一种基于多尺度约束的细粒度车辆图像检索的方法及装置
阅读：454发布：2020-05-08
专利汇可以提供一种基于多尺度约束的细粒度车辆图像检索的方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于多尺度约束的细粒度车辆图像检索的方法及装置，所述方法包括：对第一 训练数据 集进行多尺度区域信息标注，得到第二训练数据集；基于改进的 包围盒 约束 算法 和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。本发明相比于 现有技术 ，减少了需预先标注图像类别或选框标注对象 位置 的工作量，节省成本，提高了效率。，下面是一种基于多尺度约束的细粒度车辆图像检索的方法及装置专利的具体信息内容。
1.一种基于多尺度约束的细粒度车辆图像检索方法，其特征在于，包括：
对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；
采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。
2.根据权利要求1所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，在所述对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集步骤之前，所述方法还包括：
构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
采用ImageNet数据集对所述细粒度神经网络模型进行预训练。
3.根据权利要求2所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，所述基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理的步骤，包括：
根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；
采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。
4.根据权利要求1所述的基于多尺度约束的细粒度车辆图像检索的方法，其特征在于，所述采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值的步骤，包括：
所述第三训练数据集中的图像输入细粒度神经网络模型，通过所述细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；
将所述n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个掩映图；
采用双三次插值的方法调整所述掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；
选取所述掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
5.一种基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，包括：
第一获取模块，用于对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
处理模块，用于基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；
训练模块，用于采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
识别模块，用于将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。
6.根据权利要求5所述的基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，所述装置还包括：
模型构建模块，用于构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
预训练模块，用于采用ImageNet数据集对所述细粒度神经网络模型进行预训练。
7.根据权利要求5所述的基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，所述处理模块包括：
包围盒约束模块，用于根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；
海伦约束模块，用于采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。
8.根据权利要求5所述的基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，所述训练模块包括：
提取模块，用于所述第三训练数据集中的图像输入细粒度神经网络模型，通过所述细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；
叠加模块，用于将所述n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个掩映图；
调整模块，用于采用双三次插值的方法调整所述掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；
判断模块，用于选取所述掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述方法的步骤。
10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-4中任一项所述方法的步骤。
一种基于多尺度约束的细粒度车辆图像检索的方法及装置
技术领域
[0001] 本发明涉及图像检索技术领域，具体涉及一种基于多尺度约束的细粒度车辆图像检索的方法、装置、终端设备及计算机可读介质。
背景技术
[0002] 车辆图像检索是通过输入图像来检索相似图像的一种技术，其主要涉及图像车辆特征提取以及图像车辆特征相似度分析这两大部分。细粒度图像识别是在于寻找图像中存在细微差别的局部区域特征，可以识别一个大类中的不同小类。将细粒度图像识别技术用于车辆图像检索中，可以提取图像细粒度特征并对图像细粒度特征相似性进行分析。
发明内容
[0005] 本发明实施例的第一方面提供了一种基于多尺度约束的细粒度车辆图像检索的方法，包括：
[0006] 对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
[0007] 基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；
[0008] 采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
[0009] 将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。
[0010] 进一步地，在所述对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集步骤之前，所述方法还包括：
[0011] 构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
[0012] 采用ImageNet数据集对所述细粒度神经网络模型进行预训练。
[0013] 进一步地，所述基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理的步骤，包括：
