[发明专利]一种基于多尺度的车型识别算法

说明书

本发明提出了一种基于多尺度的车型识别算法，包括：S1、将原图输入至ResNet50网络中进行卷积池化，对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。本发明具体提高车型识别精度的效果。

技术领域

本发明涉及计算机视觉的技术领域，具体涉及一种基于多尺度的车型 识别算法。

背景技术

目前的车型识别主要是采用的方式是分类和检索，分类的方法常常受到 样本不均衡等问题影响，导致在某一类车型数据集上过拟合。检索的方式和 车辆(行人)再识别方式是一样的，在训练过程中以分类任务为主，测试过 程中移除网络的分类层，来提取车型的特征信息进行匹配。然而，目前的方 法却忽略了车型识别和行人再识别的不同之处，行人再识别可能更多需要 依靠的是高层的语义信息，而车型识别需要依靠的是外观轮廓信息。虽然高 层的语义信息对分类任务、识别任务起到重要的重要，但是车型识别中应该 特别注重外观轮廓信息的学习，这些信息主要由低层的残差卷积块获得，对 低层的信息进行学习，能获取局部的细粒度特征。

基于这样的考虑，本发明提出了一种基于多尺度的车型识别算法，该算 法构建了基于多尺度的车辆识别框架，利用该框架从一系列的局部区域中 提取特征，从而提高车型识别精度。

发明内容

为了解决现有技术中的车型识别方法识别精度较低的技术问题，本发 明提出了一种基于多尺度的车型识别算法，用于解决上述技术问题。

本申请提出了一种基于多尺度的车型识别算法，包括：

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。

通过上述技术方案，构建了包括两个分支的车型识别框架，其中一个分 支以原图作为输入，另一个分支以移除背景后的前景图像作为输入，该框架 从一系列的局部区域中提取特征，通过高分辨率到低分辨率的并行卷积，通 过HRNet网络进行并行连接高分辨率到低分辨率卷积来保持高分辨率的表 示，并通过重复并行卷积执行多尺度融合来增强高分辨率表示，从而提升车 辆局部特征的判别能力，同时，利用前景分割算法来滤除背景杂波，增强模 型在真实场景应用的泛化性。相比ResNet50网络75％的性能，本发明的性 能可以达到82％+的Top-1。

优选的，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。