[发明专利]一种多角度下车型精细识别方法

说明书

本发明公开了一种多角度下车型精细识别方法。针对外界环境因素的影响，本发明采用基于ResNet‑50的SSD车辆目标检测框架对图像中的车辆目标进行检测并定位，降低外界环境因素对车型识别的干扰；针对多视角情况下车辆产生尺度形变的问题，本发明对B‑CNN的不同卷积层的特征进行了多尺度融合，提高特征表达能力，并且引入中心损失，对车辆图像在特征空间内加以约束，有效地引导网络学习使得类内距离小、类间距离大的特征。

技术领域

本发明属于图像分类技术领域，特别涉及了一种车辆图像分类方法。

背景技术

汽车是人类现代文明史上最重大的发明之一，随着我国社会经济的快速发展，人口规模的不断扩大以及城市化进程的加速，我国的汽车保有量也在不断提高。2018年7月6日，公安部交通管理局发布的数据显示，截至6月底，全国机动车保有量达了3.19亿辆，其中私家车保有量达1.8亿辆，并且保持持续快速增长的态势。汽车保有量在不断提高的同时，许多交通问题也随之而来，且日益突出，例如套牌车问题、违法停车问题、违章调头问题、交通拥堵问题等。此外，公安部门在打击有关车辆的违法行动中时，仍然需要使用人力的方式在海量的车辆图片数据库中检索可疑车辆，效率十分低下。为了解决这些问题，需要更加高效、便捷、智能的方式进行交通管理，智能交通系统应运而生。互联网技术、云计算技术及计算机视觉的高速发展同时也促进了智能交通系统的快速发展。

车型精细识别正是智能交通系统的核心技术。所谓的车型精细识别指的是对车辆的品牌、型号、年代的识别，是属于细粒度图像分类的一种。随着人工智能和智能交通系统的发展，车型识别有着越来越多的应用场景。首先，在智慧商业领域，车型精细识别技术可实现保险理赔、汽车美容维修、充电管理、检测验车等过程的智能，提高商业运作的便捷和高效；其次，在智慧停车领域，人车精细化识别技术可实现停车场缴费、无人值守缴费、无感支付、停车位感知、停车场诱导等操作，提高停车场管理效率，降低停车场管理成本。由此可见，对车型的识别已经不局限于单个角度。

目前，多角度下车型识别主要有以下两个难点：

1、在现实场景中，不仅车辆的自身外观复杂多变，再加上不同场景中光照、背景等外界环境因素的影响，进一步增加了车型的识别难度。

2、多视角情况下导致车辆出现一定的尺度变化和形变，很难找到有效且稳定的视觉特征进行准确识别。并且，同一类型的车由于拍摄角度不同，可能出现类内距大于类间距的情况，从而导致车型被误识别。

发明内容

为了解决上述背景技术提出的技术问题，本发明提出了一种多角度下车型精细识别方法。

为了实现上述技术目的，本发明的技术方案为：

一种多角度下车型精细识别方法，包括以下步骤：

(1)建立并训练车辆检测模型；所述车辆检测模型包括ResNet-50网络和SSD目标检测网络，将ResNet-50网络作为SSD目标检测网络的前置网络；

(2)建立并训练多角度下车型分类器；所述多角度下车型分类器采用多尺度B-CNN网络，该多尺度B-CNN网络是将B-CNN网络的子网络B中每一个卷积模块的输出与最后一个卷积模块的输出进行融合；

(3)将测试图像输入训练好的车辆检测模型中，得到车辆检测结果；将车辆检测结果输入训练好的多角度下车型分类器，得到车型识别结果。

进一步地，在步骤(1)中，采用迁移学习的方法对ResNet-50网络进行预训练，并将ImageNet数据集下的权重模型作为车辆检测模型的初始权重模型。

进一步地，在步骤所述(2)中，所述多尺度B-CNN网络的融合过程如下：

(a)将B-CNN网络的子网络B中的Conv1_x、Conv2_x、Conv3_x的输出通过卷积得到长为14，宽为14，通道数为512的张量；