基于FIPA模型的自适应协同优化的车型识别方法技术

本发明专利技术提供一种基于FIPA模型的自适应协同优化的车型识别方法，包括：通过目标检测网络对待检测图像进行检测，得到局部的汽车部件；将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优Agent组合；通过预处理网络对所述最优Agent组合进行数据预处理，其中，预处理网络包括边缘检测器、结构特征提取网络、滤波器和图像风格迁移网络；基于融合投票机制整合预处理后的最优Agent组合的得分信息，将总分最高的类别作为最终识别结果。本发明专利技术的基于FIPA模型的自适应协同优化的车型识别方法提高了对车型的分类精度。

【技术实现步骤摘要】

本专利技术涉及电子信息，尤其涉及一种基于fipa模型的自适应协同优化的车型识别方法。

技术介绍

1、细粒度车型识别算法通过深度挖掘汽车的细微特征来进行精确的车型识别，是近年来人工智能、智能交通、自动驾驶等领域的热门研究问题。在过去的工作中，研究人员提出了许多简易的车型识别方法，这些算法只能简单识别出摩托车、轿车、自行车等粗粒度信息。这些方法在处理复杂场景和应对各种挑战时，表现出较为明显的局限性，其无法充分利用所提供的车辆信息，难以实现有效的车辆识别和追踪。细粒度车型识别技术能够获取更为详尽的车辆信息，包括车辆型号、制造商和生产年份等。该技术可实现更精确的车辆识别，进一步节省了人力资源、提高交通执法效率，在车辆监控和刑事案件侦破方面可获取更为广泛的应用。

2、一般来说，细粒度车型识别方法主要分为以下两类：基于特征的方法和基于深度学习的方法。基于特征的方法主要通过特征描述符来获取局部特征，并构建特征向量或特征描述子，这些特征能够有效地编码车辆的局部外观和结构信息，可提供更全面的车辆描述，随后，将提取到的特征输入到分类器或聚类算法中，进行车型分类或聚本文档来自技高网...

【技术保护点】

1.一种基于FIPA模型的自适应协同优化的车型识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求1所述的方法，其特征在于，所述将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优Agent组合，包括：

4.根据权利要求3所述的方法，其特征在于，所述协同优化网络基于穷举搜索算法对汽车部件进行组合优化，得到最优Agent组合，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于融合投票机制整合预处理后的最优Agent组合的得分信息，将总分最高的类...

【技术特征摘要】

1.一种基于fipa模型的自适应协同优化的车型识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求1所述的方法，其特征在于，所述将所述汽车部件输入到分类网络中进行分类，并通过协同优化网络对分类后的汽车部件进行组合优化，得到最优agent组合...

【专利技术属性】
技术研发人员：王开明，梁国远，杨映远，孙文琪，吴新宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：