[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

说明书

本发明公开了一种基于特征融合的细粒度车辆属性分析系统及方法，所述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；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；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；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；结果展示平台接收并展示存储模块上传的车辆识别结果。本发明通过将细类跟粗类关联，减小细粒度分类输出的节点个数，节省训练的显存占用，同时能达到很好的识别效果。

技术领域

本发明涉及车辆属性分类领域，尤其涉及一种基于特征融合的细粒度车辆属性分析系统及方法。

背景技术

近些年来，计算机视觉领域发展迅速，细粒度图像识别问题的热度一直高居不下，与粗粒度识别算法相比，细粒度要求算法具备捕获目标精细特征的能力，且能克服来自物体尺寸、拍摄角度等环境因素的干扰。细粒度图像识别的目的是在一个大类中的众多子类中正确的识别目标，但相同子类中物体的动作和姿态步态可能相同，不同子类间也有可能有着相同的姿态，这是识别的一大难点。随着社会发展，车辆数量剧增，给交通管理带来不小压力，车辆属性分析识别也就显得尤为重要，目前市面上常运用细粒度图像识别技术实现对车辆属性的识别，而如何有效的对前景对象进行检测，并从中发现重要的局部区域信息，则成了细粒度图像分类算法所需解决的关键问题。

发明内容

基于此，本发明的目的是为了解决传统细粒度车辆属性识别技术在进行分类识别时识别效果不好的问题。

为实现上述目的，本发明提出一种基于特征融合的细粒度车辆属性分析系统及方法，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；

S4：输出最终车辆属性分析结果。

所述步骤S3还包括以下子步骤：

S31：将backbone 神经网络输出分成F1、F2、F3三个粗类别输出节点；

S32：在backbone神经网络中增加基于分辨率的attention机制，输出节点F4；

S33：将F3节点与F4节点进行Concat拼接。

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。

所述步骤S31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。

所述输出节点F4通过模型训练学习得到局部关键区域特征。

所述步骤S33还包括以下子步骤：

S331：对车型进行细分类；

S332：分出多个细类别输出节点。

所述S332中细类别输出节点个数为对应粗类别下的细类个数。

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；