[发明专利]一种基于深度学习的车辆多属性联合分析方法

说明书

本发明涉及一种基于深度学习的车辆多属性联合分析方法，属于车辆多属性联合分析技术领域。在该方法中，首先，对车辆数据静态图像进行多属性标注并完成挑选整理，包括离散特征：车辆类别、车型、车门数量、车座数量；以及连续特征：排气量、最大时速；然后，将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算；最后，采用改进的多属性联合分析方法对模型进行主辅任务优化训练。本方法把多任务学习思想引入进深度卷积神经网络中，梯度性地提升了网络的整体性能；对多任务学习方法进行改进，增强了权值共享的全局性，最大限度地实现了各类任务之间的监听效果；将最前沿的深度学习网络模型应用于车辆分析领域，具有应用价值和推广前景。

技术领域

本发明属于车辆多属性联合分析技术领域，涉及一种基于深度学习的车辆多属性联合分析方法。

背景技术

车辆多属性联合分析已成为图像处理、计算机视觉分析领域的新兴研究方向，对车辆属性的分析，是智能交通的一项关键技术,此技术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，可实现车辆(车系、车辆厂商)分类、车型识别、车辆座椅及车门数量预测等多种功能，具有重要应用价值和社会意义。

车辆属性分析的方法有很多，但将目前最新的深度学习方法应用于此领域的技术却很少。专利CN104992147A将深度学习与云计算应用于车牌识别，CN104657752A在安全带的佩戴识别方面采用了深度学习方法，采用hough和haar特征对主、副驾驶区域进行分割，进而判断识别，CN104391966A实现了基于深度学习的典型车标搜索方法，建立了深度置信网络，对圆形及椭圆形车标分别进行了分类处理，CN104112144A是利用深度学习技术对目标的梯度值进行深度学习，再通过SVM作为分类器，进而对人和车进行识别。

现有技术都是将深度学习直接应用于车辆某个单一属性的分析中，这样其实是并没有完全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学习深度特征的能力，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，深层网络中的权值共享策略是多任务学习方法区别于其它单任务学习的最明显特点，而如何能够将这种共享机制最大化地发挥出来也同样是难点所在，是急需考察的待解决问题。

发明内容

有鉴于此，本发明提供了一种基于深度学习的车辆多属性联合分析方法，该方法以深度学习网络为基础理论设计方案框架，进而引入多任务联合训练机制，建立复杂的多属性内部监听网络结构，并对现有的权值共享方法进行改进，优化权值间的学习效率和鲁棒性。

本发明的具体技术方案如下：

一种基于深度学习的车辆多属性联合分析方法，在该方法中，首先，对车辆数据静态图像进行多属性标注并完成挑选整理，包括离散特征：车辆类别(车系model级、生产厂商make级)、车型、车门数量、车座数量；以及连续特征：排气量、最大时速；然后，将训练数据集送入深度卷积神经网络进行特征图的提取以及Pooling运算；最后，采用改进的多属性联合分析方法对模型进行主辅任务优化训练。

进一步，该方法具体包括以下步骤：

S1：将多任务学习方法引入深度卷积神经网络训练模型；

S2：构建多属性联合分析深层网络；

S3：改进多属性训练的内部监听机制以增强权值共享。

进一步，所述步骤S1包括：

S11：准备多属性的标注数据：对采集的车辆训练数据进行多标签的标注，使其含有多种属性；本发明采用文献“A Large-Scale Car Dataset for Fine-GrainedCategorization and Verification”中所提供的最新公共数据集CompCars作为验证本发明方法有效性的数据支撑；

S12：提取已完成分类的有效可用数据并进行详尽整理，包括：