CN106909894B - 车辆品牌型号识别方法和*** - Google Patents

车辆品牌型号识别方法和*** Download PDF

Info

Publication number
CN106909894B
CN106909894B CN201710080331.4A CN201710080331A CN106909894B CN 106909894 B CN106909894 B CN 106909894B CN 201710080331 A CN201710080331 A CN 201710080331A CN 106909894 B CN106909894 B CN 106909894B
Authority
CN
China
Prior art keywords
information
training
image
classifier
weight
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.)
Expired - Fee Related
Application number
CN201710080331.4A
Other languages
English (en)
Other versions
CN106909894A (zh
Inventor
胡滨
陈瑞军
段雄
王兴刚
李田生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Deep Mo Technology Co Ltd
Original Assignee
Beijing Deep Mo Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Deep Mo Technology Co Ltd filed Critical Beijing Deep Mo Technology Co Ltd
Priority to CN201710080331.4A priority Critical patent/CN106909894B/zh
Publication of CN106909894A publication Critical patent/CN106909894A/zh
Application granted granted Critical
Publication of CN106909894B publication Critical patent/CN106909894B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了车辆品牌型号识别方法和***，涉及计算机视觉技术领域，包括获取训练图像信息，并提取训练图像信息的第一特征信息；对训练图像信息进行随机字典学习，得到字典信息；从字典信息中选取多组字码信息，并利用多组字码信息对第一特征信息进行处理，得到第一中级特征信息；对第一中级特征信息进行训练，得到图像分类器；获取当前图像信息，并提取当前图像信息的第二特征信息；从多组字码信息中选取相应的字码信息，对第二特征信息进行处理，得到第二中级特征信息；利用图像分类器对第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果。本发明可以准确识别车辆品牌型号，并且对应用场景鲁棒，提高了识别效果。

