[发明专利]基于深度学习的复杂环境背景下车辆型号识别方法

摘要

基于深度学习的复杂环境背景下车辆型号识别方法，涉及机器视觉目标识别技术领域。本发明针对现有车辆型号识别方法对复杂环境背景适应性不足的问题，对车辆图像进行ZCA白化处理以降低复杂环境背景干扰，基于改进的k‑means算法学习图像的低层次特征，在低层次特征基础上采用卷积神经网络进行深度学习构建车辆图像的最终特征向量，通过SVM分类器识别车辆的品牌及其具体型号。能够提高复杂环境背景下车辆型号识别的准确性。

主权项

1.一种基于深度学习的复杂环境背景下车辆型号识别方法，其特征在于，具体方法包括如下步骤：步骤1，图像预处理采用ZCA白化对训练样本图像进行预处理，步骤如下：步骤11，对于含有m个训练样本的图像数据集{x(1)，x(2)，...，x(m)}进行亮度和对比度的归一化处理后，计算其协方差矩阵∑。步骤12，对训练样本的协方差矩阵∑进行SVD奇异值分解，得到特征向量矩阵U，通过计算UTx得到数据集经过旋转后的结果xrot。步骤13，基于xrot对数据集进行PCA白化，得到xPCAwhite，i。步骤14，将xPCAwhite，i左乘特征向量矩阵U，得到训练样本的ZCA白化结果xZCAwhite。步骤2，低层次特征学习基于ZCA白化处理后的训练样本图像xZCAwhite，采用spherical k‑means算法进行低层次特征学习，步骤如下：步骤21，构建一组向量码本D∈R^n×k，对预处理后的训练样本进行重构，通过最小化重构误差，使训练样本通过该码本映射为一个k维的码矢量s⁽ⁱ⁾，s⁽ⁱ⁾可视为在码本上的编码，D^(j)为码本D的第j列，重构目标函数满足：s(i)的优化求解按如下公式计算：然后固定s(i)，通过重整列向量求解码本D。步骤22，利用学习到的码本D对新的训练样本图像进行特征提取。首先按照步骤1所述图像预处理方法做ZCA白化，然后采用软阈值非线性函数映射到特征空间Rk，得到训练样本图像的特征图，计算公式如下：f(x；D，α)＝max(0，DTx‑α)上式中α为可调常数。步骤23，对步骤22所得特征图做均值池化处理。步骤3，卷积网络及分类器训练步骤31，在k‑means特征提取层和均值池化层之后，构建一个卷积层和一个均值池化层，该卷积层的每一个输出均与上一层的所有输出相关联。首先随机初始化网络参数，然后根据网络参数初始化卷积层的卷积核，进行迭代直到收敛。步骤32，将步骤23所得特征图输入步骤31所得卷积层做进一步特征提取。步骤33，对步骤32所得特征图做均值池化处理。步骤34，在卷积层之后连接L2‑SVM分类器。将步骤33所得特征图输入分类器，计算分类误差，反向传播，通过减小L2‑SVM分类误差来优化卷积层。对于已知样本xi，标签yi，L2‑SVM分类优化目标函数如下：subject to yi(wTxi+b)≥1‑εiandεi≥0上式中w为权重矩阵，b为偏置向量，C为惩罚系数，εi为松弛变量。反向传播时按照链式法则逐层求出目标函数对每个网络参数的偏导，根据梯度下降算法，调整w和b的值，使误差逐渐减小。步骤4，车辆型号识别步骤41，按照步骤1所述方法，对待识别车辆图像做ZGA白化处理。步骤42，利用步骤21所得码本D以及步骤22所述映射函数，对处理后的图像进行特征提取，得到低层次特征图，并对其做均值池化处理。步骤43，将经均值池化处理的低层次特征图输入步骤3所得卷积层，进行进一步特征提取，并对其做均值池化处理，得到最终特征图。步骤44，将最终特征图输入步骤3所得SVM分类器，得到分类结果。