[0014] 根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；
[0015] 采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。
[0016] 进一步地，所述采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值的步骤，包括：
[0017] 所述第三训练数据集中的图像输入细粒度神经网络模型，通过所述细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；
[0019] 采用双三次插值的方法调整所述掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；
[0020] 选取所述掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
[0021] 本发明实施例的第二方面提供了一种基于多尺度约束的细粒度车辆图像检索的装置，其特征在于，包括：
[0022] 第一获取模块，用于对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
[0023] 处理模块，用于基于改进的包围盒约束算法和海伦约束算法对所述第二训练数据集进行处理，得到第三训练数据集；
[0024] 训练模块，用于采用所述第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
[0025] 识别模块，用于将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与所述待识别车辆图像同类型的目标车辆图像。
[0026] 进一步地，所述装置还包括：
[0027] 模型构建模块，用于构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
[0028] 预训练模块，用于采用ImageNet数据集对所述细粒度神经网络模型进行预训练。
[0029] 进一步地，所述处理模块包括：
[0030] 包围盒约束模块，用于根据所述第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；
[0031] 海伦约束模块，用于采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。
[0032] 进一步地，所述训练模块包括：
[0033] 提取模块，用于所述第三训练数据集中的图像输入细粒度神经网络模型，通过所述细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；
[0034] 叠加模块，用于将所述n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个掩映图；
[0035] 调整模块，用于采用双三次插值的方法调整所述掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；
[0036] 判断模块，用于选取所述掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
[0037] 本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多尺度约束的细粒度车辆图像检索的方法的步骤。
[0038] 本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述基于多尺度约束的细粒度车辆图像检索的方法的步骤。
[0039] 在本发明实施例中，通过采用细粒度神经网络模型自动定位图像对象的方式，通过深度学习提取图像细粒度特征，并与参照图像特征进行相似度比较，识别与参照图像对象同类的图像。相比于现有技术，减少了需预先标注图像类别或选框标注对象位置的工作量，节省成本，提高了效率。并采用全局平均池化取代全连接层的神经网络模型，减少了模型参数数量，提高了运算速度，更适用于大规模图像集的检索识别。附图说明
[0040] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041] 图1是本发明实施例提供的一种基于多尺度约束的细粒度车辆图像检索的方法的流程图；
[0042] 图2是本发明实施例提供的一种基于多尺度约束的细粒度车辆图像检索的方法中的海伦约束的示意图；
[0043] 图3是本发明实施例提供的基于多尺度约束的细粒度车辆图像检索的装置的结构示意图；
[0044] 图4是本发明实施例提供的终端设备的示意图。
具体实施方式
[0045] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0046] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0047] 请参阅图1，图1是本发明实施例提供的基于多尺度约束的细粒度车辆图像检索的方法的流程图。如图1所示，本实施例的基于多尺度约束的细粒度车辆图像检索的方法包括以下步骤：
[0048] 步骤S102，对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
[0049] 进一步地，在对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集步骤之前，方法还包括：
[0050] 构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
[0051] 采用ImageNet数据集对细粒度神经网络模型进行预训练。
[0052] 具体地，先构建一个基于VGG-16的细粒度神经网络模型，采用全局平均池化取代全连接层，直接融合从激活的卷积特征映射中提取的图像特征，减少了参数数量，提高运算速度。
[0053] 通常用ImageNet数据集作为第一训练数据集预训练细粒度神经网络模型，对整个模型进行预训练。
[0054] 为了微调多个区域尺度的MA-CNN的网络模型,需要进行对训练数据进行多尺度目标区域进行标注.将检测的目标区域分为3个尺度,最中心的尺度区域为p0区域,中间的尺度为p1区域,最外围的部分为完整的目标区域。目标区域包含p1和p0区域,p1区域包含p0区域。其中p0的标注信息如式(1),中间部分p1的标注信息如式(2).其中x1,y1,x2,y2分别为目标物体最外围区域的左下角和右上角的横、纵坐标值。 和 分别为目标物体中心部分p0标注信息的左
[0055] 下角和右上角的横、纵坐标值。 和 分别为目标物体中心部分p1标注信息的左下角和右上角的横、纵坐标值。具体的标注效果如图2所示。
[0056]
[0057]
[0058] 步骤S104，基于改进的包围盒约束算法和海伦约束算法对第二训练数据集进行处理，得到第三训练数据集；
[0059] 对基于多尺度区域信息标注后的车辆图像数据，进行改进的包围盒约束算法结合海伦约束算法对车辆数据图像进行处理，使标注车辆的最终信息定位更加准确，将处理后的车辆图像整理成数据集。
[0060] 具体如下：根据多尺度区域互相包含的关系,对检测的结果进行包围盒约束算法优化,更有效的筛选出图片中包含目标物体和多尺度目标中心的检测框,使得检测出包含目标物体的检测框数量提高和检测的定位准确度提高,p1区域包含在物体目标区域内,p0区域包含在p1区域内。即满足公式(3)和(4)且式(4)值不为0的约束条件,设置ε值为10,选择满足上述关系的检测框并且优先选择MA-CNN检测的包含目标物体得分概率分数依大到小排序靠前的检测框.其中box表示检测到的完整的目标区域.
