[发明专利]一种基于特征重校准的图像识别与分类方法及装置

说明书

本发明公开了一种基于特征重校准的图像识别与分类方法及装置。其中，该方法包括：获取车辆图像数据；将所述车辆图像数据进行识别和分类，得到训练数据集；通过所述训练数据集对预设网络进行训练，得到训练结果；根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果。本发明解决了现有技术中利用卷积神经网络来解决图像识别问题，依赖于人工提取特征的传统图像处理算法效率低下，由于很多匝道口拍摄的图片中存在较多边缘残缺位置，在利用FasterR‑CNN网络训练时，有残缺的车辆图片大多无法正确识别，且存在将背景区域误判为车辆的情况，在训练集上查准率较低的技术问题。

技术领域

本发明涉及计算机视觉技术领域，具体而言，涉及一种基于特征重校准的图像识别与分类方法及装置。

背景技术

随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。

近年我国高速公路通车里程在高速增长，同时随着信息技术的飞速发展，为建设智慧高速立体化管理系统提供有力支撑。其中路面监控视频数据具有对路面路况信息的获取最为丰富、数据可重复使用的概率最高、数据获取方式最为直接等优点，利用数字图像处理技术与模式识别技术实现人工智能判别交通异常的方法，能够实现高速公路上运动车辆自动检测、根据车辆特征自动跟踪、交通事故检测、道路异常判断等目标，对提高交通事故救援和排障的效率，提高高速公路运营管理效率具有重要意义。

目前，常利用卷积神经网络来解决图像识别问题。如高速公路的车辆图像，依赖于人工提取特征的传统图像处理算法费时费力，那这个时候我们可以采用目前性能较好的Faster R-CNN来处理。由于很多匝道口拍摄的图片中存在较多边缘残缺位置，在利用Faster R-CNN网络训练时，有残缺的车辆图片大多无法正确识别，且存在将背景区域误判为车辆的情况，在训练集上查准率较低，因此需要改进Faster R-CNN算法解决上述问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于特征重校准的图像识别与分类方法及装置，以至少解决现有技术中利用卷积神经网络来解决图像识别问题，依赖于人工提取特征的传统图像处理算法效率低下，由于很多匝道口拍摄的图片中存在较多边缘残缺位置，在利用FasterR-CNN网络训练时，有残缺的车辆图片大多无法正确识别，且存在将背景区域误判为车辆的情况，在训练集上查准率较低的技术问题。

根据本发明实施例的一个方面，提供了一种基于特征重校准的图像识别与分类方法，包括：获取车辆图像数据；将所述车辆图像数据进行识别和分类，得到训练数据集；通过所述训练数据集对预设网络进行训练，得到训练结果；根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果。

可选的，所述将所述车辆图像数据进行识别和分类，得到训练数据集包括：根据所述车辆图像数据，获取车辆边框数据和车辆分类数据；通过所述车辆边框数据和所述车辆分类数据，生成数据集文件；将所述车辆边框数据和所述车辆分类数据汇总入所述数据集文件中，得到所述训练数据集。

可选的，在所述通过所述训练数据集对预设网络进行训练，得到训练结果之后，所述方法还包括：对所述训练结果进行测试。

可选的，在所述根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果之后，所述方法还包括：将所述车辆识别与分类结果进行展示。

根据本发明实施例的另一方面，还提供了一种基于特征重校准的图像识别与分类装置，包括：获取模块，用于获取车辆图像数据；识别模块，用于将所述车辆图像数据进行识别和分类，得到训练数据集；训练模块，用于通过所述训练数据集对预设网络进行训练，得到训练结果；生成模块，用于根据所述训练结果和所述车辆图像数据，生成车辆识别与分类结果。