[發(fā)明專利]一種基于隨機(jī)擦除的車型識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210153309.9
• 申請(qǐng)日: 2022-02-18
• 公開（公告）號(hào): CN114821518A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 董琪;胡昌輝
• 申請(qǐng)（專利權(quán)）人: 胡昌輝
• 主分類號(hào): G06V20/58
• 分類號(hào): G06V20/58;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08;B08B1/00;B08B1/04;B08B3/02;B08B11/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于隨機(jī)擦除的車型識(shí)別方法包括以下步驟：S1：將準(zhǔn)備好的車型識(shí)別細(xì)粒度數(shù)據(jù)集按照比例劃分為訓(xùn)練集Tr，驗(yàn)證集v和測(cè)試集te；S2：按照一定比例，用隨機(jī)擦除算法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作，生成訓(xùn)練集tr；S3：本算法采用的車輛特征提取網(wǎng)絡(luò)時(shí)ResNeXt網(wǎng)絡(luò)，將網(wǎng)絡(luò)最后一層全連接層修改為Softmax分類器層；用ImageNet訓(xùn)練后得到的預(yù)處理模型，對(duì)ResNeXt網(wǎng)絡(luò)進(jìn)行初始化，得到ResNeXt權(quán)值的初始值；S4：用隨機(jī)擦除擴(kuò)充后的訓(xùn)練集tr，和驗(yàn)證集v，開始訓(xùn)練ResNeXt網(wǎng)絡(luò)，得到訓(xùn)練后的模型；S5：用測(cè)試集te對(duì)訓(xùn)練好的ResNeXt網(wǎng)絡(luò)模型進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果，微調(diào)訓(xùn)練參數(shù)，確定最優(yōu)的參數(shù)值，得到測(cè)試正確率最高的網(wǎng)絡(luò)模型，即為最終的車型識(shí)別模型。

技術(shù)領(lǐng)域

本發(fā)明涉及車型識(shí)別技術(shù)領(lǐng)域，具體為一種基于隨機(jī)擦除的車型識(shí)別方法。

背景技術(shù)

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)可以應(yīng)用于眾多應(yīng)用領(lǐng)域(例如，智能交通應(yīng)用領(lǐng)域)。車型識(shí)別技術(shù)是一種機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，而且車型識(shí)別技術(shù)在智能交通應(yīng)用領(lǐng)域中有著重要的地位。車型識(shí)別技術(shù)能夠識(shí)別待查詢車輛圖像中車輛的車型信息，使得該識(shí)別出的車型信息能夠作為日常交通管理、調(diào)度和統(tǒng)計(jì)的依據(jù)，如此使得車型識(shí)別技術(shù)具有廣闊的市場(chǎng)前景和研究?jī)r(jià)值。其中，車型信息用于表征車輛所具有的特征信息(例如，車輛外形、顏色、品牌等中的至少一種信息)。然而，現(xiàn)有的一些隨機(jī)擦除的車型，識(shí)別難度系數(shù)大。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明的目的在于提供一種基于隨機(jī)擦除的車型識(shí)別方法。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于隨機(jī)擦除的車型識(shí)別方法，包括以下步驟：

S1：將準(zhǔn)備好的車型識(shí)別細(xì)粒度數(shù)據(jù)集按照比例劃分為訓(xùn)練集Tr，驗(yàn)證集v和測(cè)試集te；

S2：按照一定比例，用隨機(jī)擦除算法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作，生成訓(xùn)練集tr；

S3：本算法采用的車輛特征提取網(wǎng)絡(luò)時(shí)ResNeXt網(wǎng)絡(luò)，將網(wǎng)絡(luò)最后一層全連接層修改為Softmax分類器層；用ImageNet訓(xùn)練后得到的預(yù)處理模型，對(duì)ResNeXt網(wǎng)絡(luò)進(jìn)行初始化，得到ResNeXt權(quán)值的初始值；

S4：用隨機(jī)擦除擴(kuò)充后的訓(xùn)練集tr，和驗(yàn)證集v，開始訓(xùn)練ResNeXt網(wǎng)絡(luò)，得到訓(xùn)練后的模型；

S5：用測(cè)試集te對(duì)訓(xùn)練好的ResNeXt網(wǎng)絡(luò)模型進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果，微調(diào)訓(xùn)練參數(shù)，確定最優(yōu)的參數(shù)值，得到測(cè)試正確率最高的網(wǎng)絡(luò)模型，即為最終的車型識(shí)別模型。

優(yōu)選的，所述步驟S2采用了隨機(jī)擦除的方法對(duì)訓(xùn)練集和驗(yàn)證集進(jìn)行預(yù)處理操作；首先需要確定隨機(jī)擦除的概率p；在預(yù)處理中，對(duì)于每個(gè)批次的圖像I，隨機(jī)擦除的概率是p，圖像保持不變的概率是1-p；對(duì)每張進(jìn)行隨機(jī)擦除的圖像，產(chǎn)生不同大小的隨機(jī)擦除區(qū)域，相當(dāng)于生成不同程度的遮擋；對(duì)于每張車輛圖像來說，當(dāng)圖像的輸出概率大于p，則直接輸出原圖像，否則進(jìn)行隨機(jī)擦除操作；在圖像中，隨機(jī)選擇一個(gè)矩形區(qū)域I_e，橫縱比在規(guī)定的范圍內(nèi)，且矩形邊不能越過圖像邊界；將矩形區(qū)域內(nèi)的像素值擦除或填充為隨機(jī)像素值。

優(yōu)選的，所述隨機(jī)擦除的算法流程包括以下步驟：

步驟1：設(shè)置隨機(jī)擦除概率為p；設(shè)置初始參數(shù)值，輸入圖像的高為H，寬為W，面積為S＝H×W；設(shè)置隨機(jī)初始化矩形區(qū)域面積的比例范圍為(s_l,s_h)；設(shè)置隨機(jī)初始化矩形區(qū)域的高寬比范圍為(r₁,r₂)；

步驟2：輸入圖像I；

步驟3：初始化產(chǎn)生一個(gè)隨機(jī)數(shù)p₁，p₁∈(0,1)；

步驟4：如果p₁≥p，則保留原始圖像I不變，直接作為I^*輸出；