[0061]
[0062]
[0063] 将标注好的目标车辆图像进行包围盒约束以后，分类形成相应车辆图像数据集。
[0064] 另外，由于包围盒约束通常仅能确定各尺度区域的包含关系，而无法很好的将各尺度检测框中心点约束在同一个中心点。对此，本发明将各尺度检测框中心点约束在同一个中心点可以求出检测位置更精确的检测框，平面上不在同一条直线上的三个点唯一确定一个外接圆,故而计算多尺度区域的中心点坐标,如式(5)为目标物体的检测中心坐标计算公式，如式(6)为目标物体中心部分p1检测框的中心坐标公式，如式(7)为目标物体中心部分p0检测框的中心坐标公式.式(8),(9),(10)为各中心坐标之间的距离公式。通过式(11),(12)计算连接各中心坐标的三角形的外接圆面积。设置面积S的最大值为120。即通过式(12)计算出的面积大小不能超过120,挑选FASTER-RCNN提取的候选框中包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。如图4为海伦检测约束的示意图。
[0065]
[0066]
[0067]
[0068]
[0069]
[0070]
[0071]
[0072]
[0073] 将标注好的目标车辆图像进行包围盒约束以后，分类形成相应车辆图像数据集[0074] 步骤S106，采用第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
[0075] 利用标注定位好的的车辆数据集，训练神经网络，调整神经网络的损失函数后，训练好整个神经网络，使整个网络能够准确识别车辆图像细粒度并提取相应特征；
[0076] 利用包含不同车辆属性的细粒度图像分类的车辆数据集，训练构建的神经网络模型(方式为带标签的数据的有监督学习)，用于车辆特征提取和车辆多属性识别。
[0077] 具体地，首先将第一图像输入训练好的细粒度神经网络模型中，在通过模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个特征显著性区域。假设给定尺寸H×W的第一图像在经过卷积后有h×w×d卷积特征，即卷积特征包含了一系列二维的特征映射S＝{Sn}(n＝1，···，d)，Sn尺寸为h×w。Sn是第n通道的特征映射，即第n特征。
[0078] 然后，将n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个总结特征掩映图；
[0079] 经过激活函数激活的特征映射激活区域可以表示图像语义上有意义的部分，但是单个通道的激活区域并不能准确表示该图像有意义的语义部分，只有多个通道的同一区域都是激活区域，该激活区域才能确定为有意义部分，因此需要将多个通道同一区域叠加，增强激活区域的显著性。将n个二维特征映射叠加，即将h×w×d的三维卷积特征变成一个h×w的二维张量，在深度方向做加和，叠加后的总结特征表示为 同时设定一个阈值α，构建一个和总结特征图A同样大小的掩映图M，则掩映图M可以表示为[0080]
[0081] 接着，采用双三次插值的方法调整掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上。
[0082] 采用双三次插值的方法调整掩映图的大小具体为根据原图像距离某一像素M(x,y)最近的16个像素点的像素值作为计算目标图像对应像素点 处像素值的参数，最近的16个像素点取其附近的4×4领域点a(x+xi,y+yj)，其中i,j＝0,1,2,3。利用BiCubic函数求出16个像素点像素值的权重，目标图像像素点(X,Y)的像素值为16个像素点的加权叠加。
[0083] 构建一个BiCubic函数
[0084]
[0085] 其中，s表示16个像素点中某一像素点a(x+xi,y+yj)映射到目标图像后到像素点的距离，W(s)表示该像素点所对应的权重值，则该点对目标图像对应像素点的贡献值为a(x+xi,y+yj)×W(xi)×W(yj)，则 的像素值为
[0086]
[0087] 最后，选取掩映图中所占面积最大的激活响应高于阈值的区域，即像素点连续为1的最大区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
[0088] 选取所占面积最大区域采用Flood Fill算法。
[0089] 具体地，选取掩映图中的一个像素点作为起始点，判断是否为1，是则标记，否则不标记，并以该起始点向周围像素点扩充，直至所有像素点都被标记，并重新选取未标记点作为起始点。最后结果选取标记连续像素最多的区域。该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征信息。
[0090] 用标记连续像素最多区域定位所对应的输入图像主要目标对象位置，并提取该对象的特征信息。
[0091] 步骤S108，将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与待识别车辆图像同类型的目标车辆图像。
[0092] 将待识别图像输入预训练好的细粒度神经网络模型中自动定位主要目标对象并提取目标对象特征，与第一图像的目标对象特征比较，输出含有与第一图像主要目标对象同类别对象的待识别图像。
[0093] 细粒度神经网络模型自动定位待识别图像主要目标对象并提取目标对象特征的方法同S4中的步骤一致。将提取的待识别图像对象特征信息与S4中提取的特征信息比较，输出含有与第一图像主要目标对象同类别对象的待识别图像。待识别图像中提取的对象特征信息与第一图像的目标对象特征信息的相似度计算，可基于余弦相似度算法来分析。具体公式如下：
[0094]
[0095] 计算得到的数值越小，相似度越高。当然，具体实施时，也可根据其他图像相似度算法来分析，本申请对此不做限定。
[0096] S106和S108步骤中所提取的图像主要目标对象特征信息包括对象细微的局部特征信息，根据这些细粒度级局部特征信息可以从图像集中识别与第一图像主要目标对象同类别的图像。例如根据车辆的车形、颜色等细粒度特征，识别图像集中与参照图像中的车辆同一型号的车辆图像。
[0097] 在S106和S108步骤中所提取的图像主要目标对象特征可以采用奇异值分解、白化或主成分分析中的一种或几种方法进一步降低维度，消除冗余信息，减少计算成本。
[0098] 在本发明实施例中，通过采用细粒度神经网络模型自动定位图像对象的方式，通过深度学习提取图像细粒度特征，并与参照图像特征进行相似度比较，识别与参照图像对象同类的图像。相比于现有技术，减少了需预先标注图像类别或选框标注对象位置的工作量，节省成本，提高了效率。并采用全局平均池化取代全连接层的神经网络模型，减少了模型参数数量，提高了运算速度，更适用于大规模图像集的检索识别。
