一种基于池化多尺度深度卷积特征的车型识别方法
专利汇可以提供一种基于池化多尺度深度卷积特征的车型识别方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 池化 多尺度深度卷积特征的车型识别方法，首先对车型 数据库 的每个车型图像，按不同尺度提取其深度卷积特征，第一个尺度不处理；将余下每个尺度的深度卷积特征，进行PCA 降维 ；再进行局部特征聚合描述子编码；然后再次通过PCA降维，得到当前尺度的特征表示；将所有尺度的特征级联池化，得到当前图像最终的特征表示；将车型图像的特征表示用于线性 支持向量机 训练，得到车型识别系统；对待识别车辆，同样获取其特征表示，导入识别系统即可识别出其车型。传统的深度卷积特征缺少几何不变性，限制了对可变场景的车型图像分类和识别，本发明采取图像的池化多尺度深度卷积特征，很好地解决了这个问题，具有较高的实用性和鲁棒性。，下面是一种基于池化多尺度深度卷积特征的车型识别方法专利的具体信息内容。
1.一种基于池化多尺度深度卷积特征的车型识别方法，包括以下步骤：
步骤1：对车型图像数据库的每个车型图像，按不同尺度提取其深度卷积特征；
步骤2：第一个尺度不处理，余下每个尺度的深度卷积特征，进行PCA降维，降维后的特征向量；
步骤3：对降维后的特征向量进行局部特征聚合描述子编码，得到编码后的特征向量；
步骤4：对编码后的特征向量进行PCA降维，得到当前尺度的特征表示；
步骤5：将所有尺度的特征表示级联池化，得到当前图像池化多尺度深度卷积特征表示；
步骤6：将所有车型图像的池化多尺度深度卷积特征表示用于线性支持向量机训练，得到车型识别系统；
步骤7：对待识别车辆，同样获取其池化多尺度深度卷积特征表示，导入识别系统即可识别出其车型。
2.根据权利要求1所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤1包括以下几个步骤：
步骤1.1：求取车型数据库所有图像的均值图像；
步骤1.2：将原始车型图像缩放至256*256大小，然后减去均值图像，再导入深度卷积神经网络模型中进行特征提取，将网络模型第七层的4096维特征作为第一个尺度的深度卷积特征，不再进一步处理；
步骤1.3：在原始图像上以窗口128*128，步长32*32提取m个图像块，按照步骤1.2中的方式，提取m个图像块的4096维深度卷积特征；
步骤1.4：将步骤1.3中的窗口大小设为64*64，按同样的方法提取n个图像块的4096维深度卷积特征。
3.根据权利要求2所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤2包括以下几个步骤：
步骤2.1：将步骤1.3中生成的m个4096维深度卷积特征，采用PCA降维将其降到500维，得到m个500维的特征向量；
步骤2.2：将步骤1.4中生成的n个4096维深度卷积特征，采用PCA降维将其降到500维，得到n个500维的特征向量。
4.根据权利要求3所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤3包括一下几个步骤：
步骤3.1：对步骤2.1中降维后的m个特征向量进行k-means聚类，生成一个100*500的码本；
步骤3.2：采用局部特征聚合描述子对每个特征向量进行编码；
步骤3.3：采用二范数归一化后，得到编码后50000维的特征表示；
步骤3.4：同样对步骤2.2中的n个特征向量进行步骤3.1-3.3操作，得到编码后的50000维的特征表示。
5.根据权利要求3所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤4包括一下几个步骤：
步骤4.1：对步骤3.3中生成的50000维特征向量，采用PCA降维将其降到4096维，作为第二个尺度的特征表示；
步骤4.2：对步骤3.4中生成的50000维特征向量，采用PCA降维将其降到4096维，作为第三个尺度的特征表示。
6.根据权利要求1所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤5中将所有尺度的特征级联池化，得到当前图像池化多尺度深度卷积特征表示,包括级联池化第一个个尺度到第三个尺度的特征向量，得到当前车型图像最终的3*4096维的特征向量表示。
7.根据权利要求1所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤6包括以下几个步骤：
步骤6.1：将当前类别车型图像的池化多尺度深度卷积特征作为正样本，其他类别车型图像的池化多尺度深度卷积特征作为负样本；
步骤6.2：使用线性SVM训练这两个样本，得到当前类别车型图像的分类器；
步骤6.3：重复步骤6.1到步骤6.2的操作，得到所有类别车型图像的分类器，联合后构成车型识别系统。
8.根据权利要求1所述基于池化多尺度深度卷积特征的车型识别方法，其特征在于，所述步骤7包括以下几个步骤：
步骤7.1：对待识别车辆图像，通过步骤1到步骤5的提取，得到待识别车辆图像的池化多尺度深度卷积特征表示；
步骤7.2：将得到的特征表示导入步骤6中训练好的车型识别系统中，识别出其车型。
一种基于池化多尺度深度卷积特征的车型识别方法
技术领域
发明内容
步骤2：第一个尺度不处理，余下每个尺度的深度卷积特征，进行PCA降维，降维后的特征向量；
步骤3：对降维后的特征向量进行局部特征聚合描述子编码，得到编码后的特征向量；
步骤4：对编码后的特征向量进行PCA降维，得到当前尺度的特征表示；
