[發明專利]一種基于深度殘差網絡的車型識別方法

有效

• 申請號: 201810170873.5
• 申請日: 2018-03-01
• 公開（公告）號: CN108629267B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 劉敦強;沈峘
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

本發明公開了一種基于深度殘差網絡的車型識別方法，涉及計算機視覺領域，能夠在不同背景下提取車輛特征，進行車型識別。本發明包括：對深度殘差網絡進行參數初始化；將訓練數據載入深度殘差網絡，結合數據增強策略，訓練得到訓練好的深度殘差網絡；將車型圖像載入訓練好的深度殘差網絡，訓練好的深度殘差網絡進行識別，并從網絡輸出端輸出類別標簽。

技術領域

本發明涉及計算機視覺領域，尤其涉及一種基于深度殘差網絡的車型識別方法。

背景技術

近年來，汽車廠商推出的車型日益豐富，國內汽車保有總量逐年攀升，導致汽車增長量與道路承載能力之間的矛盾愈發突出，道路堵塞、交通事故等問題層出不窮，一些重要路段的交通壓力也越來越大。

汽車車型識別已經成為了智能交通領域的一個重要的研究內容，可以為核心路段的交通監控、交通事故責任判定等方面提供有力的技術支持。在實際的道路環境下，車輛圖像往往存在著多角度、遮擋、光照變化等影響因素，影響到了車型的識別。

綜上，現有技術中缺乏能夠適應于不同背景下提取車輛特征的車型識別方法。

發明內容

本發明提供一種基于深度殘差網絡的車型識別方法，能夠在不同背景下提取車輛特征，進行車型識別。

為達到上述目的，本發明采用如下技術方案：

一種基于深度殘差網絡的車型識別方法，包括：

S1、對深度殘差網絡進行參數初始化；

S2、將訓練數據載入深度殘差網絡，結合數據增強策略，訓練得到訓練好的深度殘差網絡；

S3、將車型圖像載入訓練好的深度殘差網絡，訓練好的深度殘差網絡進行識別，并從網絡輸出端輸出類別標簽。

進一步的，所述深度殘差網絡包括五個殘差單元、兩個全連接層、分類損失、類別中心損失、輸出層。五個殘差單元共有34層，兩個全連接層用于提取全局特征，輸出層用于預測輸入圖像的類別，訓練時作為類別損失項和中心化損失項的輸入。

第一殘差單元的組成按照總體模型在輸入樣本進行預測時的數據流向依次為卷積層1，參數包括通道數為128，卷積核尺寸為3和3，步長為2，補零項尺寸為1和1；批量正則化層1，參數包括動態更新值2，以及仿射比例和仿射偏置；線性激活層1；卷積層2，參數包括通道數為256，卷積核尺寸為1和1，步長為1，補零項尺寸為0和0；批量正則化層2, 參數包括動態更新值2，以及仿射比例和仿射偏置；數值單元融合層，模式為相加操作；線性激活層2，

第二殘差單元的組成按照總體模型在輸入樣本進行預測時的數據流向依次為卷積層1，參數包括通道數為256，卷積核尺寸為3和3，步長為2，補零項尺寸為1和1；批量正則化層1，參數包括動態更新值2，以及仿射比例和仿射偏置；線性激活層1；卷積層2，參數包括通道數為512，卷積核尺寸為1和1，步長為1，補零項尺寸為0和0；批量正則化層2, 參數包括動態更新值2，以及仿射比例和仿射偏置；數值單元融合層，模式為相加操作；線性激活層2，

第三殘差單元的組成按照總體模型在輸入樣本進行預測時的數據流向依次為卷積層1，參數包括通道數為512，卷積核尺寸為3和3，步長為2，補零項尺寸為1和1；批量正則化層1，參數包括動態更新值2，以及仿射比例和仿射偏置；線性激活層1；卷積層2，參數包括通道數為1024，卷積核尺寸為1和1，步長為1，補零項尺寸為0和0；批量正則化層2, 參數包括動態更新值2，以及仿射比例和仿射偏置；數值單元融合層，模式為相加操作；線性激活層2，