[發明專利]一種基于卷積神經網絡的車型識別方法

在審

• 申請號: 201910904657.3
• 申請日: 2019-09-24
• 公開（公告）號: CN110598801A
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 趙宏陽;付俊;井元偉
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F16/55
• 代理公司: 21109 沈陽東大知識產權代理有限公司
• 代理人: 李在川

本發明公開一種基于卷積神經網絡的車型識別方法，屬于智能交通中的車型識別技術領域，該方法采用數據增強策略擴增數據集，使數據集更加貼合實際情況，在Inception?V3網絡的基礎上，針對車型識別，采用Adam優化算法對權值和偏移量進行更新，并借鑒遷移學習思想，提高了車型識別的效率。另外，在損失函數上采用AMSoftmax損失函數代替傳統的Softmax損失函數，減小了類內差異，擴大了類間差異，提高不同背景環境下車型識別精度。

技術領域

本發明涉及智能交通中的車型識別技術領域，尤其涉及一種基于卷積神經網絡的車型識別方法。

背景技術

由于近年來交通壓力不斷增大，智能交通系統日益體現出重要性和緊迫性，而車型識別作為智能交通系統的重要分支和關鍵技術，主要是針對特定地段下的車輛進行準確的識別，可為智能停車場收費系統、車輛違規占道等方面提供技術支持。

國內外關于車型識別研究的主要方法可以概括為：基于圖像處理的方法和基于物理的方法。卷積神經網絡是神經網絡的一種，它由卷積層、池化層、激活層、全連接層組成，它能夠提取輸入的不同特征并進行分類。隨著卷積神經網絡(CNN)在圖像分類上取得良好的成果，卷積神經網絡被廣泛應用到各種分類任務。但在實際的交通環境中，車輛識別存在著光照變化、圖像模糊等影響因素，影響了卷積神經網絡對車型識別的精度。綜上，現實情況中面臨車型識別準確率比較低的問題，本發明采用卷積神經網絡模型并引入AMSoftmax損失函數來對車型圖片進行分類，解決了現有技術中車型識別準確率低的缺點。

發明內容

針對上述現有技術的不足，本發明提供一種基于卷積神經網絡的車型識別方法。

為解決上述技術問題，本發明所采取的技術方案是：一種基于卷積神經網絡的車型識別方法，該方法的流程如圖1所示，包括如下步驟：

步驟1：采集車型圖片數據集，利用數據增強對數據集進行擴增，將擴增后的數據集按一定比例分為訓練集和測試集；

其中，分別采用旋轉和高斯模糊兩種策略對車型圖片數據集中的每個圖像進行處理，將處理后的圖像加入原車型圖片數據集中，使得車型圖像數據擴增為原數據集的3倍。

步驟2：借鑒遷移學習的思想，將Inception-V3網絡模型在大規模數據集ImageNet上進行訓練，得到Inception-V3網絡模型各個參數的最優初始值；

步驟3：采用Adam優化算法對權值和偏移量進行更新，并采用AMSoftmax損失函數對輸出分類引入角度特征，來優化Inception-V3網絡模型；

步驟3.1：采用Adam優化算法對權值和偏移量進行更新：

步驟3.1.1：首先初始化一階和二階變量：v_dw＝0，v_db＝0，s_dw＝0，s_db＝0；

其中，v_dw為針對權重W的梯度的指數加權平均，v_db為針對偏移量b的梯度的指數加權平均，s_dw為針對W的梯度平方的指數加權平均，s_db為針對b的梯度平方的指數加權平均；

步驟3.1.2：假設在第t輪訓練中，對參數進行更新：

v_dw(t)＝β₁v_dw(t-1)+(1-β₁)dW

v_db(t)＝β₁v_db(t-1)+(1-β₁)db