步骤5：将所有尺度的特征表示级联池化，得到当前图像池化多尺度深度卷积特征表示；
步骤6：将所有车型图像的池化多尺度深度卷积特征表示用于线性支持向量机训练，得到车型识别系统；
步骤7：对待识别车辆，同样获取其池化多尺度深度卷积特征表示，导入识别系统即可识别出其车型。
步骤1.2：将原始车型图像缩放至256*256大小，然后减去均值图像U，再导入深度卷积神经网络模型中进行特征提取，将网络模型第七层的4096维特征作为第一个尺度的深度卷积特征，不再进一步处理；
步骤1.3：在原始图像上以窗口，步长32*32提取m个图像块，按照步骤1.2中的方式，提取m个图像块的4096维深度卷积特征；
步骤1.4：将步骤1.3中的窗口大小设为64*64，按同样的方法提取n个图像块的4096维深度卷积特征。
步骤2.2：将步骤1.4中生成的n个4096维深度卷积特征，采用PCA降维将其降到500维，得到n个500维的特征向量。
步骤3.2：采用局部特征聚合描述子对每个特征向量进行编码；
步骤3.3：采用二范数归一化后，得到编码后50000维的特征表示；
步骤3.4：同样对步骤2.2中的n个特征向量进行步骤3.1-3.3操作，得到编码后的50000维的特征表示。
步骤4.2：对步骤3.4中生成的50000维特征向量，采用PCA降维将其降到4096维，作为第三个尺度的特征表示；
上述技术方案中，所述步骤5中将所有尺度的特征级联池化，得到当前图像池化多尺度深度卷积特征表示,包括级联池化第一个个尺度到第三个尺度的特征向量，得到当前车型图像最终的3*4096维的特征向量表示。
步骤6.2：使用线性SVM训练这两个样本，得到当前类别车型图像的分类器；
步骤6.3：重复步骤6.1到步骤6.2的操作，得到所有类别车型图像的分类器，联合后构成车型识别系统。
步骤7.2：将得到的特征表示导入步骤6中训练好的车型识别系统中，识别出其车型。
附图说明
具体实施方式
具体地，对每个车型图像，这里提取三个尺度下的深度卷积特征，且对尺度1不进行进一步操作，只处理余下两个尺度的深度卷积特征，包括以下几个步骤：
步骤1.1：求取车型数据库所有图像的均值图像；
步骤1.2：将原始车型图像缩放至256*256大小，然后减去均值图像，再导入深度卷积神经网络模型中进行特征提取，将网络模型第七层的4096维特征作为尺度1的深度卷积特征，不再进一步处理；
步骤1.3：在原始图像上以窗口128*128，步长32*32提取m个图像块，按照步骤1.2中的方式，提取m个图像块的4096维深度卷积特征；
步骤1.4：将步骤1.3中的窗口大小设为64*64，按同样的方法提取n个图像块的4096维深度卷积特征。
步骤2.1：将步骤1.3中生成的m个4096维深度卷积特征，采用PCA降维将其降到500维，得到m个500维的特征向量；
步骤2.2：将步骤1.4中生成的n个4096维深度卷积特征，采用PCA降维将其降到500维，得到n个500维的特征向量。
步骤3.1：对步骤2.1中降维后的m个特征向量进行k-means聚类，生成一个100*500的码本；
步骤3.2：采用局部特征聚合描述子对每个特征向量进行编码；
步骤3.3：采用二范数归一化后，得到编码后50000维的特征表示；
步骤3.4：同样对步骤2.2中的n个特征向量进行步骤3.1-3.3操作，得到编码后的50000维的特征表示。
步骤4.1：对步骤3.3中生成的50000维特征向量，采用PCA降维将其降到4096维，作为尺度2的特征表示；
步骤4.2：对步骤3.4中生成的50000维特征向量，采用PCA降维将其降到4096维，作为尺度3的特征表示；
步骤5：将所有尺度的特征级联池化，得到当前图像池化多尺度深度卷积特征表示；
具体地，对尺度1到尺度3的特征向量表示，包含了不同尺度下的原始图像的空间和结构信息，需要进一步级联池化起来，构成图像最终的维的特征向量表示。
步骤6.1：将当前类别车型图像的池化多尺度深度卷积特征作为正样本，其他类别车型图像的池化多尺度深度卷积特征作为负样本；
步骤6.2：使用线性SVM训练这两个样本，得到当前类别车型图像的分类器；
步骤6.3：重复步骤6.1到步骤6.2的操作，得到所有类别车型图像的分类器，联合后构成车型识别系统。
步骤7.2：将得到的特征表示导入步骤6中训练好的车型识别系统中，识别出其车型。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种微纳尺度的图形绘制方法 | 2020-05-11 | 735 |
| 一种多尺度视觉关注图像描述方法 | 2020-05-11 | 23 |
| 图像同一性尺度计算系统 | 2020-05-12 | 555 |
| 一种多尺度图像增强方法 | 2020-05-12 | 43 |
| 基于尺度空间的图像边缘检测方法 | 2020-05-13 | 269 |
| 基于多尺度深度学习的图像问答方法 | 2020-05-13 | 651 |
| 图像多尺度自动标注方法 | 2020-05-13 | 26 |
| 基于多尺度残差网络的图像去雾方法 | 2020-05-11 | 366 |
| 数字图像中目标物体多尺度捕捉方法 | 2020-05-12 | 876 |
| 一种多尺度联合的小波图像去噪方法 | 2020-05-11 | 834 |
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。
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。
