[发明专利]一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法

说明书

本发明涉及图像细粒度分类技术领域，具体涉及一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法，具体包括以下步骤：步骤1：利用目标检测模型SSD对原始数据集进行目标识别，裁剪出原始图像中包含车辆的区域；步骤2：对步骤1得到的裁剪图像进行数据扩充，让数据集达到特征分组的双线性卷积模型训练的要求；步骤3：利用扩充后的数据集对基于特征分组的双线性卷积模型进行训练；步骤4：基于特征分组的双线性卷积网络对输入图像进行汽车品牌识别；解决了传统车辆识别方法容易被复杂背景干扰以及识别模型参数量过多不易部署的问题；结合使用了目标检测模型来对目标区域进行提取，剔除了大部分的背景信息，减少了模型的识别难度。

技术领域

本发明涉及图像细粒度分类技术领域，用于解决传统车辆识别方法容易被复杂背景干扰以及识别模型参数量过多不易部署的问题，具体涉及一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法。

背景技术

汽车品牌识别技术主要是通过对输入图像的一系列处理工作，然后在图像中找出汽车所在的具体区域，然后对汽车进行品牌识别，在当今的日常生产生活中，汽车品牌识别技术在城市智能交通、互联网图像检索领域都有着巨大的应用前景。

原始的双线性卷积神经网络采用双线性的机制，使用两路卷积网络分别去提取图像中物体的特征，其大体思想是两路卷积分别取提取不同的特征，利用外积操作来获得高维度的细粒度特征，最后利用Sonmax或者SVM(Support Vector Machine)等分类器对提取特征进行分类。

目前细粒度分类技术相比于普通图像分类任务还存在很多难点，尤其是在复杂背景的应用场景下，待识别目标很容易被背景信息所干扰，会导致模型识别难度的提升；其次，目前的细粒度分类模型通常参数量比较多，需要设备具有大的显存或内存，不利于在应用场景中进行高效部署。

发明内容

本发明的目的在于：解决传统车辆识别方法容易被复杂背景干扰以及识别模型参数量过多不易部署的问题，提供一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法，结合使用了目标检测模型来对目标区域进行提取，剔除了大部分的背景信息，减少了模型的识别难度；对原始双线性卷积神经网络进行了改进，首先使用了目标检测模型SSD对图像先进行目标提取；其次对双线性模型结构也进行了改进，利用特征分组模块大幅地降低了模型整体的参数量，让模型在实际场景下部署更容易；实现复杂背景下对车辆的识别。

本发明采用的技术方案如下：

一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法，具体包括以下步骤：

步骤1：利用目标检测模型SSD对原始数据集进行目标识别，裁剪出原始图像中包含车辆的区域；

步骤2：对步骤1得到的裁剪图像进行数据扩充，让数据集达到特征分组的双线性卷积模型训练的要求；

步骤3：利用扩充后的数据集对基于特征分组的双线性卷积模型进行训练；

步骤4：基于特征分组的双线性卷积网络对输入图像进行汽车品牌识别。

进一步的，步骤1的具体方法如下：

步骤1-1：对收集的数据进行手工标注，构建汽车品牌原始数据集；

步骤1-2：利用目标检测模型SSD对原始图像进行目标检测，提取出图像中包含汽车的区域作为新的图像数据。

进一步的，步骤2的具体方法如下：

步骤2-1：将步骤1-2中获得的每张裁剪后的图片进行旋转、随机裁剪、翻转、仿射变换操作，将得到的图像并入步骤1-2的原始数据集中，得到最终扩充的数据集；

步骤2-2：将步骤2-1中得到的图像进行尺寸缩放，把全部图像的尺寸都固定为448*448。

进一步的，步骤3的具体方法如下：