[发明专利]一种用于精细化识别车辆属性的深度神经网络及训练方法

说明书

本发明公开了一种用于精细化识别车辆属性的深度神经网络及训练方法，该网络包括：深度残差网络，用于对输入的图片进行特征提取，得到特征图；特征迁移层，包括多个特征迁移单元，用于针对各属性识别任务迁移共享的特征，使之适应于特定的任务；多个全连接层，对应各属性识别任务分支，连接于特征迁移层，以得到对应各属性识别任务的特征向量；多个损失计算单元，对应各属性识别任务分支，分别连接各全连接层，用于使用交叉熵作为多分类器的损失函数计算损失；多个参数更新单元，对应于各属性识别任务，连接各损失计算单元，通过随机梯度下降优化算法回传损失，更新参数，本发明实现了只用一个神经网络就能同时识别多种精细化的车辆属性的目的。

技术领域

本发明涉及计算机视觉与模式识别技术领域，特别是涉及一种用于精细化识别车辆属性的深度神经网络及其训练方法。

背景技术

车辆精细化属性识别技术是智能交通安防领域的一项基本技术，识别车辆属性可以提高计算机对目标车辆的理解，有助于解决一些更难的交通安防领域问题，比如车辆自动检索，车辆重识别。

车辆属性识别是计算机视觉与模式识别中的一个经典问题，识别的车辆属性一般有车辆的颜色、车辆的类型、车辆的品牌厂商等，技术应用的场景一般在道路摄像中，识别过往车辆的精细化属性，对车辆分类标签化。解决这类问题的关键技术是图像识别分类算法，其难点在于光照、尺度、遮挡对识别精度的影响。

早期采用的车辆属性识别技术以手工特征加上机器学习分类器为主，效果比较好的有采用尺度不变特征(SIFT特征)，方向梯度直方图特征(HOG)作为手工特征，用视角词袋框架和支持向量机(SVM)来解决车辆属性分类问题，分别对不同的属性分别建模。后来大家广泛采用深度学习来解决图像分类问题，通过大数据和强大的计算力，用随机梯度下降的优化算法优化网络上千万的参数，让网络很好地提取到车辆的特征，区别于传统方法的是深度网络输出的特征可学，最终通过学习出来的特征要远优于手工特征，这样再用分类器进行分类，效果要比传统的手工特征加上分类器的做法好。深度学习的方法具有很强的学习能力，只要训练数据涉及各类复杂场景(光照、尺度、遮挡)，那模型便能在这些复杂的场景表现出优异的性能。

公开号为105678275A的中国专利申请揭示了一种车辆识别方法，其先对图片数据预处理，计算全部图片的平均向量，再计算出每个训练样本图片所构成向量与所述平均向量的差值；然后计算所述训练样本图片的协方差矩阵，根据所述协方差矩阵求出特征向量和特征值并按序排列，用主成分分析法(PCA)提取特征向量，最后用一个BP神经网络作为分类器。公开号为105787466A的中国专利申请揭示了一种车辆类型的精细识别方法及系统，其对获取的原始车辆图像进行灰度化和标准化处理；计算标准化图像每个像素点的梯度和方向；根据计算的梯度和方向对标准化图像进行方向梯度直方图特征提取和局部线性约束编码，得到标准化图像的编码向量；根据得到的编码向量采用权值空间金字塔对局部线性约束编码后的标准化图像进行处理，得到车辆图像的最终表达向量，最后用一个SVM对这个特征向量进行车类型分类。

公开号为102737221B的中国专利申请提供了一种车辆颜色的识别方法及装置，其根据图像的纹理和结构信息定位车辆颜色识别的参考区域，之后再进行主识别区域和辅助识别区域的识别，主识别区域和辅助识别区域的结果加权投票得出最终的颜色识别的结果。公开号为103544480A的中国专利申请提供了一种车辆颜色识别方法,其通过对参考区域饱和度等特征参数的统计，首先将车辆分为彩色车和黑白银灰色车；若判定结果为彩色车，分离出彩色区域，并对此区域进行颜色识别；若判定结果为黑白银灰车，则将参考区域分割，通过投票的方法确定车辆的颜色。公开号为106203420A的中国专利申请提供了一种卡口车辆颜色识别方法，其用一个深度卷积神经网络，但并非输入一辆完整的汽车图片，输入是颜色识别感兴趣区域，输出是一条特征向量，再用SVM或者softmax对该向量分类。