(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211223901.8 (22)申请日 2022.10.09 (71)申请人 松立控股集团股份有限公司 地址 266000 山东省青岛市 市南区宁 夏路 288号软件园6号楼1 1层 (72)发明人 刘寒松　王永　王国强　刘瑞　 谭连胜　焦安健　李贤超　 (74)专利代理 机构 青岛高晓专利事务所(普通 合伙) 37104 专利代理师 黄晓敏 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合车标分类特征的车标检测识别方 法 (57)摘要 本发明属于车标检测识别技术领域， 尤其涉 及一种融合车标分类特征的车标检测识别方法， 先收集常用的车标图像， 设计车标分类网络， 再 将车标分类网络得到的一维特征通过复制扩展 后融合到 车辆图像的车标分割网络的译码层， 使 得车辆图像的车标特征与分类网络中的车标特 征相似时会产生最大的相应， 因此能够在图像中 凸显车辆区域， 也就完成了车标区域的分割， 车 标区域的最大外切矩形即为检测识别的车标， 该 方法能够很好的解决车标图像识别问题， 提高车 标检测的精度和识别率。 权利要求书2页 说明书4页 附图1页 CN 115311647 A 2022.11.08 CN 115311647 A 1.一种融合车 标分类特 征的车标检测识别方法， 其特 征在于， 具体包括如下步骤： （1） 收集80类车标图像组成车标数据集， 每类车标收集500张图像， 共40000张图像， 车 标图像只包 含车标不包含其他内容； （2） 将车标图像缩放到64 ×64×3像素大小后 输入车标分类网络中， 车标图像经过 四个 卷积、 RELU、 批量标准化和池化层 处理后得到4 ×4×512的特征图像， 再经过两个全连接层 后得到80维车标分类特征， 并将车标数据集按照 8： 1： 1的比例划分为训练集、 验证集和测试 集， 训练300个迭代终止保存参数模型， 取出第一个全连接层输出的512个特征B1作为车辆 的分类特 征用于辅助车标图像的分割； （3） 将车标图像缩放到512 ×512×3像素大小输入到车标分割网络中， 与步骤 （2） 第一 个全连接层输出的512个特 征B1一起处理得到分割结果； （4） 训练车标分割网络： 采集20000张含有不同车标的图像， 用图像分割标注工具进行 标注， 数据集按照8： 1： 1的比例划分为训练集、 验证集和测试集， 分割网络的能量函数为交 叉熵损失函数， 训练的时候固定B1降采样后的特征， 即车标的分类特征不随分割网络的训 练而改变， 训练80 0个迭代终止保存参数模型， 得到训练好的网络； （5） 测试车标分割网络： 将待测试图像缩放到512 ×512×3， 送入步骤 （3） 训练好的网 络， 得到车 标的分割结果， 分割结果的最大外切矩形即为检测识别到的车 标。 2.根据权利要求1所述融合车标分类特征的车标检测识别方法， 其特征在于， 步骤 （2） 所述四个卷积、 RELU、 批量标准化和池化层分别为含64个3 ×3×3卷积的卷积层、 批量标准 化、 RELU和平均池化层； 含128个3 ×3卷积的卷积层、 批量标准化、 RELU和平均池化层； 含256 个3×3卷积的卷积层、 批量标准化、 RELU和平均池化层； 含512个3 ×3卷积的卷积层、 批量标 准化、 RELU和平均池化层。 3.根据权利要求2所述融合车标分类特征的车标检测识别方法， 其特征在于， 步骤 （2） 所述两个全连接层中第一个全连接层的神经单元为512个， 第二个全连接层的神经单元为 80个。 4.根据权利要求3所述融合车标分类特征的车标检测识别方法， 其特征在于， 步骤 （2） 所述车标分类网络的能量损失采用交叉熵损失函数。 5.根据权利要求4所述融合车标分类特征的车标检测识别方法， 其特征在于， 步骤 （3） 的具体过程 为： （31） 输入到车标分割网络的车标图像依次经过含64个3 ×3×3卷积的卷积层、 批量标 准化、 RELU、 池化层操作， 输出特征维度为256 ×256×64的特征S1， 步骤 （2） 得到的B1特征维 度扩展为256 ×256×64， 用符号B1E表示， S1与B1E进行串联操作后得到特征维度为256 × 256×128的特征； （32） 将步骤 （31） 得到的特征输入到含有128个3 ×3卷积的卷积层、 批量标准化、 RELU、 池化层操作， 输出特征维度为128 ×128×128的特征S2， 步骤 （2） 得到的B 1特征维度扩展为 128×128×128， 用符号B2E表示， 将S2与B2E进行串联操作后得到特征维度为128 ×128× 256的特征； （33） 将步骤 （32） 得到的特征输入到含有256个3 ×3卷积的卷积层、 批量标准化、 RELU、 池化层操作， 输出特征维度为64 ×64×256的特征S3， 步骤 （2） 得到的B 1特征维度扩展为64 ×64×256， 用符号B3E表示， 将S3与B3E进行串联操作后 得到特征维度为64 ×64×512的特权　利　要　求　书 1/2 页 2 CN 115311647 A 2征； （34） 将步骤 （33） 得到的特征输入到含有256个3 ×3卷积的反卷积层、 批量标准化、 RELU、 池化层操作， 输出 特征维度为128 ×128×256的特征S4； （35） 将步骤 （34） 得到的特征输入到含有128个3 ×3卷积的反卷积层、 批量标准化、 RELU、 池化层操作， 输出 特征维度为25 6×256×128的特征S5； （36） 将步骤 （35） 得到的特征输入到含有64个3 ×3卷积的反卷积层、 批量标准化、 RELU、 池化层操作， 输出特征维度为512 ×512×64， 再经过1 ×1卷积后得到512 ×512×1的分割结 果。权　利　要　求　书 2/2 页 3 CN 115311647 A 3