[发明专利]一种基于迁移学习深层网络融合模型的货车品牌分类方法

权利要求书

1.一种基于迁移学习深层网络融合模型的货车品牌类型识别分类方法，其特征在于：包括如下步骤：

S1：获取货车图像，采用基于边缘方向直方图的可变形部件模型对货车图像进行货车车脸检测，构建货车车脸图像集；

S2：构建用于车辆品牌特征提取的基于最大均值差异迁移学习的Inception V3-MMD网络模型，并基于车脸图像获取车辆品牌特征向量F_I；

S3：构建用于车辆品牌特征提取的基于最大均值差异迁移学习的Xception-MMD网络模型，并基于车脸图像获取车辆品牌特征向量F_X；

S4：构建用于车辆品牌特征提取的基于最大均值差异迁移学习的DenseNet-201-MMD网络模型，并基于车脸图像获取车辆品牌特征向量F_D；

S5：采用特征串联融合规则，将获取的车脸图像特征向量F_I、F_X和F_D进行融合，得到车辆品牌融合特征向量F_C；

S6：构建用于货车车辆品牌类型分类的基于最大均值差异迁移学习的深层网络融合模型的输出层，并根据获取的车型融合特征向量F_C对货车品牌进行识别分类；

所述步骤S1中采用基于边缘方向直方图的可变形部件模型对货车图像进行货车车脸检测的具体步骤如下：

S1-1：输入待检测图片；

S1-2：提取图片EOH特征：

S1-3：计算组件数为1部件数为2的DPM检测模型中的根滤波器对提取出的EOH特征的响应值，并计算各部件滤波器响应值和变形花费；

S1-4：计算总分，若总分大于阈值则检测到货车车脸，反之未检测到车脸；

所述步骤S1-2中图片EOH特征的提取步骤如下：

①图像灰度化；

②采用Sobel运算得到(x，y)点的dx和dy；

③计算所有边缘点的边缘方向，θ(x，y)＝tan^-1(dy/dx)；

④将图像分成16×16大小的单元格；

⑤将边缘方向等分为16份，记为16个bin，然后统计每个bin的边缘点数量，构成边缘方向直方图，统计得到一个单元格内的边缘方向直方图；

⑥将所有单元格的边缘方向直方图串联，得到整张图片的特征描述子；

所述步骤S2中基于最大均值差异迁移学习的Inception V3-MMD网络模型的构建方法为：基于Inception V3-MMD的货车车辆品牌分类模型，在InceptionV3的基础上在最后一层全连接层加入基于MMD的迁移学习，整个网络模型输入为三通道图像，每个block代表一组计算，前两组为卷积计算，一组卷积计算中包含若干卷积层和一个池化层，完成2个Block卷积计算后，与Inception单元相连，Block 3中使用3个Inception A单元，Block 4中使用1个Inception B单元，Block 5中使用4个Inception C单元，Block 6中使用1个Inception D单元，Block 7中使用2个Inception E单元；

所述步骤S3中基于最大均值差异迁移学习的Xception-MMD网络模型的构建方法为：基于Xception-MMD的货车车辆品牌分类模型，在Xception的基础上在最后一层全连接层加入基于MMD的迁移学习，整个网络包括输入模块、中间模块和输出模块，分别包含三个深度可分卷积单元，八个深度可分卷积单元，一个深度可分卷积单元，模型输入为三通道图像，输出模块在深度可分卷积单元后进行两次深度可分卷积运算并进行全局平均最大池化，得到特征向量，输入全连接层，用逻辑回归进行分类；

所述步骤S4中基于最大均值差异迁移学习的DenseNet-201-MMD网络模型的构建方法为：基于DenseNet-201-MMD的货车车辆品牌分类模型，在DenseNet-201的基础上在最后一层全连接层加入基于MMD的迁移学习，DenseNet-201第一层为卷积层，之后进行池化，之后连接1个Block单元，1个过渡层，依此类推，总共有4个Block层和4个过渡层，最后连接分类层，包括1个全局平均池化层和基于MMD迁移学习的全连接层以及Softmax层。