شناسايي نوع و مدل وسيله نقليه با استفاده از مجموعه بخش‌هاي متمايز‌كننده

Using Discriminative Parts for Vehicle Make and Model Recognition

طبقه ­بندي دقيق اشيا (Fine-Grained Recognition) چالشي است كه جامعه بينايي ماشين در حال حاضر با آن روبه ­رو شده است. در اين نوع طبقه ­بندي گروه كلي شيء مشخص بوده و هدف تعيين زيرگروه دقيق آن است؛ شناسايي نوع و مدل وسيله نقليه (VMMR) نيز در اين حوزه قرار مي ­گيرد. اين مسئله به‌دليل وجود تعداد طبقه‌هاي زياد، تفاوت درون‌ طبقه‌اي بسيار و تفاوت بين طبقه‌اي كم از مسائل طبقه ­بندي دشوار به‌شمار مي ­رود. در اين مقاله روشي مبتني بر بخش براي شناسايي نوع و مدل خودرو پيشنهاد شده است. اين روش براي طبقه­بندي طبقه‌هاي مختلف خودرو، ابتدا بخش ­هاي متمايز‌كننده هر يك را به‌صورت خودكار مي­ يابد؛ سپس با استخراج ويژگي از اين بخش ­ها و رابطه هندسي بين آن­ها، يك مدل مي ­آموزد. وزن بخش ­هاي مختلف هر مدل به‌ صورت پويا و با استفاده از مجموعه داده ­هاي آموزشي ياد گرفته مي­ شود. سامانه پيشنهادي با تركيب اين مدل ­ها به شناسايي طبقه خودرو مي ­پردازد. براي آزمايش سامانه پيشنهادي و به‌ دليل عدم وجود مجموعه داده به اشتراك گذاشته‌ شده، يك مجموعه داده با بيش از 5000 خودرو از 28 طبقه مختلف تهيه و به‌ صورت كامل علامت­ گذاري شده است. نتيجه آزمايش‌هاي انجام‌شده بر روي اين تصاوير كه داراي تغييرات روشنايي زياد و تغييرات زاويه اندك هستند، نشان از دقت بالاي روش پيشنهادي دارد.

In fine-grained recognition, the main category of object is well known and the goal is to determine the subcategory or fine-grained category. Vehicle make and model recognition (VMMR) is a fine-grained classification problem. It includes several challenges like the large number of classes, substantial inner-class and small inter-class distance. VMMR can be utilized when license plate numbers cannot be identified or fake number plates are used. VMMR can also be used when specific models of vehicles are required to be automatically identified by cameras. Few methods have been proposed to cope with limited lighting conditions. A number of recent studies have shown that latent SVM trained on a large-scale dataset using data mining can achieve impressive results on several object classification tasks. In this paper, a novel method has been proposed for VMMR using a modified version of latent SVM. This method finds discriminative parts of each class of vehicles automatically and then learns a model for each class using features extracted from these parts and spatial relationship between them. The parts weights of each model are tuned using training dataset. Putting this individual models together, our proposed system can classify vehicles make and model. All training and testing steps of the proposed system are done automatically. For training and testing the performance of the system, a new dataset including more than 5000 vehicles of 28 different make and models has been collected. This dataset poses different kind of challenges, including variations in illumination and resolution. The experimental results performed on this dataset show the high accuracy of our system.