Description

车辆品牌型号识别方法和***
技术领域
本发明涉及计算机视觉技术领域，尤其是涉及车辆品牌型号识别方法和***。
背景技术
现有的车辆品牌型号识别通常利用的是有监督等模式识别方法，通常以手工特征为主，对于微小差别的同一型号难以区分；此外，也有的车辆品牌型号识别利用深度特征，以大量图像数据进行训练从而进行识别。然而这两类识别方法都缺乏鲁棒性，在复杂的环境下识别效果很差。
发明内容
有鉴于此，本发明的目的在于提供车辆品牌型号识别方法和***，可以准确识别车辆品牌型号，并且对应用场景鲁棒，提高了识别效果。
第一方面，本发明实施例提供了车辆品牌型号识别方法，包括：
获取训练图像信息，并提取所述训练图像信息的第一特征信息；
对所述训练图像信息进行随机字典学习，得到字典信息；
从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息；
对所述第一中级特征信息进行训练，得到图像分类器；
获取当前图像信息，并提取所述当前图像信息的第二特征信息；
从多组所述字码信息中选取相应的字码信息，并利用所述相应的字码信息对所述第二特征信息进行处理，得到第二中级特征信息；
利用所述图像分类器对所述第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述第一中级特征信息进行训练，得到图像分类器包括：
对所述第一中级特征信息进行SVM训练，得到多个弱分类器；
为每个训练图像设置初始权重，并设置一个目标分类准确率；
利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重；
根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率；
如果所述强分类器的准确率大于所述目标分类准确率，则将所述强分类器作为所述图像分类器。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重包括，重复执行以下处理，直至各个所述弱分类器都被遍历：
更新每个所述训练图像的所述初始权重，得到第一权重；
从多个所述弱分类器中选取第一弱分类器；
根据所述第一弱分类器对所述训练图像信息进行分类，并根据所述第一权重参数计算所述第一弱分类器的分类错误率；
根据所述分类错误率计算所述第一弱分类器的权重；
根据所述第一弱分类器的权重更新所述第一权重，得到第二权重，并将所述第二权重作为每个所述训练图像的下一初始权重。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率包括：
根据下式计算所述强分类器：
其中，F(X)为所述强分类器的输出，αt为各个所述弱分类器的权重，Clst(X)为所述第一弱分类器的输出，c为所述训练图像的标签，C为车辆品牌型号类别个数，T为所述弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
根据下式计算所述强分类器的准确率：
其中，Xi表示每个所述训练图像，Φ表示所述训练图像信息，ci为每个所述训练图像的标签，F(Xi)为所述强分类器的输出，σ为所述强分类器的准确率，M为所述训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息包括：
利用多组所述字码信息对所述第二特征信息进行编码，得到编码信息；
对所述编码信息进行池化，得到池化信息；
根据所述池化信息表示所述训练图像信息，得到所述第二中级特征信息。
第二方面，本发明实施例还提供车辆品牌型号识别***，包括：
第一特征提取单元，用于获取训练图像信息，并提取所述训练图像信息的第一特征信息；
字典学习单元，用于对所述训练图像信息进行随机字典学习，得到字典信息；
第一中级特征表示单元，用于从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息；
增强训练单元，用于对所述第一中级特征信息进行训练，得到图像分类器；
第二特征提取单元，用于获取当前图像信息，并提取所述当前图像信息的第二特征信息；
第二中级特征表示单元，用于从多组所述字码信息中选取相应的字码信息，并利用所述相应的字码信息对所述第二特征信息进行处理，得到第二中级特征信息；
识别单元，用于利用所述图像分类器对所述第二中级特征信息进行识别分类，得到识别结果。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述增强训练单元包括：
弱分类器训练单元，用于对所述第一中级特征信息进行SVM训练，得到多个弱分类器；
参数设置单元，用于为每个训练图像设置初始权重，并设置一个目标分类准确率；
权重训练单元，用于利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重；
第一计算单元，用于根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率；
图像分类器获取单元，用于如果所述强分类器的准确率大于所述目标分类准确率，则将所述强分类器作为所述图像分类器。
结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述图像分类器获取单元包括，重复执行以下处理，直至各个所述弱分类器都被遍历：
第一权重更新单元，用于更新每个所述训练图像的初始权重，得到第一权重；
弱分类器选择单元，从多个所述弱分类器中选取第一弱分类器；
分类单元，用于根据所述第一弱分类器对所述训练图像信息进行分类，并根据所述第一权重参数计算所述第一弱分类器的分类错误率；
第二计算单元，根据所述分类错误率计算所述第一弱分类器的权重；
