1.一种基于深度学习的视频中车辆细粒度分类方法,其特征在于,包括以下步骤:步骤一:将车辆外观特征分为不同的显著性等级:背景为一级显著性部分,车头为三级显著性部分,车辆其他部分为二级显著性部分;
步骤二:将待检测车辆图像分割为相同大小的子图像块,建立卷积神经网络,按上述显著性等级将切割后的子图像块分为:一级显著性子图、二级显著性子图和三级显著性子图;
步骤三:每一张子图通过提取特向量的基础卷积神经网络,提取n个特征图,然后得到
1*n维的特征向量,并连接到对应分类类别数目N的全连接层,得到一个1*N维的一级特征向量;
步骤四:设计一个由多个弱分类器结合成的强分类器:将每一张子图的一级特征向量进行加权平均,得到一个综合的二级特征向量;将来自不同显著性等级的二级特征向量采用加权投票机制综合得到最后的一个三级特征向量;
在N类分类类别中,三级特征向量FC3第i类所对应的特征值FC3i为:FC3i=w1iFC1i+w2iFC2i
其中,w1i与w2i是融合权重,可训练参数;FC1i为二级显著性子图综合得到的二级特征向量FC1中第i类所对应的值;FC2i为三级显著性子图综合得到的二级特征向量FC2中第i类所对应的值;且为了加快网络收敛w1i、w2i的初始权重为:其中,L1i为二级显著性子图经过基础网络得到的损失,L2i为三级显著性子图经过基础网络得到的损失;
步骤五:建立品牌分类器,每个品牌下建立型号分类器,每个型号下建立年份分类器;
将车辆按照品牌‑车型‑年份进行逐层检测得到最终的车型分类结果。
2.根据权利要求1所述的基于深度学习的视频中车辆细粒度分类方法,其特征在于,所述步骤二中图像切割具体为,从视频中取出关键帧,将其大小变为360*360,然后分割60*60的子图像块。
3.根据权利要求1所述的基于深度学习的视频中车辆细粒度分类方法,其特征在于,所述步骤二中,卷积神经网络为9层的子图分类网络,包含7个卷积层,4个池化层,1个全连接层;经过最后一个卷积层后用全局平均池化层代替全连接层。
4.根据权利要求1所述的基于深度学习的视频中车辆细粒度分类方法,其特征在于,所述品牌分类器选用softmax,参数包括分类权重和偏置;
所述型号分类器选用softmax,参数包括分类权重和偏置,以及不同显著性级别子图的adaboost融合权重;
所述年份分类器选用softmax,参数包括分类权重和偏置,以及不同显著性级别子块的adaboost融合权重。
5.根据权利要求4所述的基于深度学习的视频中车辆细粒度分类方法,其特征在于,所述将车辆按照品牌‑车型‑年份进行逐层检测得到最终的车型分类结果具体包括:
1)提取三级显著性子图中每一张子图的一级特征向量,加权平均得到三级显著性子图的二级特征向量,输入品牌分类器,获得车辆品牌;
2)由二级显著性子图得到相应的二级特征向量、三级显著性子图得到相应的二级特征向量,根据adboost权重融合这两个二级特征向量,获得三级特征向量,输入型号分类器,获得车辆型号;
3)由二级显著性子图得到相应的二级特征向量、三级显著性子图得到相应的二级特征向量,根据adboost权重融合这两个二级特征向量,获得三级特征向量,输入年份分类器,获得生产年份。