[發明專利]一種卷積神經網絡生成方法、車系識別方法及計算設備

有效

• 申請號: 201711098051.2
• 申請日: 2017-11-09
• 公開（公告）號: CN107832794B
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 周暉;劉峰;黃國龍;張欣;胡蒙;黃中杰
• 申請（專利權）人: 車智互聯（北京）科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06K9/00
• 代理公司: 北京思睿峰知識產權代理有限公司 11396
• 代理人: 趙愛軍;謝建云

本發明公開了一種用于對圖像中的車輛進行車系識別的卷積神經網絡生成方法、車系識別方法及計算設備，卷積神經網絡生成方法包括：分別構建包括一個或多個卷積層和最大池化層的第一處理塊、第三處理塊和第五處理塊；分別構建包括一個或多個卷積層、第一全局平均池化層、全連接層和激活層的第二處理塊、第四處理塊和第六處理塊；根據一個或多個第一處理塊、第二處理塊、第三處理塊、第四處理塊、第五處理塊和第六處理塊，結合第二全局平均池化層、第一分類器、第二分類器和第三分類器構建卷積神經網絡；根據車輛圖像數據集合對卷積神經網絡進行訓練，以便第一分類器、第二分類器和第三分類器的輸出分別指示車輛所對應的車系、品牌和級別。

技術領域

本發明涉及圖像處理技術領域，特別涉及一種用于對圖像中的車輛進行車系識別的卷積神經網絡生成方法、車系識別方法及計算設備。

背景技術

隨著科技與經濟的飛速發展，市面上車系的類型越來越豐富，比如常見的奧迪A4L、寶馬3系等，但在現實生活中，還會經常遇見對其車系不認識或不了解的車輛。為了能夠識別出這些車輛的車系，通常是先獲取待識別車系的車輛圖片，再通過一些人工提取特征的算法，比如SIFT(Scale-Invariant Feature Transform，尺度不變特征變換)、HOG(Histogram of Oriented Gradient，方向梯度直方圖)等，將車輛圖片的像素值轉化為固定維數的特征向量，再使用SVM(Support Vector Machine，支持向量機)、KNN(K-NearestNeighbor，最鄰近結點)等分類器對上述特征向量進行分類，根據分類結果確定車輛圖片中車輛所對應的車系。

然而，車系識別屬于細粒度識別，人工設計的特征太過單一，導致提取的特征不足以刻畫和區分物體，識別準確率低，無法滿足實際應用需求，進而，以CNN(ConvolutionalNeural Network，卷積神經網絡)為基礎的車系識別方法應運而生。該類方法先利用車輛訓練數據集訓練好用于車系識別的CNN模型，將待識別車系的車輛圖片輸入到該CNN模型中，預測出每一種車系的概率值，取最大的概率值所對應的車系作為識別結果。但是，由于使用的車輛訓練數據集較小，只覆蓋了市面上的少部分車系，若覆蓋所有車系，識別準確率將大大降低，而且所使用的CNN模型較為簡單，未利用車輛品牌、級別等監督信息進行訓練，導致識別率難以提高。

發明內容

為此，本發明提供一種用于對圖像中的車輛進行車系識別的卷積神經網絡生成方案，并提出了基于該卷積神經網絡的車系識別方案，以力圖解決或者至少緩解上面存在的問題。

根據本發明的一個方面，提供一種用于對圖像中的車輛進行車系識別的卷積神經網絡生成方法，適于在計算設備中執行，該方法包括如下步驟：首先，分別構建第一處理塊、第三處理塊和第五處理塊，第一處理塊、第三處理塊和第五處理塊均包括一個或多個卷積層和最大池化層；分別構建第二處理塊、第四處理塊和第六處理塊，第二處理塊、第四處理塊和第六處理塊均包括一個或多個卷積層、第一全局平均池化層、全連接層和激活層；分別構建第二全局平均池化層、第一分類器、第二分類器和第三分類器；根據一個或多個第一處理塊、第二處理塊、第三處理塊、第四處理塊、第五處理塊和第六處理塊，結合第二全局平均池化層、第一分類器、第二分類器和第三分類器構建卷積神經網絡，卷積神經網絡以第一處理塊為輸入，以第一分類器、第二分類器和第三分類器為輸出；根據預先獲取的車輛圖像數據集合對卷積神經網絡進行訓練，以便第一分類器、第二分類器和第三分類器的輸出分別指示車輛所對應的車系、品牌和級別，車輛圖像數據集合包括多個車輛圖像信息，每個車輛圖像信息包括車輛圖像和對應圖像中車輛的車系信息、品牌信息和級別信息。

可選地，在根據本發明的用于對圖像中的車輛進行車系識別的卷積神經網絡生成方法中，分別構建第一處理塊、第三處理塊和第五處理塊的步驟包括：分別按照預設的第一連接規則、第三連接規則和第五連接規則，將各卷積層和最大池化層進行相連以相應形成第一處理塊、第三處理塊和第五處理塊。