第二权重更新单元，根据所述第一弱分类器的权重更新所述第一权重，得到第二权重，并将所述第二权重作为每个所述训练图像的下一初始权重。
结合第二方面的第二种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述第一计算单元还包括：
第三计算单元，用于根据下式计算所述强分类器：
其中，F(X)为所述强分类器的输出，αt为所述第一弱分类器的权重，Clst(X)为所述第一弱分类器的输出，c为所述训练图像的标签，C为车辆品牌型号类别个数，T为所述弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
第四计算单元，用于根据下式计算所述强分类器的准确率：
其中，Xi表示每个所述训练图像，Φ表示所述训练图像信息，ci为每个所述训练图像的标签，F(Xi)为所述强分类器的输出，σ为所述强分类器的准确率，M为所述训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
结合第二方面的第二种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述第一中级特征表示单元包括：
编码单元，用于利用多组所述字码信息对所述第二特征信息进行编码，得到编码信息；
池化单元，用于对所述编码信息进行池化，得到池化信息；
表示单元，用于根据所述池化信息表示所述训练图像信息，得到所述第二中级特征信息。
本发明提供了车辆品牌型号识别方法和***，通过获取训练图像信息，并提取训练图像信息的第一特征信息；对训练图像信息进行随机字典学习，得到字典信息；从字典信息中选取多组字码信息，并利用多组字码信息对第一特征信息进行处理，得到第一中级特征信息；对第一中级特征信息进行训练，得到图像分类器；获取当前图像信息，并提取当前图像信息的第二特征信息；从多组字码信息中选取相应的字码信息，并利用相应的字码信息对第二特征信息进行处理，得到第二中级特征信息；利用图像分类器对第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果，从而可以准确识别车辆品牌型号，并且对应用场景鲁棒，提高了识别效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的车辆品牌型号识别方法流程图；
图2为本发明实施例一提供的车辆品牌型号识别方法中步骤S104的流程图；
图3为本发明实施例二提供的车辆品牌型号识别***的结构示意图；
图4为本发明实施例二提供的车辆品牌型号识别***中增强训练单元的结构示意图。
图标：
10-第一特征提取单元；20-字典学习单元；30-第一中级特征表示单元；40-增强训练单元；50-第二特征提取单元；60-第二中级特征表示单元；70-识别单元；41-弱分类器训练单元；42-参数设置单元；43-权重训练单元；44-第一计算单元；45-图像分类器获取单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前现有的车辆品牌型号识别通常利用的是有监督等模式识别方法，通常以手工特征为主，对于微小差别的同一型号难以区分；此外，也有的车辆品牌型号识别利用深度特征，以大量图像数据进行训练从而进行识别。然而这两类识别方法都缺乏鲁棒性，在复杂的环境下识别效果很差，基于此，本发明实施例提供的车辆品牌型号识别方法和***，可以准确识别车辆品牌型号，并且对应用场景鲁棒，提高了识别效果。
为便于对本实施例进行理解，首先对本发明实施例所公开的车辆品牌型号识别方法进行详细介绍，
实施例一：
图1为本发明实施例一提供的车辆品牌型号识别方法流程图。
参照图1，车辆品牌型号识别方法包括：
步骤S101，获取训练图像信息，并提取训练图像信息的第一特征信息；
具体地，训练图像是用于训练方法模型的输入图像，这里指的是用于训练模型需要的各种不同车辆品牌型号类型的车辆图像，该车辆图像是指经过车辆检测器检测后截取的车辆车身部分图像。利用卷积神经网络模型对车辆图像提取稠密局部特征，包括以下步骤：
首先，将车辆图像进行稠密地划分图像块。具体地，对每张图像进行多尺度的滑窗采集，以获取稠密图像块，划分块大小分别以64*64像素，96*96像素，128*128像素，160*160像素，192*192像素，224*224像素，256*256像素的七种尺度提取，步长为32像素，依次从左到右，从上到下截取图像块。
其次，将所有的图像块，输入到训练好的卷积神经网络中进行特征提取。这里使用的是开源caffe框架，以及使用的是19层的卷积神经网络，在该模型下提取每个图像块的局部特征。
最后，每个图像块特征的长度是4096，因此，对于每个车辆7种不同规格的图像块，假设一共有M个，则可得到M个4096维度的特征，例如，给定车辆图像(训练图像)Xi，通过提取稠密局部特征，得到局部特征集d＝4096，mi为图像Xi的图像块特征的个数。
步骤S102，对训练图像信息进行随机字典学习，得到字典信息；
具体地，利用弱监督方法MMDL(Max-margin Multiple-instance DictionaryLearning，最大间隔多示例字典学习)进行随机化字典学习包括以下步骤：
步骤S1021，将图像数据集随机划分为G个无交叉的类组，每个类组里包含一到多个图像类别的所有图像。
步骤S1022，将每个类组的所有图像当成同一大类，MMDL将所有同一类组下所提取的局部特征集当做正样本，其它类组下的局部特征集作为负样本。
步骤S1023，用k-means聚类对正样本图像中所有图像局部特征聚成K个不同的簇心，同时，对负样本产生另一个簇。因此，对于每个类组下，都生成了K+1个簇心。
