CN108492575A - 一种智能车辆型号识别方法 - Google Patents
一种智能车辆型号识别方法 Download PDFInfo
- Publication number
- CN108492575A CN108492575A CN201810320930.3A CN201810320930A CN108492575A CN 108492575 A CN108492575 A CN 108492575A CN 201810320930 A CN201810320930 A CN 201810320930A CN 108492575 A CN108492575 A CN 108492575A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- image
- vector
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明提供一种智能车辆型号识别方法,属于城市智慧交通、图像搜索技术领域,本发明将车辆图像映射成为低维欧式空间向量,通过计算向量间欧式距离判断车辆型号。具体来讲,首先搭建深度卷积网络,使用大量三联样本训练该网络,使其具有映射相同型号汽车图片距离小于不同型号汽车图片距离的能力。本方法具有一次训练随时应用的特点,能够解决训练样本中未出现的车辆型号分类问题,大大减小了训练成本,降低了应用难度。
Description
技术领域
本发明涉及城市智慧交通、图像搜索技术,尤其涉及一种智能车 辆型号识别方法。
背景技术
汽车是人类文明必不可少的重要发明,作为当今社会的主要交通 工具发挥了巨大价值,但是随着汽车工业的发展,汽车型号外观日益 增多,同质化严重,利用计算机算法通过汽车外观图片识别车辆型号 成为一个难题。
随着深度学习等人工智能技术的发展,图像物体分类、检测等问 题得到了突破性的进展,许多开创新深度神经网络模型被发明出来。 针对图像分类的网络模型有LeNet、VGG、ResNet等卷积神经网络模 型,针对图像物体检测的模型有YOLO、Faster RCNN等。这些模型主 要以卷积神经网络为主,其特点是利用卷积神经网络对图像等高维特 征的抽象学习能力,网络深度增加,学习到的特征抽象层级也更高。
汽车型号识别问题与图像物体分类问题有很多相似性,但是汽车 型号识别问题其分类粒度较细,介于物体分类和人脸识别之间,因此 可以借鉴人脸识别问题的解决方法。Triplet Loss损失函数被Google 用于其FaceNet进行人脸识别和聚类问题,并在多个人脸识别数据集 上取得了较好的成绩。假设有三联样本组(xa,xp,xn),xa为某一 对象的标准样本,xp为同一对象的的样本,称为正例样本,xn为来自 其他对象的样本,成为负例样本。在映射函数作用下,定义该三联 样本的损失函数为:
其中,α>0为超参数表示不同对象样本的最小间隔。α值越大, 表示期望的对象间距越大,但是可能造成训练难度增大,甚至无法收 敛等问题,因此需要合理设置α值。对N个三联样本组,其总的Triplet Loss损失函数为:
本发明将利用深度卷积神经网络实现映射函数
发明内容
为了解决以上技术问题,本发明提出了一种智能车辆型号识别方 法,由计算机视觉算法智能识别图像中的汽车类型。能够帮助车辆、 交通管理部门管理车辆和交。
本发明将车辆图像映射成为低维欧式空间向量,通过计算向量间 欧式距离判断车辆型号。
通过深度卷积神经网络学习图像特征,实现从图像到低维欧式空 间向量的映射,同时利用特殊的Triplet Loss损失函数训练该深度 卷积网络,使同样型号的汽车图像在欧式空间中的向量具有更近的距 离,从而实现对不同汽车型号类别的识别。
搭建深度卷积网络,使用大量三联样本训练该网络,使其具有映 射相同型号汽车图片距离小于不同型号汽车图片距离的能力。
首先以ResNet-34卷积神经网络作为原型构建模型主体,输入层 设定为256×256的RGB彩色图像,输出层有128个神经元。网络所 有神经元激活函数采用ReLU函数。神经网络模型具体结构如附图1 所示。在输出层对输出的128维向量υ=[p1,…,pi,…,p128]T进 行L2归一化,即
训练采用小批量随机梯度下降法,从该mini-batch中选取三联 样本输入到神经网络中,归一化之后,计算Triplet Loss。选取方 法为随机选取10例标准样本,从该对象剩余样本中随机选取10例正 例样本,从非正例样本中随机选取100张图像作为负例样本。对于一 张标准样本xai和一张正例样本xpi与10例负例样本构成10例三联样 本。则每个汽车类型的样本图像不少于20例,汽车总类型数目不少 于11例。
训练时,在线采用更新参数法,一次迭代所有汽车类型之后更新 一次模型参数。初始化采用随机初始化,学习率初始化为0.01。每 5000次迭代后,学习率降低为原来十分之一。模型达到满意正确率 之后停止训练,得到确定模型
本发明的有益效果是
本方法应用最新的深度神经网络和较细粒度的图像识别方法解 决车辆类型的智能识别问题,具有一次训练随时应用的特点,能够解 决训练样本中未出现的车辆型号分类问题,大大减小了训练成本,降 低了应用难度。
附图说明
附图1 ResNet-34卷积神经网络具体结构;
附图2模型训练流程图。
具体实施方式
下面对本发明的内容进行更加详细的阐述:
本发明通过深度卷积神经网络学习图像特征,实现从图像到低维 欧式空间向量的映射,同时利用特殊的Triplet Loss损失函数训练 该深度卷积网络,使同样型号的汽车图像在欧式空间中的向量具有更 近的距离,从而实现对不同汽车型号类别的识别。
具体操作如下
