[发明专利]一种智能车辆型号识别方法

说明书

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。

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(x_a,x_p,x_n)，x_a为某一 对象的标准样本，x_p为同一对象的的样本，称为正例样本，x_n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,…,p_i,…,p₁₂₈]^T进 行L₂归一化，即