[发明专利]基于深度学习的车辆品牌型号细粒度分类系统及方法

权利要求书

1.一种基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，该系统包括，

车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；

车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。

2.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述车辆检测模块的工作过程如下：

S101、获取安防场景下车辆图像数据；

S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；

S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。

3.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S101中的车辆图像数据包括轿车、卡车及公交车。

4.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S102中的目标检测模型采用yolov3、SSD、faster-rcnn中一种。

5.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述车辆品牌型号细粒度分类模块的工作过程具体如下：

S201、将目标车辆图像进行预处理；

S202、获取特征向量；

S203、确定为车辆品牌型号细粒度分类输出类别；

S204、获取车辆真实的型号信息。

6.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S201中将目标车辆图像进行预处理具体如下：

S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；

S20102、将图像放缩到统一大小；

S20103、归一化处理，使其符合网络输入标准：公式如下：

其中，X表示归一化前图像像素值矩阵；X′表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值；σ表示imagenet数据集的标准差值。

7.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S202中获取特征向量具体如下：

S20201、以CNN作为骨干网络，附加数个注意力卷积模块，搭建车辆品牌型号细粒度分类网络；其中，骨干网络作为车辆整体特征提取器，注意力卷积模块关注车辆局部细节特征；CNN包括resnte50及inceptionV3；

S20202、在学习车辆图像整体特征的基础上，进一步学习车辆的局部细节特征；其中，车辆的局部细节特征包括车灯形状及车标形状；

S20203、将整体特征和局部特征融合，输出特征向量。

8.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类系统，其特征在于，所述步骤S203中确定为车辆品牌型号细粒度分类输出类别具体如下：

S20301、将步骤S201预处理后的目标车辆图像输入步骤S202搭建的车辆品牌型号细粒度分类网络中，得到车辆图像的特征向量；

S20302、将特征向量输入分类器，输出维度与车辆品牌型号细粒度类别数量相同的类别概率向量，选择概率最大值对应的类别，确定为车辆品牌型号细粒度分类输出类别。