基于迁移学习及特征融合的轮胎花纹图像分类

为提高图像分类性能,解决因训练数据不足导致卷积神经网络模型过拟合的问题,提出一种基于迁移学习和特征融合的轮胎花纹图像分类算法。将HSV颜色直方图、GIST描述子与方向梯度直方图结合作为轮胎图像低层特征;将迁移学习引入卷积神经网络模型训练中,通过轮胎图像数据集对预训练模型参数微调,获得适用于轮胎花纹图像的新模型,提取全连接层特征作为图像高层特征;将低层和高层特征融合作为轮胎图像最终特征用于训练SVM分类器,实现高效分类。实验结果表明了所提算法的有效性。

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。