[发明专利]一种基于深度学习的车辆颜色识别方法与装置

权利要求书

1.一种基于深度学习的车辆颜色识别方法，其特征在于，包括：

输入车辆图像作为测试样本与训练样本并进行预处理；

使用随机和稀疏连接表在特征维度上构建每个卷积层，并根据多个卷积层构建卷积神经网络对车辆图像反复进行卷积与池化操作；

根据每个叠加层第一层的输入与网络叠加层拟合的底层映射学习卷积神经网络的残差映射,为分别在滤波器个数为256，512，1024的多尺度特征融合层后与网络叠加层拟合的底层映射学习卷积神经网络的残差映射添加具有三层构造的残差学习构造块并进行修正线性单元激活，其中，所述三层构造依次为1×1的卷积核、3×3的卷积核与1×1的卷积核；

将不同深度上的特征进行归一化并融合为深层颜色特征；

使用深层颜色特征训练分类器识别测试样本的车辆颜色。

2.根据权利要求1所述的方法，其特征在于，所述使用随机和稀疏连接表在特征维度上构建每个卷积层，根据多个卷积层构建卷积神经网络对车辆图像反复进行卷积与池化操作包括：

卷积层在特征维度上使用随机和稀疏连接表组合密集的网络形成逐层结构，分析最后一层的数据统计并聚集成具有高相关性的神经元组，该神经元形成下一层的神经元并连接上一层的神经元；

相关的神经元集中在输入数据图像的局部区域，在下一层覆盖小尺寸的卷积层，小数量展开的神经元组被较大的卷积所覆盖，其中，融合多尺度特征的卷积层采用1×1,3×3和5×5大小的过滤器，所有输出的滤波器组连接作为下一层的输入；

使用最大汇聚对局部区域中邻域内的特征点取最大值的方式进行池化操作；

在高计算量的3×3和5×5的卷积核之前添加1×1的卷积核。

3.根据权利要求1所述的方法，其特征在于，所述将不同深度上的特征进行归一化并融合为深层颜色特征，为在合并的特征图向量中的每个像素内进行归一化，并根据缩放因子对每个向量的通道独立的进行缩放；对残差学习后的特征按照输出由大到小分步进行池化操作，并利用归一化后的开端模型块进行合并使得图像信息的局部特征与全局特征相结合。

4.根据权利要求3所述的方法，其特征在于，利用归一化后的开端模型块进行合并，为对滤波器个数为256的特征的开端模型进行像素降维并与滤波器个数为512的特征的开端模型合并，生成的并联层再次进行像素降维并与滤波器个数为1024的特征的开端模型合并。

5.根据权利要求1所述的方法，其特征在于，所述使用深层颜色特征训练分类器识别测试样本的车辆颜色包括：

使用深层颜色特征训练支持向量机分类器；

对比统计不同网络层输出特征识别车辆的准确率；

根据准确率最高的网络层特征识别测试样本的车辆颜色。

6.根据权利要求5所述的方法，其特征在于，所述不同网络层包括以下至少之一：汇聚层、经过残差学习模型块后的多尺度特征融合层、未经过残差学习模型块后的多尺度特征融合层以及全局特征局域特征融合层。

7.一种电子设备，其特征在于，包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任一项所述的方法。