[发明专利]一种基于数据增强的车辆图像检索方法

说明书

本发明公开了一种基于数据增强的车辆图像检索方法，该方法是使用多尺度Retinex算法对现有的公开车辆图像数据进行数据增强，得到一个大规模车辆图像数据集；其次，使用卷积神经网络构建车辆图像检索模型并在增强后的数据集上进行训练，同时采用迁移学习的方法缩短模型的训练周期；最后，选择分类效果表现最好的模型作为特征提取引擎在检索测试集上进行模型评价。该方法解决了车辆图像缺乏和人为标注等带来的影响，在一定程度上可以增加模型的准确率和泛化能力。使用迁移学习的方法加快模型收敛的速度，减少训练的时间，提高车辆图像检索的准确率。

技术领域

本发明涉及车辆图像检索领域，具体是一种基于数据增强的车辆图像检索方法。

背景技术

对于车辆图像检索模型来说，训练集的大小以及质量会直接影响模型训练的好坏。如果采用的训练集过小，模型学习难以拟合所有可能的情况，会导致模型泛化能力不高，导致过拟合的情况。另外，卷积神经网络模型在训练过程中往往涉及到成千上万的参数，需要大量的数据来进行参数的学习。因此训练出一个好的模型需要大量的车辆图片数据集。

发明内容

针对上述问题，本发明提供一种基于数据增强的车辆图像检索方法，该方法采用数据增强的方法对现有的公开数据集进行扩充，得到一个大规模的车辆图像数据集用于模型的训练，并采用迁移学习的方法来降低模型的训练周期，以提高车辆图像检索的精度。

实现本发明目的的技术方案是：

一种基于数据增强的车辆图像检索方法，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，并进行模型的训练和验证；

(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。

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：

数据增强算法的具体实现步骤如下：

(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)根据公式获取图像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。