[发明专利]基于注意力机制的多层网络的车辆主子品牌识别方法

说明书

本发明属于计算机视觉领域和智能交通信息技术领域，具体涉及一种基于注意力机制的多层网络的车辆主子品牌识别方法，本发明的基于注意力机制的多层网络的车辆主子品牌识别方法，能同时得到车辆的主子品牌识别结果；基于注意力机制的多层网络的车辆主子品牌识别模型通过注意力机制，更加关注显著性区域，提高了模型的泛化能力；通过投票机制，使得模型在复杂场景下更加稳定和可靠。

技术领域

本发明属于计算机视觉领域和智能交通信息技术领域，具体涉及一种基于注意力机制的多层网络的车辆主子品牌识别方法。

背景技术

随着社会的高速发展，经济实力的不断提高，人民群众对地面交通出行的需求也随着增加。大量的机动车的涌现，使得当前城市中道路情况日益复杂，急需合理的交通管理来保证路面的畅通与人民的生命财产安全。因此，智能交通的发展是当务之急。同时，随着深度学习不断发展与突破，基于深度学习的计算机视觉技术在智能交通上存在着大量的应用。

在智能交通系统中，准确识别出车辆的主品牌与子品牌在城市交通设计、交通管理系统和公安系统有着重要的应用。它可以对不同的车辆的主品牌、子品牌进行识别，例如识别出某辆车的主品牌是大众，子品牌是桑塔纳等。公安系统可以利用车辆的主子品牌信息来识别车辆是否为套牌车；交通管理系统可以根据车辆的主子品牌信息来动态调节信号灯等。

目前，车辆主子品牌识别主要有两种方法，车标识别和车型识别。车标识别是针对车辆上的车标进行分类，得到车辆的品牌信息。但是，该方法只能识别出车辆的主品牌，无法判断车辆的子品牌；对图像质量要求高，车标需清晰可见。车型识别是区分车辆的种类，如桥车、货车和客车等，通过感应线圈得到信号波形，对波形进行分类得到车型信息。该方法灵活性不足，不易于安装；对车辆品牌识别的准确率低；维护成本高。

发明内容

针对上述的不足，本发明提供一种基于注意力机制的多层网络的车辆主子品牌识别方法。该基于注意力机制的多层网络的车辆主子品牌识别方法，能同时得到车辆的主子品牌识别结果；基于注意力机制的多层网络的车辆主子品牌识别模型通过注意力机制，更加关注显著性区域，提高了模型的泛化能力；通过投票机制，使得模型在复杂场景下更加稳定和可靠。

本发明通过以下技术方案实现：

一种基于注意力机制的多层网络的车辆主子品牌识别方法，所述的方法包含如下步骤：

步骤一：收集数据，选择不同场景、天气、光线和角度下的图片，且该图片仅包含一辆完整车辆区域，并对该图片进行分类，得到目标车辆的主品牌和子品牌信息，构建训练集；

步骤二：使用步骤一所得的训练集，训练基于注意力机制的多层网络的车辆主子品牌识别模型；

步骤三：使用步骤二得到的基于注意力机制的多层网络的车辆主子品牌识别模型，输入仅包含一辆完整车辆区域的图片，得到该目标车辆的主品牌预测概率矩阵和子品牌预测概率矩阵；

步骤四：使用步骤三得到的主品牌预测概率矩阵和子品牌预测概率矩阵，通过投票的方式，得到车辆的主品牌和子品牌识别结果。

进一步地，所述的基于注意力机制的多层网络的车辆主子品牌识别模型具有双层网络结构。

进一步地，所述的双层网络结构包括第一层网络和第二层网络，第一层网络由第一特征提取器和注意力网络组成，第二层网络由第二特征提取器组成。

进一步地，所述的第一层网络中的第一特征提取器和注意力网络通过双线性池化操作得到部位特征矩阵，并将该部位特征矩阵输入到全连接层，得到主品牌预测概率矩阵。

进一步地，所述的第二层网络中的输入是由第一层网络的注意力网络提取的显著性区域所构成，通过第二特征提取器得到输入图片的子品牌预测概率矩阵。

进一步地，所述的主品牌预测概率矩阵和子品牌预测概率矩阵通过投票的方式得到车辆的主品牌和子品牌识别结果。