[发明专利]基于共生关系的卷积神经网络的车辆部件识别方法和系统有效

专利信息
申请号: 201910269801.0 申请日: 2019-04-04
公开(公告)号: CN110175622B 公开(公告)日: 2021-10-08
发明(设计)人: 桑农;常勤伟;高常鑫;桑永朋 申请(专利权)人: 华中科技大学
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06K9/00
代理公司: 华中科技大学专利中心 42201 代理人: 李智;曹葆青
地址: 430074 湖北*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 共生 关系 卷积 神经网络 车辆 部件 识别 方法 系统
【说明书】:

发明公开了一种基于共生关系的卷积神经网络的车辆部件识别方法和系统,属于模式识别技术领域。包括:使用车辆部件对训练数据集训练基于共生关系的卷积神经网络,基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成,Concat层用于对输入的图片对进行通道合并;采用训练好的基于共生关系的卷积神经网络,对待测车辆部件对进行识别,得到待测车辆各部件的识别结果。本发明通过Concat层按通道合并图片,后续网络进行卷积操作时,可将两个部件对应的不同通道的信息进行融合,同时提取两张图片的特征,使得共生关系可以被更好地学习到。共生关系的引入添加了额外的信息,变相增加了训练的数据量,提高两类部件的识别准确率。

技术领域

本发明属于模式识别技术领域,更具体地,涉及一种基于共生关系的卷积神经网络的车辆部件识别方法和系统。

背景技术

车辆部件识别是智能交通系统的重要组成部分,需要识别出车灯、后视镜、车标、进气栅和挡风玻璃的子类别,即通过识别车灯、后视镜、车标、挡风玻璃的具体形状,识别出车标的名称。

车辆部件识别算法本质上属于分类算法,分为利用传统机器学习的算法和基于卷积神经网络的算法。基于机器学习的方法分为两步,第一步是提取待识别部件的图像特征,第二步是利用分类器去对提取的特征进行分类,最终得到待识别部件的子类别,常见方法有形态学特征加决策树、切比雪夫不变矩加支撑向量机等。基于卷积神经网络的算法通常是利用VGG、ResNet等网络直接对待识别部件进行分类。

然而上述算法都只关注于单个部件的识别,并未考虑到不同部件之间的联系,导致各类部件的识别准确率不高。

发明内容

针对现有技术的缺陷,本发明的目的在于解决现有技术车辆部件识别方法均未考虑共生关系导致各类部件识别准确率低的技术问题。

为实现上述目的,第一方面,本发明实施例提供了一种基于共生关系的卷积神经网络的车辆部件识别方法,该方法包括以下步骤:

S1.使用车辆部件对训练数据集训练基于共生关系的卷积神经网络,所述基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成,所述Concat层用于对输入的图片对进行通道合并;

S2.采用训练好的基于共生关系的卷积神经网络,对待测车辆部件对进行识别,得到待测车辆各部件的识别结果。

具体地,选取后视镜、车灯、车标、挡风玻璃四类部件作为车辆部件识别对象,将所述四类部件进行两两组合形成部件对,得到6个车辆部件对:后视镜,车灯、后视镜,车标、后视镜,挡风玻璃、车灯,车标、车灯,挡风玻璃、车标,挡风玻璃。

具体地,所述常规卷积神经网络为ResNet或者VGG网络。

具体地,两张n通道图片在经过Concat层后,变成一个通道数为2n的张量。

具体地,互信息用于衡量部件对中两类部件间共生关系的强弱,互信息值越大表明共生关系越强,共生关系越强,车辆部件识别准确率越高。

第二方面,本发明实施例提供了一种基于共生关系的卷积神经网络的车辆部件识别系统,所述车辆部件识别系统采用上述第一方面所述的基于共生关系的卷积神经网络的车辆部件识别方法。

第三方面,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的基于共生关系的卷积神经网络的车辆部件识别方法。

总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学,未经华中科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910269801.0/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code