1、收集不同汽车型号的图像数据集。以车头正面图像和车位正 面图像为主。汽车颜色可以变化,模型会忽略汽车颜色,通过汽车头 部和尾部结构设计确认汽车型号,如区分奥迪Q3和奥迪Q5,不区分 黑色奥迪Q5和白色奥迪Q5。所有图像均需有对应的汽车型号标签作 为后续模型训练选取样本的依据。没类型号的图像不少于20张,汽 车类型数不少于11个。汽车类型数增多会使模型训练时间变长,但 是有助于提高模型识别精确度,对于需要高精确度的应用场景,应尽 量多收集汽车类型图像。
2、训练模型使用神经网络编程框架实现发明内容所述的修 改后的ResNet-34深度卷积网络。编程框架可选PyTorch、TensorFlow 等。设定学习率、学习率更新规则、终止条件等细节后,使用收集的 图像数据集训练模型令α=0.6。
3、模型的应用。首先确定所需识别的汽车型号,然后准备图 像,如已在数据集中则可以直接使用已有图像。将待识别车型图像和 已有车型图像输入到神经网络,归一化得到低维向量后计算平均距离, 与训练时设定的α阈值对比,小于该阈值则为同一型号。例如汽车型 号为A,该型号图像为Aimg_1,Aimg_2,Aimg_3,将每张图像输入到神经 网络归一化,得到相应的低维向量υA_1,υA_2,υA_3。待判定汽车图 像为Ximg,输入到神经网络归一化,得到相应的低维向量υX。 计算υX与υA_1,υA_2,υA_3的平均欧式距离,若小于α则判定Ximg为汽车 类型A。
Claims (6)
1.一种智能车辆型号识别方法,其特征在于,
将车辆图像映射成为低维欧式空间向量,通过计算向量间欧式距离判断车辆型号。
2.根据权利要求1所述的方法,其特征在于,
通过深度卷积神经网络学习图像特征,实现从图像到低维欧式空间向量的映射,同时利用特殊的Triplet Loss损失函数训练该深度卷积网络,使同样型号的汽车图像在欧式空间中的向量具有更近的距离,从而实现对不同汽车型号类别的识别。
3.根据权利要求2所述的方法,其特征在于,
搭建深度卷积网络,使用大量三联样本训练该网络,使其具有映射相同型号汽车图片距离小于不同型号汽车图片距离的能力。
4.根据权利要求3所述的方法,其特征在于,
以ResNet-34卷积神经网络作为原型构建模型主体,输入层设定为256×256的RGB彩色图像,输出层有128个神经元;网络所有神经元激活函数采用ReLU函数;在输出层对输出的128维向量υ=[p1,…,pi,…,p128]T进行L2归一化,即
5.根据权利要求4所述的方法,其特征在于,
训练采用小批量随机梯度下降法,从该mini-batch中选取三联样本输入到神经网络中,归一化之后,计算Triplet Loss;选取方法为随机选取10例标准样本,从该对象剩余样本中随机选取10例正例样本,从非正例样本中随机选取100张图像作为负例样本;对于一张标准样本xai和一张正例样本xpi与10例负例样本构成10例三联样本,则每个汽车类型的样本图像不少于20例,汽车总类型数目不少于11例。
6.根据权利要求5所述的方法,其特征在于,
训练时,在线采用更新参数法,一次迭代所有汽车类型之后更新一次模型参数;初始化采用随机初始化,学习率初始化为0.01;每5000次迭代后,学习率降低为原来十分之一;模型达到满意正确率之后停止训练,得到确定模型
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810320930.3A CN108492575A (zh) | 2018-04-11 | 2018-04-11 | 一种智能车辆型号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810320930.3A CN108492575A (zh) | 2018-04-11 | 2018-04-11 | 一种智能车辆型号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492575A true CN108492575A (zh) | 2018-09-04 |
Family
ID=63315392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810320930.3A Pending CN108492575A (zh) | 2018-04-11 | 2018-04-11 | 一种智能车辆型号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492575A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649091A (zh) * | 2018-12-28 | 2019-04-19 | 泉州装备制造研究所 | 基于计算机视觉的汽车轮胎监测系统 |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及系统 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224951A (zh) * | 2015-09-30 | 2016-01-06 | 深圳市华尊科技股份有限公司 | 一种车型分类方法及分类装置 |
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106650658A (zh) * | 2016-12-16 | 2017-05-10 | 中新智擎有限公司 | 一种识别用户身份的方法和装置 |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
CN107527068A (zh) * | 2017-08-07 | 2017-12-29 | 南京信息工程大学 | 基于cnn和域自适应学习的车型识别方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