步骤S1024，MMDL根据这些簇类训练一个线性SVM(Support Vector Machine，支持向量机)。
步骤S1025，根据新训练得到的SVM更新每个图像块局部特征的标签。
步骤S1026，重复步骤S1024，和步骤S1025，多次，从而生成最终的K+1个字码。
步骤S1027，重复步骤S1022-步骤S1026。针对每个类组进行步骤S1023和步骤S1024中的k-means聚类以及步骤S1022和步骤S1022中的迭代SVM学习，因此产生了(K+1)×G个不同的字码，从而形成单次划分的字典。
步骤S1028，重复步骤S1022-步骤S1022Y次。随机Y次类组的划分并进行MMDL学习，因此产生了(K+1)×G×Y个不同的字码，从而得到最终的大型字典池。
步骤S103，从字典信息中选取多组字码信息，并利用多组字码信息对第一特征信息进行处理，得到第一中级特征信息；
进一步地，上述实施例车辆品牌型号识别方法中，步骤103可采用如下步骤实现，包括：
利用多组字码信息对第二特征信息进行编码，得到编码信息；
对编码信息进行池化，得到池化信息；
根据池化信息表示训练图像信息，得到第二中级特征信息。
具体地，中级特征是指通过编码本，对直接在图像上提取到的局部特征进行进一步编码的特征。通过编码方式的不同，一般中级特征的形式也不同，最终在分类器上分类的效果性能也不相同。
这里，从随机化字典学习中得到的字典中随机选取N个字码，将这些选取的字码作为码本，可以对图像的局部特征进行编码，从而得到中级特征表示，具体步骤如下：
首先，对图像的局部特征进行编码。对于给定车辆图像(训练图像)Xi，其局部特征集d＝4096，mi为图像Xi的图像块特征的个数，那么，图像块特征xij可以用码本表示为sij＝[sij1,sij2,...,sijN]T＝WT,xij∈RN×1，N为码本的个数。
其次，对编码后的码字进行池化。假设SPM(Spatial Pyramid Matching，空间金字塔模型)最大池化，将图像分为L个不同规格的分格，那么，l∈{1,2,3,...,L}规格的表示为最大响应是对于所有图像块编码后的码字进行最大化求解，表示为 其中，SPM是一种经典的匹配算法，该算法重在能够提取上下文信息，在保证全局特征不丢失的情况下，能够同时获取丰富的局部特征。
最后，图像Xi可以表示为每个格子的级联从而得到图像Xi的中级特征表示。
步骤S104，对第一中级特征信息进行训练，得到图像分类器；
进一步地，如图2所示，上述实施例车辆品牌型号识别方法中，步骤S104可采用如下步骤实现，包括：
步骤S201，对第一中级特征信息进行SVM训练，得到多个弱分类器；
具体地，步骤S201可采用如下步骤实现，包括：
步骤S2011，对所有的训练图像，根据上述随机中级特征表示，得到一组中级特征，表示为S＝{S1,S2,...,SM}，Si为Xi的中级特征，M为训练图像的个数，训练图像信息表示为Φ＝{{X1,c1},{X2,c2},...,{XM,cM}}，ci为每个训练图像的标签，这里的标签为数字标签，i∈{1,2,3,...,M}；
步骤S2012，利用某一次所有训练数据的随机中级表示，使用SVM训练方法，训练出该次随机中级表示下的一个弱分类器Clst。
步骤S2013，重复步骤S2011和步骤S2012过程T次。进而得到T个弱分类器CLS＝{Cls1,Cls2,...,ClsT}。
步骤S202，为每个训练图像信息设置初始权重，并设置一个目标分类准确率；
这里，针对训练图像中的每个训练图像初始化一个权重参数设置一个目标分类准确度σtarget。
步骤S203，利用SAMME算法，根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重；
步骤S204，根据各个弱分类器的权重计算强分类器，并计算强分类器的准确率；
步骤S205，如果强分类器的准确率大于目标分类准确率，则执行步骤S206；如果强分类器的准确率小于目标分类准确率，则执行步骤S207；
步骤S206，将强分类器作为图像分类器；
步骤S207，将更新权重作为每个训练图像的初始权重，继续执行步骤S203，利用SAMME算法，重新根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重。
步骤S105，获取当前图像信息，并提取当前图像信息的第二特征信息；
这里，当前图像为待识别的车辆图像，同样地，利用卷积神经网络模型对当前图像提取稠密局部特征，步骤和提取训练图像的稠密局部特征相同，在此不再赘述。
步骤S106，从多组字码信息中选取相应的字码信息，并利用相应的字码信息对第二特征信息进行处理，得到第二中级特征信息；
步骤S107，利用图像分类器对第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果。
具体地，针对待识别车辆图像(当前图像)，首先识别待识别车辆图像，提取稠密局部特征，并利用从学习字典中随机选取好的字码对待识别图像的稠密局部特征进行编码和池化，表示为一个中级特征向量，最后利用训练得到的图像分类器对待识别图像的中级特征进行识别分类，输出该待识别图像中车辆品牌型号的识别结果。
根据本发明的示例性实施例，利用SAMME算法，根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重包括，重复执行以下处理，直至各个弱分类器都被遍历：
更新每个训练图像的初始权重，得到第一权重；
从多个弱分类器中选取第一弱分类器；
根据第一弱分类器对训练图像信息进行分类，并根据第一权重参数计算第一弱分类器的分类错误率；
根据分类错误率计算第一弱分类器的权重；
根据第一弱分类器的权重更新第一权重，得到第二权重，并将第二权重作为每个训练图像的下一初始权重。
