[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

说明书

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。

技术领域

本发明涉及机器视觉目标识别技术领域，具体是一种基于深度学习的复杂环境背景下车辆型号识别方法。

背景技术

车辆信息识别在智能交通、电子收费、车辆监管、安防等领域有着越来越广泛的应用，其中车辆型号的识别尤为重要。但现实生活中，车辆通常处于复杂环境背景中，对车辆型号进行准确识别面临诸多问题，如自然环境中背景多变、图像品质易受天气因素干扰、拍摄角度和高度不同导致车辆出现形变和尺度变化。现有的车辆型号识别方法大多识别车辆的类型，对车辆品牌的识别主要基于车辆的局部特征，如车头、车标等信息，在实际应用中易受到复杂环境背景的干扰，影响识别的准确性。而人工辅助识别的方式存在效率低、以及误判和遗漏的局限。

发明内容

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，本发明提出一种基于深度学习的复杂环境背景下车辆型号识别方法，旨在提高复杂环境背景下车辆型号识别的准确性。

本发明技术方案为：

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，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。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U^Tx得到数据集经过旋转后的结果x_rot。

步骤13，基于x_rot对数据集进行PCA白化，得到x_PCAwhite,i。

步骤14，将x_PCAwhite,i左乘特征向量矩阵U，得到训练样本的ZCA白化结果x_ZCAwhite。

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x_ZCAwhite，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。