[發明專利]一種基于多任務卷積神經網絡的車輛屬性識別方法

有效

• 申請號: 201611199772.8
• 申請日: 2016-12-22
• 公開（公告）號: CN106599869B
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 李成龍;孫想;湯進;王文中
• 申請（專利權）人: 安徽大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G08G1/017
• 代理公司: 34124 合肥市浩智運專利代理事務所(普通合伙)
• 代理人: 丁瑞瑞<國際申請>=<國際公布>=<進入

本發明提供了一種基于多任務卷積神經網絡的車輛屬性識別方法，包括訓練過程和識別過程兩部分，具體過程包括：獲取待識別車輛圖片、設計多任務卷積神經網絡結構并訓練車輛屬性識別的網絡模型、識別車輛類型并回歸車輛車窗位置坐標、設計車輛圖像掩膜并生成新車輛圖像、提取新車輛圖像的多任務卷積神經網絡特征、訓練SVM分類模型，識別車輛顏色。本發明的優點在于：無需用戶手動定義特征再分類，多任務卷積神經網絡結構能夠同時接收并處理多個任務，并在多任務卷積神經網絡的基礎上，獲得車輛圖像中車輛的結構信息，以實現有效的車輛顏色識別方法，提高其識別準確度，從而為智能交通提供準確的依據。

技術領域

本申請涉及智能交通系統領域和計算機視覺技術領域，尤其涉及一種基于多任務卷積神經網絡的車輛類型和車輛顏色識別方法。

背景技術

目前，在識別圖片中的具體內容時，通常包括如下步驟：

第一步，在圖片中檢測感興趣物體的位置，比如，若要進行車輛的屬性識別則需要先使用一個檢測器將這輛車從圖片中檢測出來，檢測器的輸出結果為該車在圖片中的坐標；

第二步，將該車按照坐標位置從原圖中剪切下來，將剪切后的圖片放到分類器中，分類器的輸出結果為這輛車的識別結果。

在第二步中，通常是將輸入的原始圖片像素值轉化為人工定義的特征(Human-handcrafted Features)，比如：方向梯度直方圖(HOG，Histogram of OrientedGradient)、局部二值模式(LBP，Local Binary Pattern)、尺度不變性特征(SIFT，Scale-invariant Feature Transform)等特征，然后將這些變換得到的特征作為分類器的輸入，得到相應的分類結果，即物體的識別結果。采用這種方式進行識別，所采用的分類特征比較單一，不足以完整的刻畫描述物體，特別是難以區分相似度較高的物體，導致識別準確率下降。

現有技術中，圖像識別時，由于提取的特征表達能力不足，導致識別精度下降。

因此，在圖像識別領域，技術人員致力于從圖片中提取具有足夠強的表達能力的特征訓練分類器，以提高識別準確率。在智能交通系統中，車輛屬性信息的重要性愈加明顯，諸如車輛類型、車輛顏色等屬性信息在視頻監控、公安破案、道路場景分析、城市公共安全等諸多應用中作用非凡。因此，本申請實施例致力于獲得更精確的車輛屬性信息，使其能夠在智能交通系統中發揮重要作用。

發明內容

本申請實施例提出一種基于多任務卷積神經網絡的車輛屬性識別方法，以解決現有技術中的圖像識別方法識別準確率較低的技術問題。

本發明是通過以下技術方案解決上述技術問題的：一種基于多任務卷積神經網絡的車輛屬性識別方法，其特征在于，包括如下步驟：

步驟11：獲取待識別車輛圖像；

步驟12：利用多任務卷積神經網絡訓練車輛屬性識別的多任務網絡模型；所述多任務卷積神經網絡是在同一個卷積神經網絡中同時識別車輛多個屬性，所述多任務卷積神經網絡的網絡結構包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層的后面連接所述全連接層，所述全連接層包含三組并行部分，每組并行部分又包含三個首尾連接的全連接層，每組并行部分分別對應所述車輛類型信息、車輛顏色信息和車窗位置信息，每組并行部分的最后一個全連接層的每個輸出節點為所述車輛圖像的車輛類型概率、車輛顏色概率和車窗位置坐標點預測值；

步驟13：根據所述車輛類型和車窗位置的概率確定所述待識別車輛圖像的車輛類型和車窗位置；

步驟14：根據所述多任務卷積神經網絡得到的車輛類型結果以及所述車輛車窗位置信息設計不同掩膜，所述掩膜為與車輛圖像尺寸相同的二進制矩陣；將所述掩膜和車輛圖像點乘得到加入所述掩膜的新車輛圖像；利用所述多任務卷積神經網絡提取所述新車輛圖像在第二個池化層的特征；將提取的所述特征輸入至分類器中訓練分類模型；