具体地，利用SAMME算法，根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重包括以下步骤：
步骤S301，对于任意的i∈{1,2,3,...,M}，根据公式(1)更新权重参数：
步骤S302，对于上述一组弱分类器CLS＝{Cls1,Cls2,...,ClsT}，顺序单取分类器Clst∈CLS；
步骤S303，根据弱分类器Clst对所有训练图像进行分类，并根据公式(2)计算所述弱分类器Clst的分类错误率：
其中，为(5.1)更新后的权重参数，Clst(Xi)为弱分类器Clst的输出，ci为每个训练图像的标签，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
步骤S304，根据公式(3)计算弱分类器的权重αt，并根据该弱分类器Clst的权重，对于任意的i∈{1,2,3,..,M}，根据公式(4)更新所有训练图像的权重参数：
其中，αt为弱分类器Clst的权重，C为车辆品牌型号类别个数，Clst(Xi)为弱分类器Clst的输出，ci为每个训练图像的标签，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
步骤S305，重复步骤S301-步骤S304，依次选取完所有弱分类器，求出所有弱分类器的权重，并得到每个训练图像的最终更新权重。
需要说明的是，根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重以后，继续进行以下步骤，从而得到图像分类器：
步骤S306，生成强分类器： 其中，αt为各个弱分类器的权重，Clst(X)为弱分类器的输出，c为训练图像的标签，C为车辆品牌型号类别个数，T为弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
计算出该强分类器在整个训练数据的准确率其中，Xi表示每个训练图像，Φ表示训练图像信息，ci为每个训练图像的标签，M为训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
步骤S307，重复步骤S301-步骤S306过程，直到σ>σtarget，最后得到图像分类器F(X)。
根据本发明的示例性实施例，根据各个弱分类器的权重计算强分类器，并计算强分类器的准确率包括：
根据下式计算强分类器：
其中，F(X)为强分类器的输出，αt为各个弱分类器的权重，Clst(X)为第一弱分类器的输出，c为训练图像的标签，C为车辆品牌型号类别个数，T为弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
根据下式计算强分类器的准确率：
其中，Xi表示每个训练图像，Φ表示训练图像信息，ci为每个训练图像的标签，F(Xi)为强分类器的输出，σ为强分类器的准确率，M为训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
实施例二：
图3为本发明实施例二提供的车辆品牌型号识别***的结构示意图。
参照图3，车辆品牌型号识别***包括：
第一特征提取单元10，用于获取训练图像信息，并提取所述训练图像信息的第一特征信息；
字典学习单元20，用于对所述训练图像信息进行随机字典学习，得到字典信息；
第一中级特征表示单元30，用于从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息；
增强训练单元40，用于对所述第一中级特征信息进行训练，得到图像分类器；
进一步地，如图4所示，增强训练单元40包括：
弱分类器训练单元41，用于对所述第一中级特征信息进行SVM训练，得到多个弱分类器；
参数设置单元42，用于为每个训练图像设置初始权重，并设置一个目标分类准确率；
权重训练单元43，用于利用SAMME算法，根据初始权重对各个弱分类器进行训练，得到各个弱分类器的权重和每个训练图像的更新权重；
第一计算单元44，用于根据各个弱分类器的权重计算强分类器，并计算强分类器的准确率；
图像分类器获取单元45，用于如果强分类器的准确率大于目标分类准确率，则将强分类器作为图像分类器。
第二特征提取单元50，用于获取当前图像信息，并提取当前图像信息的第二特征信息；
第二中级特征表示单元60，用于从多组字码信息中选取相应的字码信息，并利用相应的字码信息对第二特征信息进行处理，得到第二中级特征信息；
识别单元70，用于利用图像分类器对第二中级特征信息进行识别分类，得到识别结果。
根据本发明的示例性实施例，图像分类器获取单元包括，重复执行以下处理，直至各个弱分类器都被遍历：
第一权重更新单元，用于更新每个训练图像的初始权重，得到第一权重；
弱分类器选择单元，从多个弱分类器中选取第一弱分类器；
分类单元，用于根据第一弱分类器对训练图像信息进行分类，并根据第一权重参数计算第一弱分类器的分类错误率；
第二计算单元，根据分类错误率计算第一弱分类器的权重；
第二权重更新单元，根据第一弱分类器的权重更新第一权重，得到第二权重，并将第二权重作为每个训练图像的下一初始权重。
根据本发明的示例性实施例，第一计算单元还包括：
第三计算单元，用于根据下式计算强分类器：
其中，F(X)为强分类器的输出，αt为所述第一弱分类器的权重，Clst(X)为第一弱分类器的输出，c为训练图像的标签，C为车辆品牌型号类别个数，T为弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
第四计算单元，用于根据下式计算强分类器的准确率：
