[发明专利]一种基于随机擦除的车型识别方法

说明书

本发明公开了一种基于随机擦除的车型识别方法包括以下步骤：S1：将准备好的车型识别细粒度数据集按照比例划分为训练集Tr，验证集v和测试集te；S2：按照一定比例，用随机擦除算法对数据集进行预处理操作，生成训练集tr；S3：本算法采用的车辆特征提取网络时ResNeXt网络，将网络最后一层全连接层修改为Softmax分类器层；用ImageNet训练后得到的预处理模型，对ResNeXt网络进行初始化，得到ResNeXt权值的初始值；S4：用随机擦除扩充后的训练集tr，和验证集v，开始训练ResNeXt网络，得到训练后的模型；S5：用测试集te对训练好的ResNeXt网络模型进行测试，根据测试结果，微调训练参数，确定最优的参数值，得到测试正确率最高的网络模型，即为最终的车型识别模型。

技术领域

本发明涉及车型识别技术领域，具体为一种基于随机擦除的车型识别方法。

背景技术

随着机器学习技术的发展，机器学习技术可以应用于众多应用领域(例如，智能交通应用领域)。车型识别技术是一种机器学习技术的应用，而且车型识别技术在智能交通应用领域中有着重要的地位。车型识别技术能够识别待查询车辆图像中车辆的车型信息，使得该识别出的车型信息能够作为日常交通管理、调度和统计的依据，如此使得车型识别技术具有广阔的市场前景和研究价值。其中，车型信息用于表征车辆所具有的特征信息(例如，车辆外形、颜色、品牌等中的至少一种信息)。然而，现有的一些随机擦除的车型，识别难度系数大。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于随机擦除的车型识别方法。

为实现上述目的，本发明提供如下技术方案：一种基于随机擦除的车型识别方法，包括以下步骤：

S1：将准备好的车型识别细粒度数据集按照比例划分为训练集Tr，验证集v和测试集te；

S2：按照一定比例，用随机擦除算法对数据集进行预处理操作，生成训练集tr；

S3：本算法采用的车辆特征提取网络时ResNeXt网络，将网络最后一层全连接层修改为Softmax分类器层；用ImageNet训练后得到的预处理模型，对ResNeXt网络进行初始化，得到ResNeXt权值的初始值；

S4：用随机擦除扩充后的训练集tr，和验证集v，开始训练ResNeXt网络，得到训练后的模型；

S5：用测试集te对训练好的ResNeXt网络模型进行测试，根据测试结果，微调训练参数，确定最优的参数值，得到测试正确率最高的网络模型，即为最终的车型识别模型。

优选的，所述步骤S2采用了随机擦除的方法对训练集和验证集进行预处理操作；首先需要确定随机擦除的概率p；在预处理中，对于每个批次的图像I，随机擦除的概率是p，图像保持不变的概率是1-p；对每张进行随机擦除的图像，产生不同大小的随机擦除区域，相当于生成不同程度的遮挡；对于每张车辆图像来说，当图像的输出概率大于p，则直接输出原图像，否则进行随机擦除操作；在图像中，随机选择一个矩形区域I_e，横纵比在规定的范围内，且矩形边不能越过图像边界；将矩形区域内的像素值擦除或填充为随机像素值。

优选的，所述随机擦除的算法流程包括以下步骤：

步骤1：设置随机擦除概率为p；设置初始参数值，输入图像的高为H，宽为W，面积为S＝H×W；设置随机初始化矩形区域面积的比例范围为(s_l,s_h)；设置随机初始化矩形区域的高宽比范围为(r₁,r₂)；

步骤2：输入图像I；

步骤3：初始化产生一个随机数p₁，p₁∈(0,1)；

步骤4：如果p₁≥p，则保留原始图像I不变，直接作为I^*输出；