复杂背景下车型识别分类器

摘要：

细粒度车型图像的类间特征差异小, 在复杂图片背景中识别干扰因素多.为提高模型在复杂背景中对图像的特征提取能力和识别准确度, 提出了基于支持向量机 (SVM) 和深度卷积神经网络 (DCNN) 的分类器集成模型Softmax-SVM.它将交叉熵代价函数与hinge损失函数相结合, 代替Softmax函数层, 减少了过拟合的发生.同时, 设计了一个10层的DCNN提取特征, 避免了手工提取特征的难题.实验数据集为复杂背景下的27类精细车型图像, 尤其还包含同一汽车厂商的相近车型.实验结果表明, 在不进行大量预处理的前提下, Softmax-SVM分类器识别269张测试样本能够获得97.78％的准确率, 识别每张样本的时间为0.759s, 明显优于传统模式识别方法和未改进前的DCNN模型.因此, 基于DCNN的Softmax-SVM分类器能够适应环境的复杂变化, 兼顾识别精度与效率, 为复杂背景下的细粒度车型分类提供了实际参考价值.

关键词：机器视觉、Softmax-SVM、深度卷积神经网络、复杂背景、细粒度车型

所属期刊栏目：56

分类号：TP391(计算技术、计算机技术)

资助基金：光电信息控制;安全技术重点实验室基金项目

在线出版日期：2019-06-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：158-165