[發明專利]基于經驗回放的車輛型號識別方法、裝置、設備及介質

在審

• 申請號: 202011394840.2
• 申請日: 2020-12-03
• 公開（公告）號: CN112508080A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 彭凌西;李澤軒;邵楚越;江卓飛;徐澤峰;林泉余
• 申請（專利權）人: 廣州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

1.一種基于經驗回放的車輛型號識別方法，其特征在于，包括：

獲取原始車輛圖像；所述原始車輛圖像包括車輛型號信息；

通過GAN網絡對所述原始車輛圖像進行數據擴充，得到車型樣本數據；

將所述車型樣本數據輸入帶有經驗回放的對抗網絡進行訓練，得到目標模型；

根據所述目標模型對獲取的待識別車輛圖像進行識別，確定所述待識別車輛圖像中的車輛型號。

2.根據權利要求1所述的一種基于經驗回放的車輛型號識別方法，其特征在于，所述獲取原始車輛圖像信息，包括：

通過爬蟲技術爬取已知車輛型號信息的原始車輛圖像；

對所述原始車輛圖像進行灰度化處理、亮度歸一化處理以及對比度歸一化處理，得到用于表征紋理信息的目標圖像；

將所述目標圖像輸入到預訓練網絡中，提取出特征塊；

將所述特征塊輸入SVM分類器中進行訓練，得到目標SVM分類器；

將所述目標圖像輸入所述SVM分類器，輸出各類識別結果的概率標簽；

根據所述概率標簽，計算車輛型號的識別結果，作為原始車輛圖像中的車輛型號信息。

3.根據權利要求2所述的一種基于經驗回放的車輛型號識別方法，其特征在于，所述通過GAN網絡對所述原始車輛圖像進行數據擴充，得到車型樣本數據，包括：

向所述GAN網絡輸入噪聲數據，得到測試樣本，將所述原始車輛圖像作為訓練樣本；

將所述訓練樣本和所述測試樣本輸入所述GAN網絡的初始判別器中，得到判別結果；

通過DQN網絡對所述GAN網絡進行訓練，得到理想生成器和理想判別器；

通過所述理想生成器生成車輛外觀圖像，并由所述理想判別器對所述生成的車輛外觀圖像進行檢驗，并將通過檢驗的車輛外觀圖像作為所述原始車輛圖像的擴充結果。

4.根據權利要求3所述的一種基于經驗回放的車輛型號識別方法，其特征在于，所述將所述車型樣本數據輸入帶有經驗回放的對抗網絡進行訓練，得到目標模型，包括：

將所述車型樣本數據作為當前狀態數據；

將所述當前狀態數據輸入帶有經驗回放的對抗網絡進行訓練，對Q值函數進行更新，直到所述Q值函數收斂，獲得收斂后的神經網絡模型；

將所述測試樣本輸入所述神經網絡模型，對所述神經網絡模型進行測試，得到目標模型。

5.根據權利要求4所述的一種基于經驗回放的車輛型號識別方法，其特征在于，所述將所述當前狀態數據輸入帶有經驗回放的對抗網絡進行訓練，對Q值函數進行更新，直到所述Q值函數收斂，獲得收斂后的神經網絡模型，包括：

獲取車輛信號圖片的樣本參數，生成馬爾可夫決策過程四元組；

在Prioritized Replay DQN中初始化Q-Table；

在Prioritized Replay DQN中實現所述Q-Table。

6.根據權利要求5所述的一種基于經驗回放的車輛型號識別方法，其特征在于，所述在Prioritized Replay DQN中實現所述Q-Table，包括：

采用深度神經網絡作為Q-Table，并預設目標參數；

在Q值中使用2范數來定義目標函數；

計算所述目標參數關于代價函數的梯度；

根據所述梯度，使用隨機梯度下降法得到最優Q值；

根據所述最優Q值對所述深度神經網絡進行循環訓練；

獲取經驗回放數據集，根據所述目標函數，通過梯度反向傳播來更新Q網絡的所有超參數。

7.一種基于經驗回放的車輛型號識別裝置，其特征在于，包括：

獲取模塊，用于獲取原始車輛圖像；所述原始車輛圖像包括車輛型號信息；

數據擴充模塊，用于通過GAN網絡對所述原始車輛圖像進行數據擴充，得到車型樣本數據；

訓練模塊，用于將所述車型樣本數據輸入帶有經驗回放的對抗網絡進行訓練，得到目標模型；

識別模塊，用于根據所述目標模型對獲取的待識別車輛圖像進行識別，確定所述待識別車輛圖像中的車輛型號。