[發明專利]一種用于精細化識別車輛屬性的深度神經網絡及訓練方法

在審

• 申請號: 201810194741.6
• 申請日: 2018-03-09
• 公開（公告）號: CN108549926A
• 公開（公告）日: 2018-09-18
• 發明（設計）人: 林倞;周啟賢;吳文熙;陳日全
• 申請（專利權）人: 中山大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 廣州容大益信專利代理事務所(普通合伙) 44397
• 代理人: 牛麗霞;汪小梅

本發明公開了一種用于精細化識別車輛屬性的深度神經網絡及訓練方法，該網絡包括：深度殘差網絡，用于對輸入的圖片進行特征提取，得到特征圖；特征遷移層，包括多個特征遷移單元，用于針對各屬性識別任務遷移共享的特征，使之適應于特定的任務；多個全連接層，對應各屬性識別任務分支，連接于特征遷移層，以得到對應各屬性識別任務的特征向量；多個損失計算單元，對應各屬性識別任務分支，分別連接各全連接層，用于使用交叉熵作為多分類器的損失函數計算損失；多個參數更新單元，對應于各屬性識別任務，連接各損失計算單元，通過隨機梯度下降優化算法回傳損失，更新參數，本發明實現了只用一個神經網絡就能同時識別多種精細化的車輛屬性的目的。

技術領域

本發明涉及計算機視覺與模式識別技術領域，特別是涉及一種用于精細化識別車輛屬性的深度神經網絡及其訓練方法。

背景技術

車輛精細化屬性識別技術是智能交通安防領域的一項基本技術，識別車輛屬性可以提高計算機對目標車輛的理解，有助于解決一些更難的交通安防領域問題，比如車輛自動檢索，車輛重識別。

車輛屬性識別是計算機視覺與模式識別中的一個經典問題，識別的車輛屬性一般有車輛的顏色、車輛的類型、車輛的品牌廠商等，技術應用的場景一般在道路攝像中，識別過往車輛的精細化屬性，對車輛分類標簽化。解決這類問題的關鍵技術是圖像識別分類算法，其難點在于光照、尺度、遮擋對識別精度的影響。

早期采用的車輛屬性識別技術以手工特征加上機器學習分類器為主，效果比較好的有采用尺度不變特征(SIFT特征)，方向梯度直方圖特征(HOG)作為手工特征，用視角詞袋框架和支持向量機(SVM)來解決車輛屬性分類問題，分別對不同的屬性分別建模。后來大家廣泛采用深度學習來解決圖像分類問題，通過大數據和強大的計算力，用隨機梯度下降的優化算法優化網絡上千萬的參數，讓網絡很好地提取到車輛的特征，區別于傳統方法的是深度網絡輸出的特征可學，最終通過學習出來的特征要遠優于手工特征，這樣再用分類器進行分類，效果要比傳統的手工特征加上分類器的做法好。深度學習的方法具有很強的學習能力，只要訓練數據涉及各類復雜場景(光照、尺度、遮擋)，那模型便能在這些復雜的場景表現出優異的性能。

公開號為105678275A的中國專利申請揭示了一種車輛識別方法，其先對圖片數據預處理，計算全部圖片的平均向量，再計算出每個訓練樣本圖片所構成向量與所述平均向量的差值；然后計算所述訓練樣本圖片的協方差矩陣，根據所述協方差矩陣求出特征向量和特征值并按序排列，用主成分分析法(PCA)提取特征向量，最后用一個BP神經網絡作為分類器。公開號為105787466A的中國專利申請揭示了一種車輛類型的精細識別方法及系統，其對獲取的原始車輛圖像進行灰度化和標準化處理；計算標準化圖像每個像素點的梯度和方向；根據計算的梯度和方向對標準化圖像進行方向梯度直方圖特征提取和局部線性約束編碼，得到標準化圖像的編碼向量；根據得到的編碼向量采用權值空間金字塔對局部線性約束編碼后的標準化圖像進行處理，得到車輛圖像的最終表達向量，最后用一個SVM對這個特征向量進行車類型分類。

公開號為102737221B的中國專利申請提供了一種車輛顏色的識別方法及裝置，其根據圖像的紋理和結構信息定位車輛顏色識別的參考區域，之后再進行主識別區域和輔助識別區域的識別，主識別區域和輔助識別區域的結果加權投票得出最終的顏色識別的結果。公開號為103544480A的中國專利申請提供了一種車輛顏色識別方法,其通過對參考區域飽和度等特征參數的統計，首先將車輛分為彩色車和黑白銀灰色車；若判定結果為彩色車，分離出彩色區域，并對此區域進行顏色識別；若判定結果為黑白銀灰車，則將參考區域分割，通過投票的方法確定車輛的顏色。公開號為106203420A的中國專利申請提供了一種卡口車輛顏色識別方法，其用一個深度卷積神經網絡，但并非輸入一輛完整的汽車圖片，輸入是顏色識別感興趣區域，輸出是一條特征向量，再用SVM或者softmax對該向量分類。