[发明专利]一种基于多尺度约束的细粒度车辆图像检索的方法及装置

权利要求书

1.一种基于多尺度约束的细粒度车辆图像检索方法，其特征在于，包括：

对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；

基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；

采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；

将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。

2.根据权利要求1所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，在所述对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集步骤之前，所述方法还包括：

构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；

采用ImageNet数据集对所述细粒度神经网络模型进行预训练。

3.根据权利要求2所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，所述基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理的步骤，包括：

根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；

采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。

4.根据权利要求1所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，所述采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值的步骤，包括：

所述第三训练数据集中的图像输入细粒度神经网络模型，通过所述细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；

将所述n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个掩映图；

采用双三次插值的方法调整所述掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；

选取所述掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。

5.一种基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，包括：

第一获取模块，用于对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；

处理模块，用于基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；

训练模块，用于采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；

识别模块，用于将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。

6.根据权利要求5所述的基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，所述装置还包括：

模型构建模块，用于构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；

预训练模块，用于采用ImageNet数据集对所述细粒度神经网络模型进行预训练。

7.根据权利要求5所述的基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，所述处理模块包括：

包围盒约束模块，用于根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；

海伦约束模块，用于采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。