[发明专利]一种基于多尺度的车型识别算法

权利要求书

1.一种基于多尺度的车型识别算法，其特征在于，包括以下步骤：

S1、将原图输入至ResNet50网络中进行卷积池化，对所述ResNet50网络的最后一个残差卷积块输出的特征信息进行广义均值池化，得到全局特征信息；

S2、对所述原图进行移除背景处理，得到二值化掩膜，将所述二值化掩膜与所述原图相乘得到前景图像；

S3、将所述前景图像输入至所述ResNet50网络的第一个残差卷积块，并将所述ResNet50网络的第一个残差卷积块输出的特征信息输入至HRNet网络中，对所述HRNet网络输出的特征信息进行广义均值池化，得到多尺度特征信息；

S4、对所述全局特征信息和所述多尺度特征信息进行级联得到级联特征，将所述级联特征输入至BN层和分类层，并利用三元组损失函数和交叉熵损失函数进行分类训练，从而识别车型。

2.根据权利要求1所述的方法，其特征在于，所述三元组损失函数的表达式具体为：

其中，P代表不同车型类别的数量，K₀代表每个车型所选择的原图的数量，a表示原图，p表示正样本，n表示负样本，为设定的阈值，d(·,·)定义为欧式距离，batch表示批处理的参数大小。

3.根据权利要求1所述的方法，其特征在于，所述交叉熵损失函数的表达式具体为：

其中，K是车型的类别数，p(k)代表预测属于类别k的概率，q(k)代表真实标签的分布。

4.根据权利要求1所述的方法，其特征在于，所述步骤S1中所述对所述ResNet50网络的最后一个卷积块输出的特征信息进行广义均值池化的表达式具体为：

其中，x代表广义均值池化的输入，K代表ResNet50网络的最后一个卷积块中特征图的个数，f代表广义均值池化的输出，pk为广义均值池化参数。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3中所述将所述前景图像输入至所述ResNet50网络的第一个残差卷积块的表达式具体为：

F_R1＝{B_R1(I_i|(W_R1,b_R1))}

其中，F_R1代表ResNet50网络的第一个残差卷积块输出的特征信息，B_R1代表ResNet50网络的第一个残差卷积块，I_i表示原图，(W_R1，b_R1)代表ResNet50网络的第一个残差卷积块的权重和偏置。

6.根据权利要求5所述的方法，其特征在于，所述步骤S3中所述对所述HRNet网络输出的特征信息进行广义均值池化的表达式具体为：

F＝GeM{B_HRNet(F_R1|(W_HRNet,b_HRNet))}

其中，B_HRNet代表HRNet网络，(W_HRNet，b_HRNet)代表HRNet网络的权重和偏置，GeM表示广义均值池化。

7.根据权利要求1所述的方法，其特征在于，所述HRNet网络通过在高分辨率特征图主网络逐渐并行加入低分辨率特征图子网络，从而在不同网络实现多尺度融合与特征提取，最终输出包含有车辆不同区域的局部外观轮廓信息的特征信息。

8.根据权利要求1所述的方法，其特征在于，所述全局特征信息和所述多尺度特征信息采用对应通道级联。

9.根据权利要求1所述的方法，其特征在于，所述步骤S4中所述识别车型的过程具体包括：去除最后的所述分类层，提取最后的所述级联特征进行相似度计算，从而识别车型。

10.根据权利要求1所述的方法，其特征在于，所述原图通过Mask R-CNN进行背景移除处理。