[發明專利]一種多角度下車型精細識別方法有效
| 申請號： | 201910269429.3 | 申請日： | 2019-04-04 |
| 公開（公告）號： | CN110334572B | 公開（公告）日： | 2021-07-13 |
| 發明（設計）人： | 劉虎;周野;袁家斌 | 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;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京經緯專利商標代理有限公司 32200 | 代理人： | 施昊 |
| 地址： | 210016 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 角度 車型 精細 識別 方法 | ||
1.一種多角度下車型精細識別方法，其特征在于，包括以下步驟：
(1)建立并訓練車輛檢測模型；所述車輛檢測模型包括ResNet-50網絡和SSD目標檢測網絡，將ResNet-50網絡作為SSD目標檢測網絡的前置網絡；
(2)建立并訓練多角度下車型分類器；所述多角度下車型分類器采用多尺度B-CNN網絡，該多尺度B-CNN網絡是將B-CNN網絡的子網絡B中每一個卷積模塊的輸出與最后一個卷積模塊的輸出進行融合，融合過程如下：
(a)將B-CNN網絡的子網絡B中的Conv1_x、Conv2_x、Conv3_x的輸出通過卷積得到長為14，寬為14，通道數為512的張量；
(b)將步驟(a)得到的張量以及Conv4_x的輸出張量分別與Conv5_x的輸出張量進行內積操作；
(c)將步驟(b)得到的向量進行拼接，得到的結果即為融合后的特征向量；
(3)將測試圖像輸入訓練好的車輛檢測模型中，得到車輛檢測結果；將車輛檢測結果輸入訓練好的多角度下車型分類器，得到車型識別結果。
2.根據權利要求1所述多角度下車型精細識別方法，其特征在于，在步驟(1)中，采用遷移學習的方法對ResNet-50網絡進行預訓練，并將ImageNet數據集下的權重模型作為車輛檢測模型的初始權重模型。
3.根據權利要求1所述多角度下車型精細識別方法，其特征在于，在步驟(2)中，采用中心損失與Softmax損失聯合學習的策略，聯合學習的損失函數如下：
Lfinal＝Lsoftmax+λLcentor
上式中，Lfinal為聯合學習的損失函數，Lsoftmax為Softmax損失函數，Lcentor為中心損失函數；λ為一個超參數，表示兩個損失函數間的調節系數，其取值范圍為(0,1)，設定λ的目標是增大類間距離的同時減小類內距離。
4.根據權利要求3所述多角度下車型精細識別方法，其特征在于，λ的取值范圍為[0.01,0.1]。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京航空航天大學，未經南京航空航天大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910269429.3/1.html，轉載請聲明來源鉆瓜專利網。