其中，Xi表示每个训练图像，Φ表示训练图像信息，ci为每个训练图像的标签，F(Xi)为强分类器的输出，σ为强分类器的准确率，M为训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
根据本发明的示例性实施例，第一中级特征表示单元包括：
编码单元，用于利用多组字码信息对第二特征信息进行编码，得到编码信息；
池化单元，用于对编码信息进行池化，得到池化信息；
表示单元，用于根据池化信息表示训练图像信息，得到第二中级特征信息。
本发明实施例提供的车辆品牌型号识别***，与上述实施例提供的车辆品牌型号识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明提供了车辆品牌型号识别方法和***，通过获取训练图像信息，并提取训练图像信息的第一特征信息；对训练图像信息进行随机字典学习，得到字典信息；从字典信息中选取多组字码信息，并利用多组字码信息对第一特征信息进行处理，得到第一中级特征信息；对第一中级特征信息进行训练，得到图像分类器；获取当前图像信息，并提取当前图像信息的第二特征信息；从多组字码信息中选取相应的字码信息，并利用相应的字码信息对第二特征信息进行处理，得到第二中级特征信息；利用图像分类器对第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果，从而可以准确识别车辆品牌型号，并且对应用场景鲁棒，提高了识别效果。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆品牌型号识别方法，其特征在于，包括：
获取训练图像信息，并提取所述训练图像信息的第一特征信息；
对所述训练图像信息进行随机字典学习，得到字典信息；
从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息；
对所述第一中级特征信息进行训练，得到图像分类器；
获取当前图像信息，并提取所述当前图像信息的第二特征信息；
从多组所述字码信息中选取相应的字码信息，并利用所述相应的字码信息对所述第二特征信息进行处理，得到第二中级特征信息；
利用所述图像分类器对所述第二中级特征信息进行识别分类，得到当前图像的车辆品牌型号识别结果；
所述对所述训练图像信息进行随机字典学习，得到字典信息包括以下步骤：
步骤S1021，将所述训练图像信息随机划分为G个无交叉的类组，每个类组里包含一到多个图像类别的所有图像；
步骤S1022，将每个类组的所有图像当成同一大类，根据最大间隔多示例字典学习MMDL将所有同一类组下所提取的图像块局部特征集当做正样本，非该同一类组下的图像块局部特征集作为负样本；
步骤S1023，使用k-means聚类对正样本图像中的所有图像块局部特征聚成K个不同的簇心，并将负样本产生另一个簇，将每个类组生成K+1个簇心；
步骤S1024，根据MMDL将所述簇心训练得到一个线性支持向量机SVM；
步骤S1025，根据训练得到的SVM更新每个图像块局部特征的标签；
步骤S1026，重复步骤S1024和步骤S1025多次，生成最终的K+1个字码；
步骤S1027，重复步骤S1022-步骤S1026，针对每个类组进行步骤S1023和步骤S1024中的k-means聚类以及步骤S1024和步骤S1025中的迭代SVM学习，得到(K+1)×G个不同的字码，形成单次划分的字典；
步骤S1028，重复步骤S1021-步骤S1026Y次，根据Y次随机类组的划分并进行MMDL学习，产生了(K+1)×G×Y个不同的字码，得到所述字典信息。
2.根据权利要求1所述的车辆品牌型号识别方法，其特征在于，所述对所述第一中级特征信息进行训练，得到图像分类器包括：
对所述第一中级特征信息进行SVM训练，得到多个弱分类器；
为每个训练图像设置初始权重，并设置一个目标分类准确率；
利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重；
根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率；
如果所述强分类器的准确率大于所述目标分类准确率，则将所述强分类器作为所述图像分类器。
3.根据权利要求2所述的车辆品牌型号识别方法，其特征在于，所述利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重包括，重复执行以下处理，直至各个所述弱分类器都被遍历：
更新每个所述训练图像的所述初始权重，得到第一权重；
从多个所述弱分类器中选取第一弱分类器；
根据所述第一弱分类器对所述训练图像信息进行分类，并根据所述第一权重参数计算所述第一弱分类器的分类错误率；
根据所述分类错误率计算所述第一弱分类器的权重；
根据所述第一弱分类器的权重更新所述第一权重，得到第二权重，并将所述第二权重作为每个所述训练图像的下一初始权重。
4.根据权利要求3所述的车辆品牌型号识别方法，其特征在于，所述根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率包括：
根据下式计算所述强分类器：
其中，F(X)为所述强分类器的输出，αt为各个所述弱分类器的权重，Clst(X)为所述第一弱分类器的输出，c为所述训练图像的标签，C为车辆品牌型号类别个数，T为所述弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
根据下式计算所述强分类器的准确率：
其中，Xi表示每个所述训练图像，Φ表示所述训练图像信息，ci为每个所述训练图像的标签，F(Xi)为所述强分类器的输出，σ为所述强分类器的准确率，M为所述训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
