[发明专利]一种基于单网络多任务学习的车辆多属性检测方法

说明书

本发明公开了一种基于单网络多任务学习的车辆多属性检测方法，该方法包括：图片收集与筛选；数据集制作；网络设计，基于Darknet深度学习框架，根据车辆多属性的特点采用端到端的、一阶段非级联模式设计网络结构，搭建网络模型；模型训练，设定并调整模型参数，根据设计的网络模型训练车辆多属性数据集，并在训练时，进行数据增强和多尺度训练；模型测试和模型评估六个步骤。本发明基于Darknet的深度学习框架平台进行设计、搭建网络模型，是一种端到端的一阶段非级联结构，网络通过采用数据增强、卷积核分离、多尺度特征融合等技术，提升了车辆多属性的检测效果，在实现较高检测精确率和查全率的同时，具有较好的实时性。

技术领域

本发明涉及计算机视觉方向的目标检测技术领域，具体是指一种基于单网络多任务学习的车辆多属性检测方法。

背景技术

随着经济的不断发展，汽车已成为人们最主要的交通工具，在给人们提供便利的同时，其导致的道路交通拥堵、车辆监管等问题也日趋严重。智能交通系统、车辆监管系统已普遍被大众所认可，作为智慧城市的一部分，其主要应用于道路交通管理、公安刑侦调查、停车场监控、小区智能管理等方面。随着信息化时代的到来，如何高效地做到车辆实时检测(即车辆的定位与识别)、人车精确匹配是智能车管理亟待解决的问题。

传统的车辆识别方法主要以车牌检测为主，但是车牌磨损、遮挡、易变动和受光照环境等影响成为其有效检测的绊脚石，另外在刑侦领域，仅仅依靠车牌单一属性的检测已不足以精确识别车辆的真实身份，在此情况下，车辆多属性识别技术的应用则显得异常重要，它可以弥补车牌等单属性识别的不足，从而进一步提高智能交通系统和车管系统的可靠性。现有的车辆属性检测技术主要是基于传统的图形处理算法，其准确率低、漏检性高且实时性差；近年来，随着深度学习的高速发展，基于神经网络进行车辆属性识别的技术越来越多，但是多属性的识别研究依旧很少；并且现有的“基于多任务学习的车辆多属性识别”技术的准确率、查全率和实时性仍难令人满意，无法对车辆属性进行准确检测。

申请号CN201610067290.0，一种基于深度学习的车辆多属性联合分析方法与申请号CN201711107713.8，一种基于卷积神经网络的细粒度车辆多属性识别方法都将多任务学习方法的内部监听机制和权值共享策略引入深度卷积神经网络，以期实现车辆多属性联合分析，然而第一：两者的基础网络都是简单的直连网络，且都没有考虑网络对诸如车身车型、车牌等不同属性尺度差异的适应性；第二，两个网络都使用了较大尺寸的卷积核，导致网络参数过多，容易过拟合；第三，训练过程中没有根据实际场景对数据图片进行数据增强处理(data augmentation)，导致网络的鲁棒性差，泛化能力弱。

综上所述，已有车辆多属性检测技术存在如下缺陷：

(1)没有考虑车辆不同属性的尺度差异问题。

(2)网络所使用的卷积核尺寸过大，导致网络训练的参数过多，计算量增大的同时极易出现过拟合。

(3)没有考虑实际场景下车辆照片易受分辨率、旋转角度、饱和度、曝光度、色调等因素的影响。

(4)以上三个方面的缺陷导致车辆多属性检测复杂性高、准确率低、漏检率高、实时性差。

发明内容

本发明的目的在于提供一种基于单网络多任务学习的车辆多属性检测方法，该方法基于Darknet的深度学习框架平台进行设计、搭建网络模型，采用一种端到端的一阶段非级联结构，网络通过采用数据增强技术、卷积核分离技术以及多尺度特征融合技术，提升车辆多属性的检测效果，在实现较高检测精确率和查全率的同时，具有较好的实时性。

本发明通过下述技术方案实现：

一种基于单网络多任务学习的车辆多属性检测方法，该方法包括：

步骤一：图片收集与筛选；

步骤二：数据集制作，根据VOC标准数据集格式制作车辆多属性数据集；