[发明专利]基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质

权利要求书

1.一种基于SPP-YOLOv3的车型识别方法，其特征在于，所述方法包括：

通过SpineNet网络模型对待识别车辆图像进行特征提取处理，获取所述待识别车辆图像的车辆特征；

通过SPP层对所述车辆特征进行池化处理，获取固定尺寸的车辆特征；

对所述固定尺寸的车辆特征进行特征尺度扩展处理，获取多种尺度的车辆特征；

通过预先获取的候选区域框对所述多种尺度的车辆特征进行车辆检测与识别，获取每种尺度的车辆特征的预测车辆位置以及预测车辆类型；

对所述预测车辆位置以及所述预测车辆类型进行映射处理，获取车辆位置和车辆类型。

2.如权利要求1所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述通过SpineNet网络模型对待识别车辆图像进行处理，获取所述待识别车辆图像的车辆特征之前，包括如下步骤：

通过Image模型对原始图片进行预处理，以得到待识别车辆图像，其中，所述预处理包括：随机裁剪、随机缩放、随机水平翻转、以及随机颜色抖动处理。

3.如权利要求1所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述通过SpineNet网络模型对待识别车辆图像进行处理，获取所述待识别车辆图像的车辆特征，包括如下步骤：

对所述待识别车辆图像进行第一卷积处理、最大池化处理、重采样处理和第二卷积处理后获取所述待识别车辆图像的车辆特征；其中，

所述第一卷积处理包括卷积、批归一化和采用Swish激活函数进行处理；所述第二卷积处理包括卷积、批归一化和利用Relu激活函数进行处理；

其中，所述批归一化处理采用的公式为：

其中，BN表示神经网络中每个隐层神经元的激活值，X表示激活输入值，γ、β分别表示训练参数，μ表示平均值，σ表示标准差。

4.如权利要求1所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述通过SPP层对所述车辆特征进行处理，获取固定尺寸的车辆特征，包括如下步骤：

对所述车辆特征进行最大池化处理，得到二维的车辆特征；

对所述二维的车辆特征进行降维处理，得到一维的车辆特征；

对所述一维的车辆特征进行拼接处理，得到固定尺寸的车辆特征。

5.如权利要求1所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述对所述固定尺寸的车辆特征进行特征尺度扩展处理，获取多种尺度的车辆特征，包括如下步骤：

对所述固定尺寸的车辆特征多次进行第三卷积处理、卷积处理、上采样以及特征拼接处理，获取多种尺度的车辆特征；其中，所述第三卷积处理包括卷积、批归一化和采用LeakyRelu激活函数处理。

6.如权利要求1所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述通过预先获取的候选区域框对所述多种尺度的车辆特征进行车辆检测与识别，获取每种尺度的车辆特征的预测车辆位置以及预测车辆类型，包括如下步骤：

通过k-means算法聚类获取多个候选区域框；

通过所述多个候选区域框分别对所述多种尺度的车辆特征进行车辆检测与识别，获取每种尺度的车辆特征的预测车辆位置以及预测车辆类型。

7.如权利要求6所述的基于SPP-YOLOv3的车型识别方法，其特征在于，所述通过k-means算法聚类获取候选区域框采用的公式如下：

distance＝1-GIOU

其中，distance表示两个候选区域框的距离；

GIOU表示两个候选区域框的度量；

IOU表示两个候选区域框的交并比；

I表示两个候选区域框的交集面积；

U表示两个候选区域框的并集面积；

C表示两个候选区域框的最小包围框面积。