[發(fā)明專利]一種多角度車型識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910044136.5
• 申請日: 2019-01-17
• 公開（公告）號: CN109902563A
• 公開（公告）日: 2019-06-18
• 發(fā)明（設(shè)計）人: 蔡曉東;萬今朝
• 申請（專利權(quán)）人: 桂林遠望智能通信科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G08G1/017;G06N3/04
• 代理公司: 北京輕創(chuàng)知識產(chǎn)權(quán)代理有限公司 11212
• 代理人: 蔣杰

本發(fā)明公開了一種多角度車型識別方法及系統(tǒng)，該方法包括以下步驟：收集多角度車輛圖片，構(gòu)建多角度車輛數(shù)據(jù)庫，進行預(yù)處理獲得多角度車輛訓(xùn)練圖片，未經(jīng)預(yù)處理的圖片作為測試樣本圖片；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，在所述卷積神經(jīng)網(wǎng)絡(luò)中增加注意力機制，使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積；對所述多角度車輛訓(xùn)練圖片進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得多角度車輛識別模型；通過所述車輛識別模型對所述多角度車輛數(shù)據(jù)庫內(nèi)的所述測試樣本圖片進行分類識別。

技術(shù)領(lǐng)域

本發(fā)明涉及模式識別與圖像處理技術(shù)領(lǐng)域，具體的說，是一種多角度車型識別方法及系統(tǒng)。

背景技術(shù)

多角度車型識別是智能交通系統(tǒng)的重要組成部分之一，具有更加廣泛的應(yīng)用，包括智能停車系統(tǒng)、車輛流量的統(tǒng)計和車輛的檢測。隨著交通監(jiān)控攝像機的大量使用，車型識別在計算機視覺領(lǐng)域得到了極大的關(guān)注，在大型卷積神經(jīng)網(wǎng)絡(luò)提取高維度特征過程中，多角度計算復(fù)雜度較高且準確率相對較低。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一種多角度車型識別方法及系統(tǒng)。本發(fā)明為了解決現(xiàn)存問題，提供以下技術(shù)方案：

一種多角度車型識別方法，包括以下步驟：

收集多角度車輛圖片，構(gòu)建多角度車輛數(shù)據(jù)庫，進行預(yù)處理獲得多角度車輛訓(xùn)練圖片，未經(jīng)預(yù)處理的圖片作為測試樣本圖片；

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，在所述卷積神經(jīng)網(wǎng)絡(luò)中增加注意力機制，使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積；

對所述多角度車輛訓(xùn)練圖片進行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得多角度車輛識別模型；

通過所述車輛識別模型對所述多角度車輛數(shù)據(jù)庫內(nèi)的所述測試樣本圖片進行分類識別。

進一步，所述進行預(yù)處理獲取多角度車輛訓(xùn)練圖片，具體包括以下步驟：

將所述多角度車輛圖片剪裁成統(tǒng)一大小，以及對所述剪裁成統(tǒng)一大小的多角度車輛圖片進行旋轉(zhuǎn)和鏡像，得到數(shù)據(jù)增強后的樣本圖片；

將所述數(shù)據(jù)增強后的樣本圖片進行灰度化處理，得到多角度車輛訓(xùn)練圖片。

進一步，所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，在所述卷積神經(jīng)網(wǎng)絡(luò)中增加注意力機制，使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，具體包括以下步驟：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)包括數(shù)據(jù)輸入層、Resnet18網(wǎng)絡(luò)卷積層、特征層、全連接特征提取層、Drop_out層、全連接分類層和分類損失層；

在所述卷積神經(jīng)網(wǎng)絡(luò)中增加注意力機制結(jié)構(gòu)，依次連接Conv1層、Conv2層、全局平均池化層、Fc1層、ReLU層、Fc2層、Sigmoid層，以及與所述Conv2層相連接的Scale層；

在所述卷積神經(jīng)網(wǎng)絡(luò)中，將傳統(tǒng)卷積核為3*3的卷積層替換成卷積核為3*3的深度卷積層和卷積核為1*1的逐點卷積層，所述深度卷積和逐點卷積合稱為深度可分離卷積，在1*1逐點卷積運算后，不使用ReLU激活函數(shù)。

進一步，所述注意力機制具體包括：

特征壓縮階段：使用所述全局平均池化層，將所述卷積層的每個通道的二維特征變成一個實數(shù)，對所述二維特征進行壓縮；

特征激勵階段：使用一個全連接層，將輸入的所述二維特征的通道數(shù)降低，減少通道的個數(shù)，降低計算量；連接ReLU激活函數(shù)，保持輸出維度不變，得到非線性特征；再通過一個全連接層變回原來的維度，經(jīng)過Sigmoid函數(shù)將特征權(quán)重歸一化到0-1之間；

特征重標定階段：使用所述縮放層對每個所述二維特征的通道的權(quán)重進行重新標定，將所述二維特征激勵操作后輸出的權(quán)重加權(quán)到每個所述通道的二維特征上，以此完成對原始二維特征的重新標定。

進一步，所述深度可分離卷積用于計算復(fù)雜度，所述深度可分離卷積計算復(fù)雜度具體包括：