[发明专利]一种基于自适应卷积神经网络的目标属性识别方法及系统

说明书

本发明提出一种基于自适应卷积神经网络的目标属性识别方法及系统，包括：对输入的待识别车辆图像进行特征提取；根据待识别的属性类别数设置对应数量的特征分离分支，将提取的特征分别输入各所述特征分离分支获取多维属性特征，将所述多维属性特征进行拼接后得到合并特征；将所述合并特征分别输入多个特征迁移层，获取多个迁移特征，并对所述迁移特征进行分类，输出多属性识别结果；本发明通过设计轻量级自适应神经网络，同时进行多个属性的识别，可有效提高属性识别效率及精度。

技术领域

本发明涉及智慧交通领域，尤其涉及一种基于自适应卷积神经网络的目标属性识别方法及系统。

背景技术

车辆多属性识别，是智慧交通的一项关键技术，属性识别同时也是近年来计算机视觉领域的研究热门之一。车辆属性识别通过对实际城市交通道路中的各类车辆图像数据进行多任务学习，实现车型、车辆颜色、车辆品牌以及年份等多种属性的识别，具有重要应用价值和社会意义。

目前，车辆属性识别通常是将深度学习直接应用于车辆某个单一属性的分析中，这样需要对每一个属性单独进行识别，耗费大量时间，并且没有充分发挥深度神经网络的优势功能，很大程度上限制了其强大的深度特征学习能力，因此将多任务学习的思想引入深度学习方法是今后的重点发展方向。同时，多任务学习的权值共享策略可以使得各个任务之间的学习相互促进，有助于学习出一个更为鲁棒的识别网络。如何能将这种共享机制最大化地发挥出来，是急需考察的待解决问题。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种基于自适应卷积神经网络的目标属性识别方法及系统，主要解决传统方法进行多属性识别时效率和精度不高的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种基于自适应卷积神经网络的目标属性识别方法，包括：

对输入的待识别车辆图像进行特征提取；

根据待识别的属性类别数设置对应数量的特征分离分支，将提取的特征分别输入各所述特征分离分支获取多维属性特征，将所述多维属性特征进行拼接后得到合并特征；

将所述合并特征分别输入多个特征迁移层，获取多个迁移特征，并对所述迁移特征进行分类，输出多属性识别结果。

可选地，通过预训练的轻量级网络对所述车辆图像进行特征提取。

可选地，所述轻量级网络至少包括MobileNet V2网络。

可选地，每个所述特征分离分支至少包括：卷积层、批量规范化层、非线性层。

可选地，所述特征迁移层由卷积核为1*1的卷积层组成。

可选地，所述非线性层采用Relu函数作为激活函数。

可选地，将每个所述特征迁移层输出端连接至少一层全连接层进行分类，分别获取每一个特征迁移层对应的分类结果。

可选地，通过交叉熵构建所述全连接层的损失函数；获取每个属性类别对应的损失值，构建总损失函数，根据所述总损失函数获取网络参数梯度，并采用梯度下降法进行所述网络参数更新。

一种基于自适应卷积神经网络的目标属性识别系统，包括：

特征提取模块，用于对输入的待识别车辆图像进行特征提取；

特征分离模块，用于根据待识别的属性类别数设置对应数量的特征分离分支，将提取的特征分别输入各所述特征分离分支获取多维属性特征；

多属性识别模块，用于将所述多维属性特征进行拼接后得到合并特征，将所述合并特征分别输入多个特征迁移层，获取多个迁移特征，并对所述迁移特征进行分类，输出多属性识别结果。