[发明专利]基于深度学习的复杂环境背景下车辆型号识别方法

权利要求书

1.一种基于深度学习的复杂环境背景下车辆型号识别方法，其特征在于，具体方法包括如下步骤：

步骤1，图像预处理

采用ZCA白化对训练样本图像进行预处理，步骤如下：

步骤11，对于含有m个训练样本的图像数据集{x⁽¹⁾，x⁽²⁾，...，x^(m)}进行亮度和对比度的归一化处理后，计算其协方差矩阵∑。

步骤12，对训练样本的协方差矩阵∑进行SVD奇异值分解，得到特征向量矩阵U，通过计算U^Tx得到数据集经过旋转后的结果x_rot。

步骤13，基于x_rot对数据集进行PCA白化，得到x_PCAwhite，i。

步骤14，将x_PCAwhite，i左乘特征向量矩阵U，得到训练样本的ZCA白化结果x_ZCAwhite。

步骤2，低层次特征学习

基于ZCA白化处理后的训练样本图像x_ZCAwhite，采用spherical k-means算法进行低层次特征学习，步骤如下：

步骤21，构建一组向量码本D∈R^n×k，对预处理后的训练样本进行重构，通过最小化重构误差，使训练样本通过该码本映射为一个k维的码矢量s⁽ⁱ⁾，s⁽ⁱ⁾可视为在码本上的编码，D^(j)为码本D的第j列，重构目标函数满足：

s⁽ⁱ⁾的优化求解按如下公式计算：

然后固定s⁽ⁱ⁾，通过重整列向量求解码本D。

步骤22，利用学习到的码本D对新的训练样本图像进行特征提取。首先按照步骤1所述图像预处理方法做ZCA白化，然后采用软阈值非线性函数映射到特征空间R^k，得到训练样本图像的特征图，计算公式如下：

f(x；D，α)＝max(0，D^Tx-α)

上式中α为可调常数。

步骤23，对步骤22所得特征图做均值池化处理。

步骤3，卷积网络及分类器训练

步骤31，在k-means特征提取层和均值池化层之后，构建一个卷积层和一个均值池化层，该卷积层的每一个输出均与上一层的所有输出相关联。首先随机初始化网络参数，然后根据网络参数初始化卷积层的卷积核，进行迭代直到收敛。

步骤32，将步骤23所得特征图输入步骤31所得卷积层做进一步特征提取。

步骤33，对步骤32所得特征图做均值池化处理。

步骤34，在卷积层之后连接L₂-SVM分类器。将步骤33所得特征图输入分类器，计算分类误差，反向传播，通过减小L₂-SVM分类误差来优化卷积层。对于已知样本x_i，标签y_i，L₂-SVM分类优化目标函数如下：

subject to y_i(w^Tx_i+b)≥1-ε_i

andε_i≥0

上式中w为权重矩阵，b为偏置向量，C为惩罚系数，ε_i为松弛变量。反向传播时按照链式法则逐层求出目标函数对每个网络参数的偏导，根据梯度下降算法，调整w和b的值，使误差逐渐减小。

步骤4，车辆型号识别

步骤41，按照步骤1所述方法，对待识别车辆图像做ZGA白化处理。

步骤42，利用步骤21所得码本D以及步骤22所述映射函数，对处理后的图像进行特征提取，得到低层次特征图，并对其做均值池化处理。

步骤43，将经均值池化处理的低层次特征图输入步骤3所得卷积层，进行进一步特征提取，并对其做均值池化处理，得到最终特征图。

步骤44，将最终特征图输入步骤3所得SVM分类器，得到分类结果。