[发明专利]一种基于特征关联的车辆属性识别方法及系统

权利要求书

1.一种基于特征关联的车辆属性识别方法，其特征在于，包括如下步骤：

获取待检测的图像；

对待检测图像，采用训练好的车辆检测网络对目标车辆进行检测并标定，得到目标车辆区域图像；

针对目标车辆区域图像，采用训练好的车辆属性识别网络对检测到的目标车辆进行属性识别，得到目标车辆的属性信息；

所述车辆检测网络为在RPN结构输出端并列设置与背景区分相关的全连接层和候选区域修正相关的全连接层；车辆属性识别网络在DenseNet结构之上加入多个并行的全连接层。

2.如权利要求1所述的一种基于特征关联的车辆属性识别方法，其特征在于：所述车辆检测网络与车辆属性识别网络相整合，组成端到端的网络结构，车辆检测网络的候选区域输出层连接车辆属性识别网络的输入层。

3.如权利要求1所述的一种基于特征关联的车辆属性识别方法，其特征在于：车辆检测网络的网络结构，车辆属性识别网络包括依次连接的多个级联的卷积层、RPN层和第一全连接层，第一全连接层连接设置有并并列的第二全连接层和第三全连接层，所述第二全连接层用于确定区域内的目标是车辆还是背景，第三全连接层用于对识别的目标车辆区域的边框进行修正，使候选区域尽可能地将整个车辆完全选取；

或者，车辆属性识别网络包括DenseNet网络，以及连接在DenseNet网络输出端的并行全连接层；

或者，车辆的属性信息包括车辆的车型、品牌、姿态以及颜色；

或者，通过车辆属性识别网络得到的车辆属性信息以单热度向量进行表示，单热度向量每一维的值代表车辆所对应的细粒度属性属于对应类别的概率，概率最高的那一类别即为车辆在该属性下的分析结果。

4.如权利要求1所述的一种基于特征关联的车辆属性识别方法，其特征在于：

车辆检测网络的损失函数包括：用于区分车辆与背景的损失函数以及用于修正候选区域定位的损失函数；

或者，车辆属性识别网络的损失函数为：

车辆各属性对应的损失函数按照设定的权重的加权和除以权重的加权和的商；其中，车辆各属性的损失函数采用softmax进行计算。

5.如权利要求1所述的一种基于特征关联的车辆属性识别方法，其特征在于：获取待检测的图像后，包括对对获取的待检测图像进行预处理的步骤：将图像缩放至统一的大小，并采用多层卷积层进行特征提速获得多个特征图像。

6.如权利要求1所述的一种基于特征关联的车辆属性识别方法，其特征在于：

对车辆检测网络和车辆属性识别网络进行训练的过程，包括：

获取车辆图像构建训练集，并标定每个车辆的坐标信息和车辆属性；

使用标定后的车辆数据集训练车辆检测网络，损失函数包括用于区分车辆与背景的损失函数以及用于修正候选区域定位的损失函数；

使用标定后的车辆数据集训练车辆属性识别网络，车辆属性识别损失函数由车辆各个细粒度的属性所对应的损失函数组成。