[发明专利]一种车辆后拍图像品牌训练方法

说明书

本发明提出一种新的基于三元损失函数与对抗噪声融合的车辆后拍图像的品牌训练方法，该方法在进行车辆特征提取时，考虑到了相同类别与不同类别间车辆类别表征在度量空间中距离上的关系，训练学习得到车辆的表征，再通过对抗噪声融合技术将噪声与提取到的车辆表征相结合，训练识别模型的分类器，以此得到鲁棒的车辆后拍图像的品牌识别模型。

技术领域

本发明属于图像识别技术领域，具体地说，涉及一种车辆后拍图像品牌训练方法。

背景技术

车辆作为一种重要的交通工具，与人们的生活息息相关。随着现代汽车生产技术的发展，越来越多的汽车出现在人们的日常生活中。在智慧交通的构建中，监控摄像机往往只能拍摄到车辆的前拍或后拍图像。而相比与前拍图像，车辆后拍图像在道路监控摄像机中出现的更多。但是，车辆的后拍图像往往相似度更高，不同类别之间的差异更小，不同类型的车辆只在车灯等的位置上有细微的差异。因此，经常需要相关领域的专家来识别车辆的细粒度。但是通过专家辨认全部车辆的品牌是耗时且不可实现的，因此亟需一种自动化的针对车辆后拍图像的品牌识别方法，这不仅是满足现代智能化交通的构建需要，同时也能推动智慧城市的发展。由于实际的需求，如何设计一种自动的汽车微粒分类方法一直是研究者的研究方向。这是一个非常具有挑战性的问题，因为识别模型需要捕获类别或实例之间的细微视觉差异，而这些差异很容易被其他因素(例如视点，照明或场景)掩盖。近年来，随着研究的深入、大型公共图像数据集的发布以及高性能计算系统的出现，训练具有大量参数的深度神经网络成为可能，而卷积神经网络(CNN)由于其优秀的特征提取能力，成为视觉领域经典方法之一，在许多视觉任务上已经取得了突破性进展，因此如何使用CNN解决根据车辆后拍图像判定车辆细粒度类别成为当前研究的热点。

现有的车辆细粒度分类的方法流程图如图1所示：

车辆的细粒度分类是指，从包含车辆的输入图像能够正确识别出车辆的品牌，车系及设计年限等信息。高性能的车辆细粒度识别方法能够通过图片上车辆某部分的微小特征进行正确的识别，而不需要领域专家的协助，在城市交通建设，公共安全防护等领域起到重要作用。

现有的细粒度车辆分类方法通常基于深度学习，而基于深度学习的方法由两部分组成：训练阶段和测试阶段。

1、对于训练阶段，基本流程可以概括为：

基本特征提取：将需要分类的图片通常先通过CNNs进行基本特征提取，获得输入图片数据的特征图。

分类器分类：将提取到的特征输入到分类器中，分类器输出图片中包含的车辆的细粒度类别

计算损失函数：将分类器的输出的类别与图像中包含车辆的正确类别进行对比，通过预先设定的损失函数计算出损失(loss)

反向传播：反向传播算法，将loss传递到模型中的每个参数，计算出每个参数的梯度，再通过梯度下降的方法对参数进行优化

对于测试阶段(推理阶段)，只需要进行训练阶段的1)基本特征提取；和2)分类器分类即可，不需要损失函数的计算和反向传播。

现有技术缺点：

1、没有考虑到对提取到的特征进行监督。传统的车辆识别方法，只在分类器上直接添加监督信息，没有考虑到对提取到的特征进行监督信息的添加，这样就造成卷积神经网络提取到的特征并不能完全关注于车辆本身，还有可能关注于背景信息，这就导致了提取到的特征并不完善，不能作为车辆的类别表征。

2、提取到的特征只适用于训练过的类别。传统方法只添加了类别监督信息，造成了提取的特征只对训练过的类别有效，对于没有训练过的类别效果会变差，但是车辆会不断的出现新的品牌，这就造成现有的方法不能很好的适用于新的车辆品牌。

发明内容

本发明针对上述现有技术中存在的问题，提出了一种车辆后拍图像品牌训练方法。

本发明通过以下技术方案实现：