5.根据权利要求1所述的车辆品牌型号识别方法，其特征在于，所述从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息包括：
利用多组所述字码信息对所述第一特征信息进行编码，得到编码信息；
对所述编码信息进行池化，得到池化信息；
根据所述池化信息表示所述训练图像信息，得到所述第一中级特征信息。
6.一种车辆品牌型号识别***，其特征在于，包括：
第一特征提取单元，用于获取训练图像信息，并提取所述训练图像信息的第一特征信息；
字典学习单元，用于对所述训练图像信息进行随机字典学习，得到字典信息；
第一中级特征表示单元，用于从所述字典信息中选取多组字码信息，并利用多组所述字码信息对所述第一特征信息进行处理，得到第一中级特征信息；
增强训练单元，用于对所述第一中级特征信息进行训练，得到图像分类器；
第二特征提取单元，用于获取当前图像信息，并提取所述当前图像信息的第二特征信息；
第二中级特征表示单元，用于从多组所述字码信息中选取相应的字码信息，并利用所述相应的字码信息对所述第二特征信息进行处理，得到第二中级特征信息；
识别单元，用于利用所述图像分类器对所述第二中级特征信息进行识别分类，得到识别结果；
所述字典学习单元还用于执行以下步骤：
步骤S1021，将所述训练图像信息随机划分为G个无交叉的类组，每个类组里包含一到多个图像类别的所有图像；
步骤S1022，将每个类组的所有图像当成同一大类，根据最大间隔多示例字典学习MMDL将所有同一类组下所提取的图像块局部特征集当做正样本，非该同一类组下的图像块局部特征集作为负样本；
步骤S1023，使用k-means聚类对正样本图像中的所有图像块局部特征聚成K个不同的簇心，并将负样本产生另一个簇，将每个类组生成K+1个簇心；
步骤S1024，根据MMDL将所述簇心训练得到一个线性支持向量机SVM；
步骤S1025，根据训练得到的SVM更新每个图像块局部特征的标签；
步骤S1026，重复步骤S1024和步骤S1025多次，生成最终的K+1个字码；
步骤S1027，重复步骤S1022-步骤S1026，针对每个类组进行步骤S1023和步骤S1024中的k-means聚类以及步骤S1024和步骤S1025中的迭代SVM学习，得到(K+1)×G个不同的字码，形成单次划分的字典；
步骤S1028，重复步骤S1021-步骤S1026Y次，根据Y次随机类组的划分并进行MMDL学习，产生了(K+1)×G×Y个不同的字码，得到所述字典信息。
7.根据权利要求6所述的车辆品牌型号识别***，其特征在于，所述增强训练单元包括：
弱分类器训练单元，用于对所述第一中级特征信息进行SVM训练，得到多个弱分类器；
参数设置单元，用于为每个训练图像设置初始权重，并设置一个目标分类准确率；
权重训练单元，用于利用SAMME算法，根据所述初始权重对各个所述弱分类器进行训练，得到各个所述弱分类器的权重和每个所述训练图像的更新权重；
第一计算单元，用于根据各个所述弱分类器的权重计算强分类器，并计算所述强分类器的准确率；
图像分类器获取单元，用于如果所述强分类器的准确率大于所述目标分类准确率，则将所述强分类器作为所述图像分类器。
8.根据权利要求7所述的车辆品牌型号识别***，其特征在于，所述图像分类器获取单元用于重复执行以下处理，直至各个所述弱分类器都被遍历：
第一权重更新单元，用于更新每个所述训练图像的初始权重，得到第一权重；
弱分类器选择单元，从多个所述弱分类器中选取第一弱分类器；
分类单元，用于根据所述第一弱分类器对所述训练图像信息进行分类，并根据所述第一权重参数计算所述第一弱分类器的分类错误率；
第二计算单元，根据所述分类错误率计算所述第一弱分类器的权重；
第二权重更新单元，根据所述第一弱分类器的权重更新所述第一权重，得到第二权重，并将所述第二权重作为每个所述训练图像的下一初始权重。
9.根据权利要求8所述的车辆品牌型号识别***，其特征在于，所述第一计算单元还包括：
第三计算单元，用于根据下式计算所述强分类器：
其中，F(X)为所述强分类器的输出，αt为所述第一弱分类器的权重，Clst(X)为所述第一弱分类器的输出，c为所述训练图像的标签，C为车辆品牌型号类别个数，T为所述弱分类器的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0；
第四计算单元，用于根据下式计算所述强分类器的准确率：
其中，Xi表示每个所述训练图像，Φ表示所述训练图像信息，ci为每个所述训练图像的标签，F(Xi)为所述强分类器的输出，σ为所述强分类器的准确率，M为所述训练图像的个数，I(x)函数表示为当x为真的时候，I为1，x为假的时候，I为0。
10.根据权利要求6所述的车辆品牌型号识别***，其特征在于，所述第一中级特征表示单元包括：
编码单元，用于利用多组所述字码信息对所述第一特征信息进行编码，得到编码信息；
池化单元，用于对所述编码信息进行池化，得到池化信息；
表示单元，用于根据所述池化信息表示所述训练图像信息，得到所述第一中级特征信息。
CN201710080331.4A 2017-02-14 2017-02-14 车辆品牌型号识别方法和*** Expired - Fee Related CN106909894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710080331.4A CN106909894B (zh) 2017-02-14 2017-02-14 车辆品牌型号识别方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710080331.4A CN106909894B (zh) 2017-02-14 2017-02-14 车辆品牌型号识别方法和***

