[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

说明书

本发明公开了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，包括：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；构建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；构建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；得到车辆品牌融合特征向量F_C；构建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。本发明将迁移学习理论与深度学习紧密结合，从而可以更精准的实现多种类型货车车辆品牌的分类，可对高速公路场景中货车智慧收费系统提供技术支持。

技术领域

本发明属于智能交通、智慧高速研究领域，具体涉及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。

背景技术

车辆检测技术是智能交通系统中重要的一环，广泛应用于各种交通场景，无论对于交通执法、交通流检测，还是ETC不停车收费系统，该技术对于解决交通难题起着重大作用。传统的车辆检测技术大多基于车辆的颜色特征和纹理特征，基于颜色特征的车辆检测方法计算简单，实时性高，但鲁棒性较差；基于纹理特征的车辆检测方法对噪声的鲁棒性较高，检测效果较好。

随着计算机视觉和GPU等技术的快速发展，基于卷积神经网络的车辆检测及识别技术得到迅速发展。计算机的图像处理能力得到了大幅度提高，随之而来的是深度学习的快速发展。深度学习相比于传统的机器学习算法相比，不需要手动的提取特征，因此具有良好的普适性和自适应性。与此同时，由于深度学习的方法相对于机器学习的方法参数量大大提高，对数据量的要求也大大提高，从头训练一个网络往往需要几百万甚至上千万的数据量，这对于单一检测或识别任务来说几乎是不可能的。

发明内容

发明目的：为了克服现有技术中存在的不足，提供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，其利用基于最大均值差异(MMD)迁移学习的深度学习方法有效地对货车车辆品牌类型进行识别和分类，可对高速公路场景中货车智慧收费系统提供技术支持。

技术方案：为实现上述目的，本发明提供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，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。

进一步的，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：