[发明专利]一种基于特征融合的细粒度车辆属性分析系统及方法

权利要求书

1.一种基于特征融合的细粒度车辆属性分析方法，其特征在于，所述车辆属性分析方法具体步骤如下：

S1：输入视频，并对视频进行解码获得视频帧图像；

S2：对解码后的视频帧图像进行预处理；

S3：构建backbone神经网络，对输入图像进行特征提取；

S31：将backbone 神经网络输出分成F1、F2、F3三个粗类别输出节点，所述F1节点用于车辆颜色分类，所述F2节点用于车辆方向分类，所述F3节点用于车辆品牌的粗分类，还包括以下子步骤：

S311：根据车辆属性识别需求增加相应输出节点；

S32：在backbone神经网络中增加基于分辨率的attention机制，输出节点F4；输出节点F4通过模型训练学习得到局部关键区域特征；

S33：将F3节点与F4节点进行Concat拼接；采用级联的标注方式，对粗类及基于每个粗类下的细类进行标注；

S331：对车型进行细分类；

S332：分出多个细类别输出节点；S332中细类别输出节点个数为对应粗类别下的细类个数；

S4：输出最终车辆属性分析结果。

2.一种基于特征融合的细粒度车辆属性分析系统，用于实现权利要求1所述的一种基于特征融合的细粒度车辆属性分析方法，其特征在于，所述细粒度车辆属性分析系统包括：视频处理模块、车型识别模块、存储模块、结果展示平台；

所述视频处理模块用于视频输入并将输入的视频进行解码，获得视频帧图像；

所述车型识别模块用于接收视频处理模块输入的视频帧图像并对其进行特征处理，得到最终车辆属性识别结果，同时将车辆属性识别结果发送至存储模块；

所述存储模块接收并存储车型识别模块上传的车辆属性识别结果，同时将车辆属性识别结果上传至结果展示平台；

所述结果展示平台接收并展示存储模块上传的车辆识别结果；

所述车型识别模块还包括训练子模块、推理子模块、数据标注子模块；所述训练子模块采用交叉熵损失作为损失函数对算法识别模型进行训练；所述推理子模块利用训练完成后的算法识别模型对图像数据进行推理；所述数据标注子模块采用级联的标注方式，对粗类及基于每个粗类下的细类进行标注。