Publications (2)

Publication Number Publication Date
CN106909894A CN106909894A (zh) 2017-06-30
CN106909894B true CN106909894B (zh) 2018-08-14

Family

ID=59207563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710080331.4A Expired - Fee Related CN106909894B (zh) 2017-02-14 2017-02-14 车辆品牌型号识别方法和***

Country Status (1)

Country Link
CN (1) CN106909894B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805177A (zh) * 2018-05-22 2018-11-13 同济大学 基于深度学习的复杂环境背景下车辆型号识别方法
CN111008546B (zh) * 2018-10-08 2023-09-15 上海汽车集团股份有限公司 一种传感器输出信号的识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679158A (zh) * 2013-12-31 2014-03-26 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105138989A (zh) * 2015-08-26 2015-12-09 浙江宇视科技有限公司 一种车辆遮阳板状态检测方法及装置
CN105404901A (zh) * 2015-12-24 2016-03-16 上海玮舟微电子科技有限公司 分类器的训练方法、图像检测方法及各自***
CN105938565A (zh) * 2016-06-27 2016-09-14 西北工业大学 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761531B (zh) * 2014-01-20 2016-04-06 西安理工大学 基于形状轮廓特征的稀疏编码车牌字符识别方法
CN104200228B (zh) * 2014-09-02 2017-05-10 武汉睿智视讯科技有限公司 一种安全带识别方法与***
CN106228166B (zh) * 2016-07-27 2019-05-21 北京交通大学 字符图像的识别方法
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679158A (zh) * 2013-12-31 2014-03-26 北京天诚盛业科技有限公司 人脸认证方法和装置
CN105138989A (zh) * 2015-08-26 2015-12-09 浙江宇视科技有限公司 一种车辆遮阳板状态检测方法及装置
CN105404901A (zh) * 2015-12-24 2016-03-16 上海玮舟微电子科技有限公司 分类器的训练方法、图像检测方法及各自***
CN105938565A (zh) * 2016-06-27 2016-09-14 西北工业大学 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法

Also Published As

Publication number Publication date
CN106909894A (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN109145766B (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
CN111738351B (zh) 模型训练方法、装置、存储介质及电子设备
US9563822B2 (en) Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system
JP5214760B2 (ja) 学習装置、方法及びプログラム
CN110135505B (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN111126396A (zh) 图像识别方法、装置、计算机设备以及存储介质
CN111144548A (zh) 抽油机井工况的识别方法及装置
CN108280480B (zh) 一种基于残差共生概率的隐写图像载体安全性评价方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN108764322A (zh) 一种基于概念漂移的流数据集成分类方法和装置
JP6426441B2 (ja) 密度計測装置、密度計測方法、およびプログラム
CN114821204A (zh) 一种基于元学习嵌入半监督学习图像分类方法与***
CN108154186B (zh) 一种模式识别方法和装置
CN113536020B (zh) 数据查询的方法、存储介质和计算机程序产品
CN106909894B (zh) 车辆品牌型号识别方法和***
CN108805280B (zh) 一种图像检索的方法和装置
CN115965058A (zh) 神经网络训练方法、实体信息分类方法、装置及存储介质
CN109886206B (zh) 一种三维物体识别方法及设备
CN114547365A (zh) 一种图像检索方法和设备
CN109902167B (zh) 嵌入结果的解释方法和装置
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN114037056A (zh) 一种生成神经网络的方法、装置、计算机设备和存储介质
CN104573696B (zh) 用于处理人脸特征数据的方法和装置
CN102609732A (zh) 基于泛化视觉词典图的物体识别方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Identification method and system of vehicle brand and model

Effective date of registration: 20200811

Granted publication date: 20180814

Pledgee: Beijing technology intellectual property financing Company limited by guarantee

Pledgor: BEIJING SEEMMO TECHNOLOGY Co.,Ltd.

Registration number: Y2020990000929

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20210721

Granted publication date: 20180814

Pledgee: Beijing technology intellectual property financing Company limited by guarantee

Pledgor: BEIJING SEEMMO TECHNOLOGY Co.,Ltd.

Registration number: Y2020990000929

PC01 Cancellation of the registration of the contract for pledge of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180814

CF01 Termination of patent right due to non-payment of annual fee