[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

说明书

本发明公开了一种基于深度学习的车辆品牌型号细粒度分类系统及方法，属于计算机视觉中的目标精细分类领域，本发明要解决的技术问题为安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢，采用的技术方案为：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。

技术领域

本发明涉及计算机视觉中的目标精细分类领域，具体地说是一种基于深度学习的车辆品牌型号细粒度分类系统及方法。

背景技术

近些年，随着计算机硬件的快速更新迭代，依托计算力的深度学习技术发展迅猛，并应用在实际生活中，例如停车场、小区入口随处可见的车牌识别机器，可以实现车辆自动登记、停车计时收费等操作。但针对套牌车、嫌疑车辆等，仅仅依靠车牌信息是远远不够的，还需要掌握车辆一些具体信息，如车辆的品牌、型号、生产年份、款式信息等，实现提取这些信息的任务被称为车辆品牌型号细粒度分类。目前，车辆品牌型号细粒度领域研究很多，且性能都有较大的提升。

专利号为CN109948610A的专利文献公开了一种基于深度学习的视频中车辆细粒度分类方法，将车辆外观特征分为不同的显著性等级；将图像分割为相同大小的子图像块，建立卷积神经网络将切割后的子图像块分类；通过提取特征向量的基础网络提取特征图，得到特征向量，并连接到对应分类类别数目的全连接层；将每一张子图的一级特征向量加权平均，得到二级特征向量；将二级特征向量采用加权投票机制得到三级特征向量；建立品牌分类器，每个品牌下建立型号分类器，每个型号下建立年份分类器；将车辆按照品牌-车型-年份进行逐层检测得到最终的车型分类结果。该技术方案将复杂的车牌定位问题转化成分类问题，并将分类问题简单细化，但是存在不足之处，具体如下：

①针对视频中一帧图像存在多辆车时，不能很好的工作；

②操作步骤繁琐，识别效率较低。

虽然，车辆品牌型号细粒度分类技术得到了极大的发展，但依旧面临着诸多挑战，尤其是在安防场景下，待解决的问题更复杂多样，主要如下：

①安防视频或图像存在多辆车的现象，现有的专利无法有效解决每个车辆品牌型号的精细识别；

②车辆品牌型号细粒度分类领域存在着类内差异大于类间差异的问题，采用常见的卷积神经网络(如resnet、vgg、alexnet等)已经无法满足需求；

③现有的专利方法操作步骤繁琐，不能实现端到端的推理操作，识别效率较低；

④安防视频或图像，极易出现质量模糊、过亮过暗等现象，导致车辆品牌型号识别精度降低的问题。

发明内容

本发明的技术任务是提供一种基于深度学习的车辆品牌型号细粒度分类系统及方法，来解决安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢的问题。

本发明的技术任务是按以下方式实现的，一种基于深度学习的车辆品牌型号细粒度分类系统，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。

作为优选，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；