[發明專利]一種細粒度車型識別系統及方法在審

申請號：	201810968895.6	申請日：	2018-08-23
公開（公告）號：	CN109214441A	公開（公告）日：	2019-01-15
發明（設計）人：	蔡曉東;萬今朝	申請（專利權）人：	桂林電子科技大學
主分類號：	G06K9/62	分類號：	G06K9/62;G06N3/04
代理公司：	北京輕創知識產權代理有限公司 11212	代理人：	楊立;蔣杰
地址：	541004 廣西***	國省代碼：	廣西;45
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	細粒度樣本數據庫奇異值分解車型識別車型識別系統卷積神經網絡目標車輛權重矩陣訓練模型樣本圖片構建分類識別目標檢測冗余特征中心距離連接層區分性準確率去除取出分類融合圖片學習
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種細粒度車型識別方法，其特征在于，包括以下步驟：

步驟S1：構建車輛樣本數據庫，利用Fast-RCNN對樣本數據庫內的樣本圖片進行目標檢測，當檢測出目標車輛，則截取出目標車輛的圖片；

步驟S2：構建奇異值分解卷積神經網絡，使用中心距離損失和分類損失的融合損失，將目標車輛的圖片導入到所述的奇異值分解卷積神經網絡進行訓練，得到訓練模型；

步驟S3：提取訓練模型中全連接層的權重矩陣W，對權重矩陣W進行奇異值分解后重新賦值并調整，獲得細粒度車型識別模型；

步驟S4：采用細粒度車型識別模型對車輛樣本數據庫內的樣本圖片進行分類識別，從而識別出車輛樣本數據庫中的車輛。

2.根據權利要求1所述一種細粒度車型識別方法，其特征在于，所述步驟1中Fast-RCNN檢測的具體步驟為：

利用Selective Search算法在樣本圖片提取多個建議窗口，同時將樣本圖片輸入CNN進行特征提取；

將多個建議窗口映射到CNN的最后一層卷積feature map上,通過RoI pooling層使每個建議窗口生成固定尺寸的feature map；

最后利用Softmax Loss和Smooth L1Loss對分類概率和邊框回歸聯合訓練得到目標車輛。

3.根據權利要求1所述一種細粒度車型識別方法，其特征在于，步驟2的具體步驟為：所述奇異值分解卷積神經網絡具體包括依次連接的卷積層Conv1、池化層Pool1、卷積層Conv2、池化層Pool2、卷積層Conv3，池化層Pool3、全連接層Fc1、drop_out1層、全連接層Fc2、drop_out2層和分類層Softmax，還包括中心距離損失層，所述中心距離損失層連接全連接層Fc1和數據層。

4.根據權利要求2所述一種細粒度車型識別方法，其特征在于，

所述步驟S2中的中心距離損失和分類損失的融合損失，具體兩個損失函數加權融合的目標函數如下：

其中，L₁為分類損失函數；N為訓練數據類別的總數；M為樣本屬性個數；L₂為中心距離損失函數；其中x_i表示第i張圖片的特征圖；c_yi表示類y_i的類中心；λ為L₂的權重值；

通過使用BGD批量梯度下降算法進行反饋學習，分類損失函數L(x_i)對輸入x的反向計算求導公式如下：

W_ix_i+b_i為神經網絡中神經元的輸出，反饋計算中需要更新x_i的權重W_i和偏置b_i，更新公式如下：

其中，η為學習率，通過更新神經元權重，特征層能對融合損失進行學習。

5.根據權利要求1所述一種細粒度車型識別方法，其特征在于，所述步驟S3的具體步驟如下：

提取出訓練模型中全連接的權重矩陣W，對權重矩陣W進行奇異值分解,具體公式如下：

W＝USV^T

其中W是全連接層的權重向量，U是左酉矩陣，S是奇異值矩陣，V是右酉矩陣；

用US代替W，然后全連接層使用WW^T的所有特征向量作為權重向量，替換之后生成訓練模型A；

將訓練模型A中全連接層的權重矩陣固定，對其它層進行調整直到收斂，得到訓練模型B；在訓練模型B的基礎上對所有參數進行調整調直到收斂，完成訓練得到細粒度車型識別模型。