[0099] 请参阅图3，图3是本发明实施例提供的一种基于多尺度约束的细粒度车辆图像检索的装置的结构框图。如图3所示，本实施例的基于多尺度约束的细粒度车辆图像检索的训练模型20包括第一获取模块202、处理模块204、训练模块206和识别模块208。第一获取模块202、处理模块204、训练模块206和识别模块208分别用于执行图1中的S102、S104、S106和S108中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：
[0100] 第一获取模块202，用于对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
[0101] 处理模块204，用于基于改进的包围盒约束算法和海伦约束算法对第二训练数据集进行处理，得到第三训练数据集；
[0102] 训练模块206，用于采用第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
[0103] 识别模块208，用于将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与待识别车辆图像同类型的目标车辆图像。
[0104] 进一步地，装置还包括：
[0105] 模型构建模块，用于构建基于VGG-m或Alex-Net的细粒度神经网络模型，并采用全局平均池化层代替全连接层；
[0106] 预训练模块，用于采用ImageNet数据集对细粒度神经网络模型进行预训练。
[0107] 进一步地，处理模块204包括：
[0108] 包围盒约束模块，用于根据第二训练数据集图片中多尺度区域互相包含的关系对检测的结果进行包围盒约束算法优化,筛选出图片中包含目标物体和多尺度目标中心的检测框；
[0109] 海伦约束模块，用于采用FASTER-RCNN提取包含物体得分概率分数排序靠前且满足海伦检测约束条件的目标物体和各尺度中心部分检测框。
[0110] 进一步地，训练模块206包括：
[0111] 提取模块，用于第三训练数据集中的图像输入细粒度神经网络模型，通过细粒度神经网络模型模型最后一层激活卷积层提取图像特征后，输出n个二维特征映射，每个特征映射分布式表示有多个激活响应的特征显著性区域；
[0112] 叠加模块，用于将n个二维特征映射叠加，并设定一个阈值，选取叠加后激活响应高于阈值的区域，得到一个掩映图；
[0113] 调整模块，用于采用双三次插值的方法调整掩映图的大小，使其与输入图像同样大小，并将掩映图覆盖到输入图像上；
[0114] 判断模块，用于选取掩映图中所占面积最大的激活响应高于阈值的区域，该区域在输入图像中所对应的区域即为图像主要目标对象位置，激活响应特征即为目标对象的特征。
[0115] 图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如进行基于多尺度约束的细粒度车辆图像检索的训练的程序。所述处理器100执行所述计算机程序102时实现上述方法实施例中的步骤，例如，图1所示的S102、S104、S106和S108的步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能，例如图3所示的第一获取模块202、处理模块204、训练模块206和识别模块208的功能。
[0116] 示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在终端设备10中的执行过程。例如，所述计算机程序102可以被分割成第一获取模块202、处理模块204、训练模块206和识别模块208(虚拟装置中的模块)，各模块具体功能如下：
[0117] 第一获取模块202，用于对第一训练数据集进行多尺度区域信息标注，得到第二训练数据集；
[0118] 处理模块204，用于基于改进的包围盒约束算法和海伦约束算法对第二训练数据集进行处理，得到第三训练数据集；
[0119] 训练模块206，用于采用第三训练数据集训练细粒度神经网络模型的目标参数的参数值，得到训练之后的细粒度神经网络模型；
[0120] 识别模块208，用于将待识别车辆图像输入训练好的细粒度神经网络模型进行识别，获得与待识别车辆图像同类型的目标车辆图像。
[0121] 所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图4仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0122] 所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0123] 所述存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备，例如所述终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
[0124] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0125] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0126] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0127] 在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0128] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0129] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0130] 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0131] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种芯片散热装置及方法 | 2020-05-08 | 519 |
| 一种校零空燃比例电磁阀 | 2020-05-08 | 863 |
| 基于迭代挖掘物体共同特征的弱监督图像语义分割方法 | 2020-05-08 | 969 |
| 一种基于单张图片的三维头发重建方法 | 2020-05-08 | 776 |
| 大型复杂装备层次关联最优割集虚拟拆装序列规划方法 | 2020-05-11 | 350 |
| 注射装置 | 2020-05-11 | 213 |
| 一种微结构产品多组件拓扑优化设计、加工方法及系统 | 2020-05-08 | 385 |
| 一种提高图元装配效率的方法、装置及计算机存储介质 | 2020-05-08 | 39 |
| 一种LED四档多功能选色调光筒灯 | 2020-05-11 | 575 |
| 一种水泥包装机 | 2020-05-11 | 662 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