[發明專利]一種基于卷積神經網絡深度特征的車標識別方法

有效

• 申請號: 202010139043.3
• 申請日: 2020-03-03
• 公開（公告）號: CN111368909B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 趙漢理;盧望龍;陳強
• 申請（專利權）人: 溫州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

1.一種基于卷積神經網絡深度特征的車標識別方法，其特征在于，所述方法包括以下步驟：

步驟S1、給定車標圖像訓練集I_train＝{(a_i,b_i)|i∈[1,M]}以及車標圖像測試集I_test＝{(a_i,b_i)|i∈[1,N]}；其中，a_i表示第i張車標圖像；b_i表示第i張車標圖像對應的車標標簽；M表示所述車標圖像訓練集I_train的樣本數量；N表示所述車標圖像測試集I_test的樣本數量；

步驟S2、基于深度卷積神經網絡構建出分類器網絡D，以及構建用于所述分類器網絡D訓練過程中的隨機梯度下降SGD優化器，且進一步對所述分類器網絡D及所述隨機梯度下降SGD優化器的參數均進行初始化；其中，所述分類器網絡D的參數包括迭代次數q、網絡參數θ_q和最優網絡參數θ_best；q＝0,…,n，n為大于1的正整數；l表示對應的網絡層數的索引，W表示對應卷積層的參數，O表示對應的偏置值，BN表示BN層的可學習參數，表示q次迭代訓練中對應第l層的卷積層的參數，表示q次迭代訓練中第l層對應的偏置值，表示q次迭代訓練中第l層的可學習參數；迭代次數q初始為0；網絡參數θ_q初始為θ₀，最優網絡參數θ_best初始為θ₀；所述隨機梯度下降SGD優化器的參數初始化包括初始化學習率、動量和權重衰減系數；

步驟S3、獲取當前迭代次數q，將所述車標圖像訓練集I_train＝{(a_i,b_i)|i∈[1,M]}中的車標圖像作為所述分類器網絡D的輸入并通過網絡逐層計算，得到對應車標圖像訓練集的車標識別結果Y_train＝{y_i|i∈[1,M]}；其中，y_i表示所述分類器網絡D對所述車標圖像訓練集I_train的第i張車標圖像的識別結果；

步驟S4、根據預設的交叉熵損失函數，計算所述車標圖像訓練集的車標識別結果Y_train和所述車標圖像訓練集I_train中的車標標簽之間的誤差，得出損失值，并利用得出的損失值進行反向傳播，對所述分類器網絡D的網絡參數θ_q進行調整；

步驟S5、利用所述車標圖像測試集I_test對所述分類器網絡D進行評估，若所述分類器網絡D的網絡參數θ_q的測試準確率最高，則令θ_best＝θ_q；同時在參數更新結束階段，判斷訓練迭代次數q是否已達到最大迭代次數n，若已經達到最大迭代次數n，則訓練階段結束，進入下一步驟S6；反之，將跳轉至步驟S3進行循環迭代訓練，并令q＝q+1；

步驟S6、得到最終的分類器網絡D的最優網絡參數_best，并根據所得到的最終的最優網絡參數θ_best，更新所述分類器網絡D；

步驟S7、獲取待測車標圖像，且將所述待測車標圖像作為更新后的分類器網絡D的輸入并通過網絡逐層計算，得到所述待測車標圖像的車標識別結果；

在所述步驟S2中，提出一種新的殘差密集連接塊，并利用殘差密集連接塊和殘差塊構造一個新的分類器網絡D；

殘差密集連接塊的連接方式如下定義所示：

x_l＝H_l([x₀,x₁,…,x_l-1])+x_l-1，

其中H_l(·)為對應的非線性變換，包含多層連續操作，如：卷積層、BN層、ReLU、卷積層、BN層、ReLU；通過對第l層之前的所有特征進行拼接作為輸入，并將第l-1層的特征再和第l層的輸入進行逐個元素相加，得到第l層的輸出結果；該網絡用于在預防模型退化的同時，更加高效得利用淺層和深層得特征圖；連接方式是，在密集連接多層的同時，不僅包含了對之前多層的Concat操作，還包含了上一層和下一層的逐個元素相加的計算，用于對淺層信息進行利用和加強指數集成；

所述分類器網絡D主要構建單位為：密集殘差連接塊、殘差鏈接塊、最大池化層、卷積層、全連接層；其包括47層卷積層、1層全連接層、1層全局平均池化層、5層最大值池化層、19層殘差連接操作層和15層拼接操作層；其中，每層卷積層后都包含BN層和LeakyReLU激活函數，且在全連接層后包含一個softmax激活函數用于最終的類別預測。