[發明專利]基于多模多目標進化優化的車輛圖像分類方法

在審

• 申請號: 202210079740.3
• 申請日: 2022-01-24
• 公開（公告）號: CN114299459A
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 田野;李東旭;張亞杰;張興義
• 申請（專利權）人: 安徽大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06F30/20;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06F111/06
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

本發明公開了一種基于多模多目標進化優化的車輛圖像分類方法，包括：步驟一、獲取帶有類別標簽的車輛圖像樣本并構建訓練數據集；步驟二、定義網絡分類模型結構，包括是正常模塊和降維模塊；步驟三、隨機初始化降維模塊的結構并固定，以搜索令模型性能最優的正常模塊并得到結構確定的正常模塊；步驟四，固定結構確定的正常模塊，以搜索令模型性能最優的降維模塊并得到結構確定的降維模塊；步驟五，由結構確定的正常模塊和降維模塊構成車輛圖像分類模型用于對待分類的車輛圖像樣本數據進行分類。本發明能搜索到性能最優的網絡模塊結構進行集成，集成后的網絡模型能夠快速對車輛圖像進行分類，并提升分類的精度和準確度。

技術領域

本發明涉及圖像分類技術領域，具體的說是一種基于多種群自適應更新的車輛圖像分類方法。

背景技術

最近幾年，我國的經濟一直以較高的速度向前發展，在這樣的經濟背景下全國汽車保有量持續高位增長。但同時也產生很多亟需解決的問題，如城市道路擁堵、汽車通行效率低下、汽車管理費用和交通管理成本增加等等。計算機技術和社會重視智能化的蓬勃發展為解決以上問題提供了新的選擇和方向，圖像識別與目標檢測等技術的發展也進一步促進了自動駕駛技術的進步，推進整個社會生活實現便捷化和智能化。

以往的車輛圖像分類通常包括目標分割，候選區域生成，特征提取，分類器分類等步驟，例如Girshick提出的R-CNN模型，將卷積神經網絡應用到圖像分類領域，之后基于R-CNN改進的Fast R-CNN用于不斷提升分類模型的精度。但是這類算并沒有考慮到在實際的復雜場景下，由于車輛圖像受到光照等環境因素的影響，分類模型對車輛圖像識別的準度和精度會發生明顯的下降，一般的分類網絡并不能達到令人滿意的精度，因此為實際不同場景下的車輛圖像分類任務找到適合的分類模型將會變的非常困難。

發明內容

本發明為克服現有技術的不足之處，提供一種基于多模多目標進化優化的車輛圖像分類方法，以期能夠有效搜索性能最優的網絡模塊結構并集成為圖像分類模型，從而能夠快速對車輛圖像進行分類并提升分類結果的準確度和精度。

本發明為解決上述技術問題采用如下技術方案：

本發明一種基于多模多目標進化的車輛圖像分類方法的特點在于，包括以下步驟：

步驟1、數據的預處理；

步驟1.1、采集帶有類別標簽的P個車輛圖像樣本，并對P個車輛圖像樣本的特征屬性分別進行提取后，得到P個車輛圖像的樣本數據，其中，第p個車輛圖像的樣本數據，記為(X_p,Y_p)，X_p表示第p個車輛圖像樣本的屬性特征，且表示第p個車輛圖像樣本的第i個屬性特征，Y_p表示第p個車輛圖像樣本的類別標簽，m表示特征向量的個數；

步驟1.2、對所述第p個車輛圖像樣本的屬性特征X_p進行標準化處理后，得到第p個車輛樣本圖像的特征向量X′_P＝(μ′₁^p,μ′₂^p，...,μ′_i^p,...,μ′_m^p)，μ_i′^p表示第p個車輛圖像樣本的第i個特征，由X′_p和Y_p組成第p個樣本空間(X′_p,Y_p)，從而得到訓練數據集

步驟2、定義網絡分類模型結構；

所述圖像分類模型結構由兩類模塊構成，分別是正常模塊和降維模塊，所述正常模塊和降維模塊的節點數量相同，且均由輸入層、中間層和輸出層組成；

其中，輸入層有兩個節點，分別用于接收前兩個模塊的輸出，輸入層的兩節點之間無連接，中間層有四個節點，輸出層有一個節點；