[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)深度特征的車標(biāo)識(shí)別方法

有效

• 申請?zhí)枺?/td>: 202010139043.3
• 申請日: 2020-03-03
• 公開（公告）號(hào): CN111368909B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 趙漢理;盧望龍;陳強(qiáng)
• 申請（專利權(quán)）人: 溫州大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 溫州名創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 33258
• 代理人: 陳加利

本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)深度特征的車標(biāo)識(shí)別方法，首先給定車標(biāo)圖像訓(xùn)練集及車標(biāo)圖像測試集，并構(gòu)建和初始化分類器網(wǎng)絡(luò)及SGD優(yōu)化器；其次，在分類器網(wǎng)絡(luò)的每次迭代計(jì)算中，將車標(biāo)圖像訓(xùn)練集中的車標(biāo)圖像作為分類器網(wǎng)絡(luò)的輸入得到車標(biāo)識(shí)別結(jié)果，且根據(jù)損失函數(shù)，計(jì)算出損失值并進(jìn)行反向傳播對分類器網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，同時(shí)利用車標(biāo)圖像測試集對分類器網(wǎng)絡(luò)進(jìn)行評(píng)估，直至迭代結(jié)束，得到最終的最優(yōu)網(wǎng)絡(luò)參數(shù)來更新分類器網(wǎng)絡(luò)；最后，獲取待測車標(biāo)圖像輸入計(jì)算，得到待測車標(biāo)圖像的車標(biāo)識(shí)別結(jié)果。實(shí)施本發(fā)明，提高分類器網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率和定位精準(zhǔn)度，實(shí)現(xiàn)高魯棒性高準(zhǔn)確率的車標(biāo)智能檢測。

技術(shù)領(lǐng)域

本發(fā)明涉及車輛標(biāo)識(shí)智能檢測技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò) 深度特征的車標(biāo)識(shí)別方法。

背景技術(shù)

在全球私家車基數(shù)大且數(shù)量逐年增長的情況下，智能交通系統(tǒng)有著極為重 要的作用。車標(biāo)作為車輛一個(gè)關(guān)鍵信息，不易被更換，能夠成為車輛的一個(gè)顯 著特征。所以，車標(biāo)的檢測對幫助破案和車輛檢測管控具有十分重要的意義。

目前，車標(biāo)檢測算法大多采用邊緣檢測技術(shù)或者使用傳統(tǒng)手工設(shè)計(jì)特征， 這些方式繁瑣且對于不同場景下的車標(biāo)的檢測魯棒性不夠高。

針對這個(gè)問題，亟需一種車標(biāo)識(shí)別方法，克服邊緣檢測技術(shù)和傳統(tǒng)手工提 取車標(biāo)特征存在的效率低、魯棒性差的問題以及目前存在的車標(biāo)識(shí)別方法識(shí)別 確率低、定位精準(zhǔn)度低的問題，以提高分類器網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率和定位精準(zhǔn)度， 實(shí)現(xiàn)高魯棒性高準(zhǔn)確率的車標(biāo)智能檢測。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例所要解決的技術(shù)問題在于，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)深度 特征的車標(biāo)識(shí)別方法，克服傳統(tǒng)手工提取車標(biāo)特征存在的效率低、魯棒性差的 問題以及目前存在的車標(biāo)識(shí)別方法識(shí)別確率低、定位精準(zhǔn)度低的問題，以提高 分類器網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率和定位精準(zhǔn)度，實(shí)現(xiàn)高魯棒性高準(zhǔn)確率的車標(biāo)智能檢 測。

為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)深度 特征的車標(biāo)識(shí)別方法，所述方法包括以下步驟：

步驟S1、給定車標(biāo)圖像訓(xùn)練集I_train＝{(a_i,b_i)|i∈[1,M}]以及車標(biāo)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(biāo)圖像；b_i表示第i張車標(biāo)圖像對應(yīng) 的車標(biāo)標(biāo)簽；M表示所述車標(biāo)圖像訓(xùn)練集I_train的樣本數(shù)量；N表示所述車標(biāo)圖像 測試集I_test的樣本數(shù)量；

步驟S2、基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建出分類器網(wǎng)絡(luò)D，以及構(gòu)建用于所述 分類器網(wǎng)絡(luò)D訓(xùn)練過程中的隨機(jī)梯度下降SGD優(yōu)化器，且進(jìn)一步對所述分類器 網(wǎng)絡(luò)D及所述隨機(jī)梯度下降SGD優(yōu)化器的參數(shù)均進(jìn)行初始化；其中，所述分類 器網(wǎng)絡(luò)D的參數(shù)包括迭代次數(shù)q、網(wǎng)絡(luò)參數(shù)θ_q和最優(yōu)網(wǎng)絡(luò)參數(shù)θ_best；q＝0,…,n，n 為大于1的正整數(shù)；l表示對應(yīng)的網(wǎng)絡(luò)層數(shù)的索引，W 表示對應(yīng)卷積層的參數(shù)，O表示對應(yīng)的偏置值，BN表示BN層的可學(xué)習(xí)參數(shù)，表示q次迭代訓(xùn)練中對應(yīng)第l層的卷積層的參數(shù)，表示q次迭代訓(xùn)練中第l層 對應(yīng)的偏置值，表示q次迭代訓(xùn)練中第l層的可學(xué)習(xí)參數(shù)；迭代次數(shù)q初始 為0；網(wǎng)絡(luò)參數(shù)θ_q初始為θ₀，最優(yōu)網(wǎng)絡(luò)參數(shù)θ_best初始為θ₀；所述隨機(jī)梯度下降SGD 優(yōu)化器的參數(shù)初始化包括初始化學(xué)習(xí)率、動(dòng)量和權(quán)重衰減系數(shù)；