[發明專利]基于多任務學習卷積神經網絡的車標識別及屬性預測方法

有效

• 申請號: 201710112249.5
• 申請日: 2017-02-28
• 公開（公告）號: CN106934392B
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 張百靈;夏翌彰;顏詩洋;錢榮強
• 申請（專利權）人: 西交利物浦大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/08
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 范晴;丁浩秋

本發明公開了一種基于多任務學習卷積神經網絡的車標識別及屬性預測方法，包括以下步驟：創建基于多任務學習卷積神經網絡；采用自適應任務權重學習策略和任務自動開閉學習策略訓練卷積神經網絡；使用訓練好的卷積神經網絡對獲取的車輛標識圖像進行分層提取特征，根據車標數據庫進行車標識別及屬性預測。該方法基于卷積神經網絡結構，采用多任務學習機制，提出自適應任務權重學習策略和任務自動開閉學習策略，能同時判斷車標類別和預測車標屬性，并且準確率高。

技術領域

本發明涉及一種車標識別方法，具體地涉及一種基于多任務學習卷積神經網絡的車標識別及屬性預測方法。

背景技術

車輛制造商識別在智能交通系統中起著重要作用。自動獲取汽車統計數據和車輛屬性信息有助于交通管理和汽車行業。其中，車輛標志在涉及一系列潛在的應用，例如車輛的識別、驗證或分類，這對于調查車輛相關犯罪至關重要。

與許多其他計算機視覺課題相比，如人臉或行人，車輛標志仍然是一個較少研究的主題。車標涉及一系列特殊困難，包括小尺寸，低分辨率和多角度。雖然，已經出版了許多關于車輛標識識別的論文，這些方法中的大多數遵循常規圖像處理流水線，即，提取一些人工定義的特征，例如梯度直方圖(HOG)，隨后是利用例如支持向量機(SVM)的可訓練分類器。這些方法具有許多限制。首先，人工定義的特征不可能同時解決各種因素，例如，視點變化和成像條件。其次，車標識別系統的性能通常取決于車標檢測的準確性。

近年來，由于強大的特征表達學習能力，深度學習已經引起了廣泛的關注。它為人工設計的特征提取器造成的瓶頸問題帶來了有希望的解決方案。一種特殊類型的深度學習模型，即卷積神經網絡，已經在許多計算機視覺任務中展示了最先進的性能。已經反復驗證卷積神經網絡可以從原始像素通過非線性映射的幾個卷積層提取通用的，魯棒的和分層的特征。由于優越性，卷積神經網絡也已被應用于車輛標識的識別。然而，這些工作對于原始卷積神經網絡架構都是非常初步的。并且許多重要的實際問題沒有被討論，例如，與車輛標志相關的屬性預測。

在計算機視覺領域，針對許多語義任務的屬性學習的概念已提出多年，對于視覺目標識別，語義屬性可以命名描述目標的屬性，從而提供一種方便鏈接低級特征和高級語義任務書敘述性屬性有效工具。已經針對許多多媒體應用(例如，多媒體搜索和檢索以及多媒體內容分析和推薦)研究了來自屬性的益處。

本質上，車標分類和車標屬性預測是兩個不同的任務。雖然存在不同的可能性來完成它們，但是，由于兩個任務之間的共同點，多任務學習方法應當是選項中的最高優先級。多任務學習方法已被研究作為一個重要的機器學習主題，并且，最近被利用到許多計算機視覺問題。多任務學習方法強調不同任務之間的知識共享，同時解決多個相關任務。很多研究成果已經證明知識共享可以提高一些任務或有時所有任務的性能。

最近，學術界已經提出了好幾種基于卷積神經網絡的多任務學習方法，其可以粗略地劃分為以下兩種類型：任務交替優化方式和任務同時優化方式。在第一類中，訓練在任務之間交替，即，對一個任務進行優化，而其他任務不變，并且對于所有任務迭代該過程。在第二類中，對所有任務同時進行學習。在任務交替優化方式中，迭代次數將隨著任務量增加而快速增加。在任務同時優化方式中，可以提高系統的性能。本發明因此而來。

發明內容

針對上述存在的技術問題，本發明的目的是提出了一種基于多任務學習卷積神經網絡的車標識別及屬性預測方法。該方法基于卷積神經網絡結構，采用多任務學習機制，提出自適應任務權重學習策略和任務自動開閉學習策略，能同時判斷車標類別和預測車標屬性，并且準確率高。

本發明的技術方案是：

一種基于多任務學習卷積神經網絡的車標識別及屬性預測方法，包括以下步驟：

S01：創建基于多任務學習卷積神經網絡；