一種基于深度學習的車輛多屬性聯合分析方法技術

本發明專利技術涉及一種基于深度學習的車輛多屬性聯合分析方法，屬于車輛多屬性聯合分析技術領域。在該方法中，首先，對車輛數據靜態圖像進行多屬性標注并完成挑選整理，包括離散特征：車輛類別、車型、車門數量、車座數量；以及連續特征：排氣量、最大時速；然后，將訓練數據集送入深度卷積神經網絡進行特征圖的提取以及Pooling運算；最后，采用改進的多屬性聯合分析方法對模型進行主輔任務優化訓練。本方法把多任務學習思想引入進深度卷積神經網絡中，梯度性地提升了網絡的整體性能；對多任務學習方法進行改進，增強了權值共享的全局性，最大限度地實現了各類任務之間的監聽效果；將最前沿的深度學習網絡模型應用于車輛分析領域，具有應用價值和推廣前景。

【技術實現步驟摘要】

本專利技術屬于車輛多屬性聯合分析
，涉及一種基于深度學習的車輛多屬性聯合分析方法。
技術介紹
車輛多屬性聯合分析已成為圖像處理、計算機視覺分析領域的新興研究方向，對車輛屬性的分析，是智能交通的一項關鍵技術,此技術通過對實際城市交通道路中的各類車輛圖像數據進行多任務學習，可實現車輛(車系、車輛廠商)分類、車型識別、車輛座椅及車門數量預測等多種功能，具有重要應用價值和社會意義。車輛屬性分析的方法有很多，但將目前最新的深度學習方法應用于此領域的技術卻很少。專利CN104992147A將深度學習與云計算應用于車牌識別，CN104657752A在安全帶的佩戴識別方面采用了深度學習方法，采用hough和haar特征對主、副駕駛區域進行分割，進而判斷識別，CN104391966A實現了基于深度學習的典型車標搜索方法，建立了深度置信網絡，對圓形及橢圓形車標分別進行了分類處理，CN104112144A是利用深度學習技術對目標的梯度值進行深度學習，再通過SVM作為分類器，進而對人和車進行識別。現有技術都是將深度學習直接應用于車輛某個單一屬性的分析中，這樣其實是并沒有完全發揮深度神經網絡的優勢功能，很大程度上限制了其強大的學習深度特征的能力，因此將多任務學習的思想引入深度學習方法是今后的重點發展方向。同時，深層網絡中的權值共享策略是多任務學習方法區別于其它單任務學習的最明顯特點，而如何能夠將這種共享機制最大化地發揮出來也同樣是難點所在，是急需考察的待解決問題。
技術實現思路
有鑒于此，本專利技術提供了一種基于深度學習的車輛多屬性聯合分析方法，該方法以深度學習網絡為基礎理論設計方案框架，進而引入多任務聯合訓練機制，建立復雜的多屬性內部監聽網絡結構，并對現有的權值共享方法進行改進，優化權值間的學習效率和魯棒性。本專利技術的具體技術方案如下：一種基于深度學習的車輛多屬性聯合分析方法，在該方法中，首先，對車輛數據靜態圖像進行多屬性標注并完成挑選整理，包括離散特征：車輛類別(車系model級、生產廠商make級)、車型、車門數量、車座數量；以及連續特征：排氣量、最大時速；然后，將訓練數據集送入深度卷積神經網絡進行特征圖的提取以及Pooling運算；最后，采用改進的多屬性聯合分析方法對模型進行主輔任務優化訓練。進一步，該方法具體包括以下步驟：S1：將多任務學習方法引入深度卷積神經網絡訓練模型；S2：構建多屬性聯合分析深層網絡；S3：改進多屬性訓練的內部監聽機制以增強權值共享。進一步，所述步驟S1包括：S11：準備多屬性的標注數據：對采集的車輛訓練數據進行多標簽的標注，使其含有多種屬性；本專利技術采用文獻“ALarge-ScaleCarDatasetforFine-GrainedCategorizationandVerification”中所提供的最新公共數據集CompCars作為驗證本專利技術方法有效性的數據支撐；S12：提取已完成分類的有效可用數據并進行詳盡整理，包括：S121：按照model(車系)級別將車輛分為431類，訓練集和測試集圖片數量分別為16,016張和14,939張，且訓練集已經被隨機化；S122：按照車輛方向屬性共分為F(front)、R(rear)、S(side)、FS(front-side)和RS(rear-side)共4類，其中F方向上的訓練集和測試集圖片數量分別為2,593張和2,381張；S123：按照車型屬性共細劃分為12種類別，分別為：MPV、SUV、掀背式車、轎車、小巴的士、溜背型轎車、連箱式車、皮卡、運動型轎車、跨界車、敞篷車和硬頂敞篷車，其中F方向上的訓練集和測試集圖片數量分別為2,524張和2,315張；S124：按照車門數量屬性共分為4類，分別為：2門、3門、4門以及5門，其在F方向上的訓練集和測試集中數據的數量分布情況與車型屬性相同。進一步，在步驟S2中，選取F方向(不僅于此方向)上的車輛數據進行算法驗證，并將此方向上車輛的model類別作為主要任務進行訓練和測試，車型屬性以及車門數量屬性作為兩項輔助學習任務依次加入本網絡中，從而實現多任務聯合學習的深度學習網絡，具體包括：本方法中所用的深度學習網絡共含有5個卷積層，2個全連接層以及1個判斷輸出層；其中，每一層提取出的特征圖，先與卷積核函數進行卷積后，再進行池化降維操作，最后被輸入送進到下一層；每層的詳細參數如下：第一卷積層的特征圖數量為96個，每個特征圖的大小為27*27維，卷積核為11*11維，池化層為3*3維；第二卷積層的特征圖數量為256個，每個特征圖的大小為12*12維，卷積核為5*5維，池化層為3*3維；第三卷積層的特征圖數量為384個，每個特征圖的大小為11*11維，卷積核為3*3維；第四卷積層的特征圖數量為384個，每個特征圖的大小為10*10維，卷積核為3*3維；第五卷積層的特征圖數量為256個，每個特征圖的大小為5*5維，卷積核為3*3維，池化層為3*3維；最后兩層全連接層分別為4096維和1024維。進一步，在步驟S3中，本方法將任務進行主、輔分離，即將主要任務d車輛的model類別作為優化的目標，其他的所有相關任務r∈R作為輔助任務；此處的輔助學習分類屬性包括：車型屬性、車門數量屬性、車輛拍攝方向角度；對于多屬性聯合分析方法的改進如以下公式所示： arg min W Σ i = 1 N t L d ( y i ( d ) , w d T x i + b ( d ) ) + Σ i = 1 N t Σ 本文檔來自技高網...

