[發(fā)明專利]一種細(xì)粒度車型識(shí)別方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110476208.0
• 申請(qǐng)日: 2021-04-29
• 公開（公告）號(hào): CN113191431A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 馮先成;張鑫宇;夏婉玉
• 申請(qǐng)（專利權(quán)）人: 武漢工程大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/00
• 代理公司: 北京輕創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 11212
• 代理人: 吳佳

本發(fā)明涉及一種細(xì)粒度車型識(shí)別方法、裝置及存儲(chǔ)介質(zhì)，其方法包括導(dǎo)入多組原始類別數(shù)據(jù)集；對(duì)每個(gè)原始圖像進(jìn)行預(yù)處理，得到與所述原始圖像對(duì)應(yīng)的樣本圖像；對(duì)每組待擴(kuò)充的樣本圖像集進(jìn)行數(shù)據(jù)增強(qiáng)處理；獲取圖像屬性，并基于K?Means算法和所述圖像屬性分別計(jì)算每組樣本圖像集的聚類中心；將每組訓(xùn)練數(shù)據(jù)輸入到待訓(xùn)練模型中進(jìn)行訓(xùn)練，得到訓(xùn)練模型；將所述樣本圖像輸入所述訓(xùn)練模型中進(jìn)行識(shí)別，得到車型的識(shí)別結(jié)果。通過預(yù)處理、數(shù)據(jù)增強(qiáng)的方式擴(kuò)充數(shù)據(jù)，解決樣本分布不均的問題，基于K?Means聚類算法和所述圖像屬性聚類采樣，可解決因車型的特征差異小、圖像樣本質(zhì)量低而無法識(shí)別的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺和人工智能技術(shù)領(lǐng)域，特別是涉及一種細(xì)粒度車型識(shí)別方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著智能生活的迅速發(fā)展，智能交通的各方面應(yīng)用也慢慢滲透到人們的日常生活中。車型識(shí)別，在高速路口、停車場、路面監(jiān)控等場景中，車型識(shí)別有著廣泛的應(yīng)用。細(xì)粒度車型識(shí)別，作為智能交通系統(tǒng)的重要組成部分，也是計(jì)算機(jī)視覺領(lǐng)域重要的研究課題。

目前細(xì)粒度車型識(shí)別普遍使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)技術(shù)來識(shí)別車型，由于深度學(xué)習(xí)是通過端到端的數(shù)據(jù)驅(qū)動(dòng)，因此容易受車輛類別的樣本數(shù)量不均、各車型的特征差異小、受環(huán)境影響樣本質(zhì)量低等因素的影響，造成識(shí)別難度大，車型識(shí)別錯(cuò)誤的問題。

針對(duì)圖像樣本數(shù)量不均的問題，現(xiàn)有技術(shù)是通過對(duì)多樣本類別進(jìn)行欠采樣，對(duì)少樣本類別進(jìn)行數(shù)據(jù)擴(kuò)充或過采樣來達(dá)到各車型類別樣本的平衡，但其生成的樣本真實(shí)性較差；針對(duì)各車型的特征差異小、圖像樣本質(zhì)量低的問題，現(xiàn)有的單一的數(shù)據(jù)增強(qiáng)方法生成的樣本之間差異性較小，混合多種數(shù)據(jù)增強(qiáng)使用容易放大噪點(diǎn)，無法同時(shí)很好的自適應(yīng)處理多種復(fù)雜環(huán)境下的樣本。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種細(xì)粒度車型識(shí)別方法、裝置及存儲(chǔ)介質(zhì)，通過預(yù)處理、數(shù)據(jù)增強(qiáng)的方式擴(kuò)充數(shù)據(jù)，解決樣本分布不均的問題，基于K-Means聚類算法和所述圖像屬性聚類采樣，解決因車型的特征差異小、圖像樣本質(zhì)量低而無法識(shí)別的問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下，一種細(xì)粒度車型識(shí)別方法，包括如下步驟：

導(dǎo)入多組原始類別數(shù)據(jù)集，每組所述原始類別數(shù)據(jù)集包括與車型對(duì)應(yīng)的多個(gè)原始圖像；

對(duì)每個(gè)所述原始圖像進(jìn)行預(yù)處理，得到與所述原始圖像對(duì)應(yīng)的樣本圖像，并根據(jù)所有的所述樣本圖像得到多組樣本圖像集，其中，每組所述樣本圖像集中包括同一車型對(duì)應(yīng)的多個(gè)樣本圖像；

根據(jù)預(yù)設(shè)K值從多個(gè)所述樣本圖像集中確定待擴(kuò)充的樣本圖像集，并對(duì)每組待擴(kuò)充的樣本圖像集進(jìn)行數(shù)據(jù)增強(qiáng)處理，得到擴(kuò)充的樣本圖像集；

從未擴(kuò)充的樣本圖像集和已擴(kuò)充的樣本圖像集中獲取圖像屬性，并基于K-Means聚類算法和所述圖像屬性分別計(jì)算每組未擴(kuò)充的樣本圖像集和已擴(kuò)充的樣本圖像集的聚類中心，得到與每個(gè)車型類別對(duì)應(yīng)的采樣樣本集；

將每組訓(xùn)練數(shù)據(jù)輸入到待訓(xùn)練模型中進(jìn)行訓(xùn)練，得到訓(xùn)練模型，其中，每組所述訓(xùn)練數(shù)據(jù)包括每個(gè)車型對(duì)應(yīng)的所述采樣樣本集與所述樣本圖像集；

將所述樣本圖像輸入所述訓(xùn)練模型中進(jìn)行識(shí)別，得到車型的識(shí)別結(jié)果。

本發(fā)明的有益效果是：通過對(duì)原始圖像樣本進(jìn)行預(yù)處理及圖像增強(qiáng)，使樣本圖像不同程度地優(yōu)化與弱化，擴(kuò)充了樣本圖像數(shù)量，解決了樣本數(shù)量不均的問題，同時(shí)得到高質(zhì)量、多樣化的樣本圖像，經(jīng)過K-Means聚類算法采樣訓(xùn)練，可訓(xùn)練出識(shí)別率更高、泛化能力更強(qiáng)的模型，解決了車型的特征差異小、圖像樣本質(zhì)量低的問題，提高車型細(xì)粒度識(shí)別的精度。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)：

進(jìn)一步，所述對(duì)每個(gè)所述原始圖像進(jìn)行預(yù)處理,得到與所述原始圖像對(duì)應(yīng)的樣本圖像，包括：