-
2018
- 2018-04-11 CN CN201810320930.3A patent/CN108492575A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN105224951A (zh) * | 2015-09-30 | 2016-01-06 | 深圳市华尊科技股份有限公司 | 一种车型分类方法及分类装置 |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
CN106650658A (zh) * | 2016-12-16 | 2017-05-10 | 中新智擎有限公司 | 一种识别用户身份的方法和装置 |
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
CN107527068A (zh) * | 2017-08-07 | 2017-12-29 | 南京信息工程大学 | 基于cnn和域自适应学习的车型识别方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
Non-Patent Citations (3)
Title |
---|
YONGGUO REN ET AL.: "Vehicle make and model recognition based on convolutional neural networks", 《2016 7TH IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS)》 * |
彭清等: "卷积神经网络在车辆识别中的应用", 《计算机科学与探索》 * |
王玲: "《数据挖掘学习方法》", 31 August 2017, 冶金工业出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649091A (zh) * | 2018-12-28 | 2019-04-19 | 泉州装备制造研究所 | 基于计算机视觉的汽车轮胎监测系统 |
CN110991349A (zh) * | 2019-12-05 | 2020-04-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN110991349B (zh) * | 2019-12-05 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于度量学习的轻量级车辆属性识别方法 |
CN111415533A (zh) * | 2020-04-22 | 2020-07-14 | 湖北民族大学 | 弯道安全预警监控方法、装置以及系统 |
CN111415533B (zh) * | 2020-04-22 | 2021-09-21 | 湖北民族大学 | 弯道安全预警监控方法、装置以及系统 |
CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN108492575A (zh) | 一种智能车辆型号识别方法 | |
CN108399421B (zh) | 一种基于词嵌入的深度零样本分类方法 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN106503654A (zh) | 一种基于深度稀疏自编码网络的人脸情感识别方法 | |
CN101447020B (zh) | 基于直觉模糊的色情图像识别方法 | |
CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN108399406A (zh) | 基于深度学习的弱监督显著性物体检测的方法及系统 | |
CN108710829A (zh) | 一种基于深度学习的表情分类及微表情检测的方法 | |
CN111783782A (zh) | 融合改进UNet和SegNet的遥感图像语义分割方法 | |
CN104866810A (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN103984948B (zh) | 一种基于人脸图像融合特征的软双层年龄估计方法 | |
CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及系统 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN107506786A (zh) | 一种基于深度学习的属性分类识别方法 | |
CN107203775A (zh) | 一种图像分类的方法、装置和设备 | |
CN106897669A (zh) | 一种基于一致迭代多视角迁移学习的行人再辨识方法 | |
CN105809201A (zh) | 一种生物启发式自主提取图像语义概念的识别方法及装置 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN109740451A (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
CN108416270A (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN112733602B (zh) | 关系引导的行人属性识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |