[发明专利]基于深度学习的车型识别模型构建方法及车型识别方法

摘要

本发明提出了一种基于深度学习的车型识别模型构建方法，该方法针对车型识别问题，设计了一种深层卷积神经网络结构，联合采用softmax分类损失和利用车型类别的层次化结构构建的基于四元组的排序损失来监督深层卷积神经网络的训练，实现对车型类内差异和类间差异的同时约束，以期学到语义信息更丰富的特征表示和更具有判别力的分类器；为了加快网络收敛，还采用了一种在线困难样本挖掘策略和改进的梯度反传优化算法，大大缩短了网络训练时间。同时本发明还提出了一种基于深度学习的车型识别方法，该方法利用上述模型构建方法构建的模型进行车辆图片中车辆类型的识别，有效提升车型分类精度。

主权项

1.一种基于深度学习的车型识别模型构建方法，其特征在于，包括以下步骤：步骤A1，选取包含车辆的图片，对各车辆图片进行车辆位置标注，具体为绘制各车辆图片中包含车辆的最小矩形框，记录矩形框的左上角和右下角坐标信息，形成车辆检测定位数据集；步骤A2，利用车辆检测定位数据集，训练基于Haar特征和AdaBoost算法的车辆检测定位模型，并输出训练好的车辆检测定位模型；步骤A3，依据各车辆图片中包含车辆的最小矩形框对车辆检测数据集中各车辆图片进裁切，生成车辆区域图片；步骤A4，对所述各车辆区域图片标注两个层级的车型类别标签，形成车型识别数据集；第一层级为粗粒度的车型类别，第二层级为细粒度的车型类别，每个第一层级分别对应一个第二层级；步骤A5，利用车型识别数据集训练用于车型识别的深度卷积神经网络，并输出训练好的用于车型识别的深度卷积神经网络；所述深度卷积神经网络的损失由softmax分类损失和利用不同层级的车型类别构建的基于四元组的排序损失加权组成；其中，所述深度卷积神经网络由四个结构相同、参数共享的子网络构成，每个子网络输出一个softmax分类损失，四个子网络共同输出一个基于四元组的排序损失；所述深度卷积神经网络中的四个子网络的输入分别为que、pos、neg⁺、neg^‑；其中que、pos属于同一个细粒度车型类别；neg⁺和que不属于同一个细粒度车型类别，但属于同一个粗粒度车型类别；neg^‑和que属于不同的粗粒度车型类别；所述基于四元组的排序损失，其构建方法具体为：基于pos、neg⁺、neg^‑与que的语义相似性越来越小的语义顺序构建基于四元组的排序损失，该损失约束neg⁺与que之间的距离大于pos与que之间的距离，且neg^‑与que之间的距离大于neg⁺与que之间的距离。