[发明专利]基于经验回放的车辆型号识别方法、装置、设备及介质

权利要求书

1.一种基于经验回放的车辆型号识别方法，其特征在于，包括：

获取原始车辆图像；所述原始车辆图像包括车辆型号信息；

通过GAN网络对所述原始车辆图像进行数据扩充，得到车型样本数据；

将所述车型样本数据输入带有经验回放的对抗网络进行训练，得到目标模型；

根据所述目标模型对获取的待识别车辆图像进行识别，确定所述待识别车辆图像中的车辆型号。

2.根据权利要求1所述的一种基于经验回放的车辆型号识别方法，其特征在于，所述获取原始车辆图像信息，包括：

通过爬虫技术爬取已知车辆型号信息的原始车辆图像；

对所述原始车辆图像进行灰度化处理、亮度归一化处理以及对比度归一化处理，得到用于表征纹理信息的目标图像；

将所述目标图像输入到预训练网络中，提取出特征块；

将所述特征块输入SVM分类器中进行训练，得到目标SVM分类器；

将所述目标图像输入所述SVM分类器，输出各类识别结果的概率标签；

根据所述概率标签，计算车辆型号的识别结果，作为原始车辆图像中的车辆型号信息。

3.根据权利要求2所述的一种基于经验回放的车辆型号识别方法，其特征在于，所述通过GAN网络对所述原始车辆图像进行数据扩充，得到车型样本数据，包括：

向所述GAN网络输入噪声数据，得到测试样本，将所述原始车辆图像作为训练样本；

将所述训练样本和所述测试样本输入所述GAN网络的初始判别器中，得到判别结果；

通过DQN网络对所述GAN网络进行训练，得到理想生成器和理想判别器；

通过所述理想生成器生成车辆外观图像，并由所述理想判别器对所述生成的车辆外观图像进行检验，并将通过检验的车辆外观图像作为所述原始车辆图像的扩充结果。

4.根据权利要求3所述的一种基于经验回放的车辆型号识别方法，其特征在于，所述将所述车型样本数据输入带有经验回放的对抗网络进行训练，得到目标模型，包括：

将所述车型样本数据作为当前状态数据；

将所述当前状态数据输入带有经验回放的对抗网络进行训练，对Q值函数进行更新，直到所述Q值函数收敛，获得收敛后的神经网络模型；

将所述测试样本输入所述神经网络模型，对所述神经网络模型进行测试，得到目标模型。

5.根据权利要求4所述的一种基于经验回放的车辆型号识别方法，其特征在于，所述将所述当前状态数据输入带有经验回放的对抗网络进行训练，对Q值函数进行更新，直到所述Q值函数收敛，获得收敛后的神经网络模型，包括：

获取车辆信号图片的样本参数，生成马尔可夫决策过程四元组；

在Prioritized Replay DQN中初始化Q-Table；

在Prioritized Replay DQN中实现所述Q-Table。

6.根据权利要求5所述的一种基于经验回放的车辆型号识别方法，其特征在于，所述在Prioritized Replay DQN中实现所述Q-Table，包括：

采用深度神经网络作为Q-Table，并预设目标参数；

在Q值中使用2范数来定义目标函数；

计算所述目标参数关于代价函数的梯度；

根据所述梯度，使用随机梯度下降法得到最优Q值；

根据所述最优Q值对所述深度神经网络进行循环训练；

获取经验回放数据集，根据所述目标函数，通过梯度反向传播来更新Q网络的所有超参数。

7.一种基于经验回放的车辆型号识别装置，其特征在于，包括：

获取模块，用于获取原始车辆图像；所述原始车辆图像包括车辆型号信息；

数据扩充模块，用于通过GAN网络对所述原始车辆图像进行数据扩充，得到车型样本数据；

训练模块，用于将所述车型样本数据输入带有经验回放的对抗网络进行训练，得到目标模型；

识别模块，用于根据所述目标模型对获取的待识别车辆图像进行识别，确定所述待识别车辆图像中的车辆型号。