[发明专利]一种卷积神经网络生成方法、车系识别方法及计算设备

说明书

本发明公开了一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法、车系识别方法及计算设备，卷积神经网络生成方法包括：分别构建包括一个或多个卷积层和最大池化层的第一处理块、第三处理块和第五处理块；分别构建包括一个或多个卷积层、第一全局平均池化层、全连接层和激活层的第二处理块、第四处理块和第六处理块；根据一个或多个第一处理块、第二处理块、第三处理块、第四处理块、第五处理块和第六处理块，结合第二全局平均池化层、第一分类器、第二分类器和第三分类器构建卷积神经网络；根据车辆图像数据集合对卷积神经网络进行训练，以便第一分类器、第二分类器和第三分类器的输出分别指示车辆所对应的车系、品牌和级别。

技术领域

本发明涉及图像处理技术领域，特别涉及一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法、车系识别方法及计算设备。

背景技术

随着科技与经济的飞速发展，市面上车系的类型越来越丰富，比如常见的奥迪A4L、宝马3系等，但在现实生活中，还会经常遇见对其车系不认识或不了解的车辆。为了能够识别出这些车辆的车系，通常是先获取待识别车系的车辆图片，再通过一些人工提取特征的算法，比如SIFT(Scale-Invariant Feature Transform，尺度不变特征变换)、HOG(Histogram of Oriented Gradient，方向梯度直方图)等，将车辆图片的像素值转化为固定维数的特征向量，再使用SVM(Support Vector Machine，支持向量机)、KNN(K-NearestNeighbor，最邻近结点)等分类器对上述特征向量进行分类，根据分类结果确定车辆图片中车辆所对应的车系。

然而，车系识别属于细粒度识别，人工设计的特征太过单一，导致提取的特征不足以刻画和区分物体，识别准确率低，无法满足实际应用需求，进而，以CNN(ConvolutionalNeural Network，卷积神经网络)为基础的车系识别方法应运而生。该类方法先利用车辆训练数据集训练好用于车系识别的CNN模型，将待识别车系的车辆图片输入到该CNN模型中，预测出每一种车系的概率值，取最大的概率值所对应的车系作为识别结果。但是，由于使用的车辆训练数据集较小，只覆盖了市面上的少部分车系，若覆盖所有车系，识别准确率将大大降低，而且所使用的CNN模型较为简单，未利用车辆品牌、级别等监督信息进行训练，导致识别率难以提高。

发明内容

为此，本发明提供一种用于对图像中的车辆进行车系识别的卷积神经网络生成方案，并提出了基于该卷积神经网络的车系识别方案，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种用于对图像中的车辆进行车系识别的卷积神经网络生成方法，适于在计算设备中执行，该方法包括如下步骤：首先，分别构建第一处理块、第三处理块和第五处理块，第一处理块、第三处理块和第五处理块均包括一个或多个卷积层和最大池化层；分别构建第二处理块、第四处理块和第六处理块，第二处理块、第四处理块和第六处理块均包括一个或多个卷积层、第一全局平均池化层、全连接层和激活层；分别构建第二全局平均池化层、第一分类器、第二分类器和第三分类器；根据一个或多个第一处理块、第二处理块、第三处理块、第四处理块、第五处理块和第六处理块，结合第二全局平均池化层、第一分类器、第二分类器和第三分类器构建卷积神经网络，卷积神经网络以第一处理块为输入，以第一分类器、第二分类器和第三分类器为输出；根据预先获取的车辆图像数据集合对卷积神经网络进行训练，以便第一分类器、第二分类器和第三分类器的输出分别指示车辆所对应的车系、品牌和级别，车辆图像数据集合包括多个车辆图像信息，每个车辆图像信息包括车辆图像和对应图像中车辆的车系信息、品牌信息和级别信息。

可选地，在根据本发明的用于对图像中的车辆进行车系识别的卷积神经网络生成方法中，分别构建第一处理块、第三处理块和第五处理块的步骤包括：分别按照预设的第一连接规则、第三连接规则和第五连接规则，将各卷积层和最大池化层进行相连以相应形成第一处理块、第三处理块和第五处理块。