[發明專利]一種基于數據增強的車輛圖像檢索方法

在審

• 申請號: 202010532683.0
• 申請日: 2020-06-12
• 公開（公告）號: CN111694977A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 謝武;崔夢銀;劉滿意;強保華;賈清玉;謝天
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/583;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 陸夢云

本發明公開了一種基于數據增強的車輛圖像檢索方法，該方法是使用多尺度Retinex算法對現有的公開車輛圖像數據進行數據增強，得到一個大規模車輛圖像數據集；其次，使用卷積神經網絡構建車輛圖像檢索模型并在增強后的數據集上進行訓練，同時采用遷移學習的方法縮短模型的訓練周期；最后，選擇分類效果表現最好的模型作為特征提取引擎在檢索測試集上進行模型評價。該方法解決了車輛圖像缺乏和人為標注等帶來的影響，在一定程度上可以增加模型的準確率和泛化能力。使用遷移學習的方法加快模型收斂的速度，減少訓練的時間，提高車輛圖像檢索的準確率。

技術領域

本發明涉及車輛圖像檢索領域，具體是一種基于數據增強的車輛圖像檢索方法。

背景技術

對于車輛圖像檢索模型來說，訓練集的大小以及質量會直接影響模型訓練的好壞。如果采用的訓練集過小，模型學習難以擬合所有可能的情況，會導致模型泛化能力不高，導致過擬合的情況。另外，卷積神經網絡模型在訓練過程中往往涉及到成千上萬的參數，需要大量的數據來進行參數的學習。因此訓練出一個好的模型需要大量的車輛圖片數據集。

發明內容

針對上述問題，本發明提供一種基于數據增強的車輛圖像檢索方法，該方法采用數據增強的方法對現有的公開數據集進行擴充，得到一個大規模的車輛圖像數據集用于模型的訓練，并采用遷移學習的方法來降低模型的訓練周期，以提高車輛圖像檢索的精度。

實現本發明目的的技術方案是：

一種基于數據增強的車輛圖像檢索方法，包括如下步驟：

(1)給定車輛圖像數據集，并對圖片進行歸一化處理成CNN模型需要的數據輸入格式；

(2)車輛圖像數據增強：通過多尺度Retinex算法對原始車輛圖片進行暗光增強，獲得一個較大規模的車輛圖像數據集；

(3)劃分車輛圖像數據集：按照8∶1∶1的比例，將車輛圖像數據集拆分成訓練集、驗證集和檢索測試集；

(4)構建基于VGGNet16的車輛圖像檢索模型，并進行模型的訓練和驗證；

(5)車輛圖像的特征提取：利用訓練好的卷積神經網絡模型對車輛圖像進行一系列的卷積、池化和全連接操作，提取車輛圖像的特征；

(6)模型測試：使用訓練好的模型在檢索測試集上進行檢索，并評估該模型的泛化能力及檢索準確度。

步驟(2)所述多尺度Retinex算法是：

對于一張車輛圖像，采用多種尺度的高斯濾波函數，對圖像的三個通道進行濾波，對每個尺度的反射分量取加權平均，得到最終輸出結果，可以將r_i(x,y)＝i_i(x,y)-i_i(x,y)*G(x,y)的公式變為：

其中，G_k(x,y)代表第k個高斯濾波函數，N表示高斯濾波函數的數量，通過實驗發現當N＝3時，車輛圖像數據增強的效果最好；w_k是第k個尺度的權重，N個高斯濾波函數所占比例滿足約束條件：

數據增強算法的具體實現步驟如下：

(1)輸入原始圖像I(x,y)，分離三個顏色通道空間分量并轉化到對數域；

(2)設置高斯函數尺度的個數及大小；

(3)根據公式獲取圖像r(x,y)；

(4)把r(x,y)從對數域轉換到實數域得到R(x,y)；

(5)對R(x,y)進行線性矯正處理(因為R(x,y)的范圍不在0～255的范內)，矯正后的圖像即算法增強后的圖像。