【技術保護點】
一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：在該方法中，首先，對車輛數據靜態圖像進行多屬性標注并完成挑選整理，包括離散特征：車輛類別、車型、車門數量、車座數量；以及連續特征：排氣量、最大時速；然后，將訓練數據集送入深度卷積神經網絡進行特征圖的提取以及Pooling運算；最后，采用改進的多屬性聯合分析方法對模型進行主輔任務優化訓練。

【技術特征摘要】
1.一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：在該方法中，首先，對
車輛數據靜態圖像進行多屬性標注并完成挑選整理，包括離散特征：車輛類別、車型、車門
數量、車座數量；以及連續特征：排氣量、最大時速；然后，將訓練數據集送入深度卷積神
經網絡進行特征圖的提取以及Pooling運算；最后，采用改進的多屬性聯合分析方法對模型
進行主輔任務優化訓練。
2.根據權利要求1所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：
該方法具體包括以下步驟：
S1：將多任務學習方法引入深度卷積神經網絡訓練模型；
S2：構建多屬性聯合分析深層網絡；
S3：改進多屬性訓練的內部監聽機制以增強權值共享。
3.根據權利要求2所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：
所述步驟S1包括：
S11：準備多屬性的標注數據：對采集的車輛訓練數據進行多標簽的標注，使其含有多種
屬性；
S12：提取已完成分類的有效可用數據并進行詳盡整理，包括：
S121：按照model(車系)級別將車輛分為431類，訓練集和測試集圖片數量分別為16,016
張和14,939張，且訓練集已經被隨機化；
S122：按照車輛方向屬性共分為F(front)、R(rear)、S(side)、FS(front-side)和
RS(rear-side)共4類，其中F方向上的訓練集和測試集圖片數量分別為2,593張和2,381張；
S123：按照車型屬性共細劃分為12種類別，分別為：MPV、SUV、掀背式車、轎車、小巴
的士、溜背型轎車、連箱式車、皮卡、運動型轎車、跨界車、敞篷車和硬頂敞篷車，其中F
方向上的訓練集和測試集圖片數量分別為2,524張和2,315張；
S124：按照車門數量屬性共分為4類，分別為：2門、3門、4門以及5門，其在F方向
上的訓練集和測試集中數據的數量分布情況與車型屬性相同。
4.根據權利要求3所述的一種基于深度學習的車輛多屬性聯合分析方法，其特征在于：
在步驟S2中，選取F方向(不僅于此方向)上的車輛數據進行算法驗證，并將此方向上車輛的
model類別作為主要任務進行訓練和測試，車型屬性以及車門數量屬性作為兩項輔助學習任
務依次加入本網絡中，從而實現多任務聯合學習的深度學習網絡，具體包括：
本方法中所用的深度學習網絡共含有5個卷積層，2個全連接層以及1個判斷輸出層；
其中，每一層提取出的特征圖，先與卷積核函數進行卷積后，再進行池化降維操作，最后被

\t輸入送進到下一層；每層的詳細參數如下：第一卷積層的特征圖數量為96個，每個特征圖的
大小為27*27維，卷積核為11*11維，池化層為3*3維；第二卷積層的特征圖數量為256個，
每個特征圖的大小為12*12維，卷積核為5*5維，池化層為3*3維；第三卷積層的特征圖數<...

【專利技術屬性】
技術研發人員：程誠，顏卓，馮友計，覃勛輝，呂江靖，周祥東，石宇，周曦，袁家虎，
申請(專利權)人：中國科學院重慶綠色智能技術研究院，
類型：發明
國別省市：重慶;85