[发明专利]基于多模多目标进化优化的车辆图像分类方法

说明书

本发明公开了一种基于多模多目标进化优化的车辆图像分类方法，包括：步骤一、获取带有类别标签的车辆图像样本并构建训练数据集；步骤二、定义网络分类模型结构，包括是正常模块和降维模块；步骤三、随机初始化降维模块的结构并固定，以搜索令模型性能最优的正常模块并得到结构确定的正常模块；步骤四，固定结构确定的正常模块，以搜索令模型性能最优的降维模块并得到结构确定的降维模块；步骤五，由结构确定的正常模块和降维模块构成车辆图像分类模型用于对待分类的车辆图像样本数据进行分类。本发明能搜索到性能最优的网络模块结构进行集成，集成后的网络模型能够快速对车辆图像进行分类，并提升分类的精度和准确度。

技术领域

本发明涉及图像分类技术领域，具体的说是一种基于多种群自适应更新的车辆图像分类方法。

背景技术

最近几年，我国的经济一直以较高的速度向前发展，在这样的经济背景下全国汽车保有量持续高位增长。但同时也产生很多亟需解决的问题，如城市道路拥堵、汽车通行效率低下、汽车管理费用和交通管理成本增加等等。计算机技术和社会重视智能化的蓬勃发展为解决以上问题提供了新的选择和方向，图像识别与目标检测等技术的发展也进一步促进了自动驾驶技术的进步，推进整个社会生活实现便捷化和智能化。

以往的车辆图像分类通常包括目标分割，候选区域生成，特征提取，分类器分类等步骤，例如Girshick提出的R-CNN模型，将卷积神经网络应用到图像分类领域，之后基于R-CNN改进的Fast R-CNN用于不断提升分类模型的精度。但是这类算并没有考虑到在实际的复杂场景下，由于车辆图像受到光照等环境因素的影响，分类模型对车辆图像识别的准度和精度会发生明显的下降，一般的分类网络并不能达到令人满意的精度，因此为实际不同场景下的车辆图像分类任务找到适合的分类模型将会变的非常困难。

发明内容

本发明为克服现有技术的不足之处，提供一种基于多模多目标进化优化的车辆图像分类方法，以期能够有效搜索性能最优的网络模块结构并集成为图像分类模型，从而能够快速对车辆图像进行分类并提升分类结果的准确度和精度。

本发明为解决上述技术问题采用如下技术方案：

本发明一种基于多模多目标进化的车辆图像分类方法的特点在于，包括以下步骤：

步骤1、数据的预处理；

步骤1.1、采集带有类别标签的P个车辆图像样本，并对P个车辆图像样本的特征属性分别进行提取后，得到P个车辆图像的样本数据，其中，第p个车辆图像的样本数据，记为(X_p,Y_p)，X_p表示第p个车辆图像样本的属性特征，且表示第p个车辆图像样本的第i个属性特征，Y_p表示第p个车辆图像样本的类别标签，m表示特征向量的个数；

步骤1.2、对所述第p个车辆图像样本的属性特征X_p进行标准化处理后，得到第p个车辆样本图像的特征向量X′_P＝(μ′₁^p,μ′₂^p，...,μ′_i^p,...,μ′_m^p)，μ_i′^p表示第p个车辆图像样本的第i个特征，由X′_p和Y_p组成第p个样本空间(X′_p,Y_p)，从而得到训练数据集

步骤2、定义网络分类模型结构；

所述图像分类模型结构由两类模块构成，分别是正常模块和降维模块，所述正常模块和降维模块的节点数量相同，且均由输入层、中间层和输出层组成；

其中，输入层有两个节点，分别用于接收前两个模块的输出，输入层的两节点之间无连接，中间层有四个节点，输出层有一个节点；