网络、感兴趣区域池化模块和预测模块；
5.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述目标残差融合模块包括预设个数的第一卷积层、通道拼接层和预设个数的第二卷积层；
6.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述改进的深度残差网络还包括目标自注意力模块，所述目标自注意力模块包括跳跃连接结构。
7.根据权利要求6所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述目标自注
8.一种基于改进的深度残差网络的车型识别装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的基于改进的深度残差网络的车型识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的基于改进的深度残差网络的车型识别方法。
...【技术特征摘要】
1.一种基于改进的深度残差网络的车型识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述预先训练好的图像质量增强模型包括低层特征信息提取层、高层特征信息提取层和上采样层；
3.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述预先训练好的车辆检测定位模型的训练步骤，包括：
4.根据权利要求3所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述车辆检测定位模型包括特征提取网络、区域建议网络、感兴趣区域池化模块和预测模块；
5.根据权利要求1所述的基于改进的深度残差网络的车型识别方法，其特征在于，所述目标残差融合模块包括预设个数的第一卷积层、通道拼接层和预设个数的第二卷积层；
6.根据权利要求1所述的基于改进的深度残差网...
【专利技术属性】
技术研发人员：王向辉，陈楠，宋梦雄，
申请(专利权)人：中电信数字城市科技有限公司，
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。