[发明专利]一种基于数据增强的车辆图像检索方法

权利要求书

1.一种基于数据增强的车辆图像检索方法，其特征是：包括如下步骤：

(1)给定车辆图像数据集，并对图片进行归一化处理成CNN模型需要的数据输入格式；

(2)车辆图像数据增强：通过多尺度Retinex算法对原始车辆图片进行暗光增强，获得一个较大规模的车辆图像数据集；

(3)划分车辆图像数据集：按照8∶1∶1的比例，将车辆图像数据集拆分成训练集、验证集和检索测试集；

(4)构建基于VGGNet16的车辆图像检索模型，并进行模型训练和验证；

(5)车辆图像的特征提取：利用训练好的卷积神经网络模型对车辆图像进行一系列的卷积、池化和全连接操作，提取车辆图像的特征；

(6)模型测试：使用训练好的模型在检索测试集上进行检索，并评估该模型的泛化能力及检索准确度。

2.根据权利要求1所述的基于数据增强的车辆图像检索方法，其特征是：步骤(2)所述多尺度Retinex算法是：

对于一张车辆图像，采用多种尺度的高斯滤波函数，对图像的三个通道进行滤波，对每个尺度的反射分量取加权平均，得到最终输出结果，可以将r_i(x,y)＝i_i(x,y)-i_i(x,y)*G(x,y)的公式变为：

其中，G_k(x,y)代表第k个高斯滤波函数，N表示高斯滤波函数的数量，通过实验发现当N＝3时，车辆图像数据增强的效果最好；w_k是第k个尺度的权重，N个高斯滤波函数所占比例满足约束条件：

3.根据权利要求1所述的基于数据增强的车辆图像检索方法，其特征是：所述数据增强的算法步骤如下：

(1)输入原始图像I(x,y)，分离三个颜色通道空间分量并转化到对数域；

(2)设置高斯函数尺度的个数及大小；

(3)按照公式来获取图像r(x,y)；

(4)把r(x,y)从对数域转换到实数域得到R(x,y)；

(5)对R(x,y)进行线性矫正处理(因为R(x,y)的范围不在0～255的范内)，矫正后的图像即算法增强后的图像。

4.根据权利要求1所述的基于数据增强的车辆图像检索方法，其特征是：步骤(4)所述的模型训练过程如下：

(1)构建基于VGGNet网络结构，该步骤包括网络结构定义及初始化，构建好网络模型之后，使用迁移学习的方法，在ImageNet上的预训练权重初始化网络模型；

(2)利用数据增强后的车辆图像训练集对模型进行微调，并更新模型参数，保存训练过程中中间模型，同时记录不同时刻模型的分类精度，选取表现效果最好的模型作为车辆图像的特征提取引擎；

(3)使用训练好的模型提取网络模型的倒数第二层的全连接层的特征作为车辆图像的特征表示，得到4096维的图像特征表示向量；

(4)从检索测试集中随机选择100张图片作为查询图片，其余图片作为车辆检索图像数据库，采用训练好的模型提取查询图片的特征，然后在特征数据库中进行相似度计算返回检索结果，最后使用MAP评价指标对返回的结果进行评价。

5.根据权利要求1所述的基于数据增强的车辆图像检索方法，其特征是：所述特征提取包括：对用户上传的查询图片进行特征提取和对图片数据库进行特征提取。

6.根据权利要求1所述的基于数据增强的车辆图像检索方法，其特征是：步骤(6)所述的车辆图像检索包括特征提取、特征压缩和特征匹配三个步骤，其中：特征匹配，即相似度计算在图像检索系统中起着关键的作用；经过特征提取和特征压缩操作会把待检索车辆图像和数据库中的图像映射到同一特征空间，一般是浮点型向量形式。