[发明专利]一种自适应样本分布的车辆识别方法及系统

说明书

本发明提出一种自适应样本分布的车辆识别方法及系统，包括：获取包含多种车型类别的车辆图像，并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样，获取采样图像；分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别，并将二者识别结果进行加权处理，获取车辆识别结果；本发明可有效提高整体车型识别的准确率。

技术领域

本发明涉及智慧交通领域，尤其涉及一种自适应样本分布的车辆识别方法及系统。

背景技术

随着国民经济的迅速发展，车辆数量增长给交通监管带来了巨大挑战，智慧交通安防系统被认为是缓解交通压力的一种最为有效的解决方案。而车辆识别技术是智慧交通安防领域的一个重要分支，在众多领域有着广泛的应用前景，如规范交通流量、卡口系统、停车场收费管理以及打击盗窃车辆等。车辆识别技术有助于人们完成交通监控数据的智能分析，进一步推动智慧交通的发展。

车型识别属于车辆识别中的精细识别问题，然而在真实交通情况下，车型类别间的数量分布不均衡，如轿车很多，摩托车和货车相对较少。类别与类别之间的样本数量分布存在极大差异，呈现出长尾分布模式，即少量类别(头部类别)具有大量数据，而大部分类别(尾部类别)仅有少量样本，这就是长尾分布识别问题。当处理这样的视觉数据时，深度学习方法不足以取得优良的识别精度，因为长尾数据分布存在极端的类别不平衡问题，使得分类器训练难以得到很好的识别效果。因此，找到一种高精度，适用于长尾分布车辆数据的的车型识别方法成为了当务之急。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种自适应样本分布的车辆识别方法及系统，主要解决针对长尾分布的数据识别率低的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种自适应样本分布的车辆识别方法，包括：

获取包含多种车型类别的车辆图像，并根据不同车型类别对应的车辆数量设置采样概率对所述车辆图像进行采样，获取采样图像；

分别采用预训练的不同分支网络对所述车辆图像和所述采样图像进行分类识别，并将二者识别结果进行加权处理，获取车辆识别结果。

可选地，获取所述车辆识别结果的过程还包括：

获取所述车辆图像的特征作为第一特征，并对所述第一特征进行分类识别，获取第一分类结果；

获取所述采样图像的特征作为第二特征，并根据所述第一特征和第二特征进行特征筛选，获取采样车辆类型对应车辆的专用特征，并对所述专用特征进行分类识别，获取第二分类结果；

将所述第一分类结果和所述第二分类结果进行加权处理，获取车辆识别结果。

可选地，根据所述每一车辆类型对应的车辆数量在所述车辆图像中车辆总数的占比设置所述采样概率；其中，所述采样概率与所述占比呈反比。

可选地，设用于识别所述车辆图像的分支网络为第一识别网络，用于识别所述采样图像的分支网络为第二识别网络，则所述第一识别网络包括特征层和分类器层；所述第二识别网络包括特征层、分类器层和用于进行特征筛选的特征迁移层；所述特征迁移层分别连接所述第一识别网络的特征层和所述第二识别网络的特征层的输出。

可选地，所述第一识别网络的特征层采用MobileNet-V2网络结构；所述分类器层至少包括两层全连接层，且最后一层全连接层中神经元的数量与车型类别数量相等；所述MobileNet-V2网络结构的最后一层卷积层将提取的特征输入所述分类器层进行分类识别。

可选地，所述特征迁移层由卷积核为1*1的卷积层组成。

可选地，设置自适应参数获取不同分支网络识别结果的权重，根据所述权重进行加权处理。