[發明專利]一種基于遷移學習深層網絡融合模型的貨車品牌分類方法

有效

• 申請號: 202010194482.4
• 申請日: 2020-03-19
• 公開（公告）號: CN111428735B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 趙池航;鄭有鳳;錢倩;化麗茹;李昊
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 向文

1.一種基于遷移學習深層網絡融合模型的貨車品牌類型識別分類方法，其特征在于：包括如下步驟：

S1：獲取貨車圖像，采用基于邊緣方向直方圖的可變形部件模型對貨車圖像進行貨車車臉檢測，構建貨車車臉圖像集；

S2：構建用于車輛品牌特征提取的基于最大均值差異遷移學習的Inception V3-MMD網絡模型，并基于車臉圖像獲取車輛品牌特征向量F_I；

S3：構建用于車輛品牌特征提取的基于最大均值差異遷移學習的Xception-MMD網絡模型，并基于車臉圖像獲取車輛品牌特征向量F_X；

S4：構建用于車輛品牌特征提取的基于最大均值差異遷移學習的DenseNet-201-MMD網絡模型，并基于車臉圖像獲取車輛品牌特征向量F_D；

S5：采用特征串聯融合規則，將獲取的車臉圖像特征向量F_I、F_X和F_D進行融合，得到車輛品牌融合特征向量F_C；

S6：構建用于貨車車輛品牌類型分類的基于最大均值差異遷移學習的深層網絡融合模型的輸出層，并根據獲取的車型融合特征向量F_C對貨車品牌進行識別分類；

所述步驟S1中采用基于邊緣方向直方圖的可變形部件模型對貨車圖像進行貨車車臉檢測的具體步驟如下：

S1-1：輸入待檢測圖片；

S1-2：提取圖片EOH特征：

S1-3：計算組件數為1部件數為2的DPM檢測模型中的根濾波器對提取出的EOH特征的響應值，并計算各部件濾波器響應值和變形花費；

S1-4：計算總分，若總分大于閾值則檢測到貨車車臉，反之未檢測到車臉；

所述步驟S1-2中圖片EOH特征的提取步驟如下：

①圖像灰度化；

②采用Sobel運算得到(x，y)點的dx和dy；

③計算所有邊緣點的邊緣方向，θ(x，y)＝tan^-1(dy/dx)；

④將圖像分成16×16大小的單元格；

⑤將邊緣方向等分為16份，記為16個bin，然后統計每個bin的邊緣點數量，構成邊緣方向直方圖，統計得到一個單元格內的邊緣方向直方圖；

⑥將所有單元格的邊緣方向直方圖串聯，得到整張圖片的特征描述子；

所述步驟S2中基于最大均值差異遷移學習的Inception V3-MMD網絡模型的構建方法為：基于Inception V3-MMD的貨車車輛品牌分類模型，在InceptionV3的基礎上在最后一層全連接層加入基于MMD的遷移學習，整個網絡模型輸入為三通道圖像，每個block代表一組計算，前兩組為卷積計算，一組卷積計算中包含若干卷積層和一個池化層，完成2個Block卷積計算后，與Inception單元相連，Block 3中使用3個Inception A單元，Block 4中使用1個Inception B單元，Block 5中使用4個Inception C單元，Block 6中使用1個Inception D單元，Block 7中使用2個Inception E單元；

所述步驟S3中基于最大均值差異遷移學習的Xception-MMD網絡模型的構建方法為：基于Xception-MMD的貨車車輛品牌分類模型，在Xception的基礎上在最后一層全連接層加入基于MMD的遷移學習，整個網絡包括輸入模塊、中間模塊和輸出模塊，分別包含三個深度可分卷積單元，八個深度可分卷積單元，一個深度可分卷積單元，模型輸入為三通道圖像，輸出模塊在深度可分卷積單元后進行兩次深度可分卷積運算并進行全局平均最大池化，得到特征向量，輸入全連接層，用邏輯回歸進行分類；

所述步驟S4中基于最大均值差異遷移學習的DenseNet-201-MMD網絡模型的構建方法為：基于DenseNet-201-MMD的貨車車輛品牌分類模型，在DenseNet-201的基礎上在最后一層全連接層加入基于MMD的遷移學習，DenseNet-201第一層為卷積層，之后進行池化，之后連接1個Block單元，1個過渡層，依此類推，總共有4個Block層和4個過渡層，最后連接分類層，包括1個全局平均池化層和基于MMD遷移學習的全連接層以及Softmax層。