(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 202111662993.5 (22)申请日 2021.12.31 (71)申请人 郑州信大 先进技术研究院 地址 450000 河南省郑州市高新 技术产业 开发区莲 花街55号 (72)发明人 朱伟浩　徐妙语　高毫林　王坤　 (74)专利代理 机构 郑州德勤知识产权代理有限 公司 41128 专利代理师 张微微 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 10/60(2022.01) (54)发明名称 一种基于量子优化算法的交通视频车辆分 类方法 (57)摘要 本发明提供一种基于量子优化算法的交通 视频车辆分类方法， 包括以下步骤： 步骤1， 利用 目标检测算法进行非结构化交通视频车辆粗粒 度目标检测； 步骤2， 利用深度学习网络算法提取 目标车辆的车辆品牌特征， 对提取的车辆品牌特 征进行预处理， 并将预处理后的数据按照70%/ 30%分为训练数据集和测试数据集； 步骤3， 利用 步骤2中的训练数据集， 结合量子优化算法和传 统支持向量机， 构建并训练交通视频车辆特征分 类模型； 步骤4， 利用训练后的交通视频车辆分类 模型对步骤2中的测试数据集进行分类测试， 得 到交通视频车辆预测分类结果， 将其与真实的车 辆品牌结果进行对比分析， 输出识别正确率。 权利要求书2页 说明书6页 附图4页 CN 114494947 A 2022.05.13 CN 114494947 A 1.一种基于量子优化 算法的交通视频 车辆分类方法， 其特 征在于， 包括以下步骤： 步骤1， 利用目标检测算法进行非结构化交通视频车辆粗粒度目标检测， 提取交通视频 中的目标 车辆图片； 步骤2， 利用深度 学习网络算法从目标车辆图片中提取车辆品牌特征， 对提取的车辆品 牌特征进行预处理， 并将预处 理后的数据按照70％/ 30％分为训练数据集和 测试数据集； 步骤3， 利用步骤2中的训练数据集， 结合量子优化算法和传统支持向量机， 构建并训练 交通视频 车辆特征分类模型； 步骤4， 利用训练后的交通视频车辆分类模型对步骤2中的测试数据集进行分类测试， 得到交通视频车辆预测分类结果， 将其与真实的车辆品牌结果进行对比分析， 验证交通视 频车辆特征分类模型的正确性。 2.根据权利要求1所述的基于量子优化算法的交通视频车辆分类方法， 其特征在于： 步 骤1中的目标检测算法为YOLOv5检测算法。 3.根据权利要求2所述的基于量子优化算法的交通视频车辆分类方法， 其特征在于： 在 用YOLOv5检测算法进 行非结构化交通视频车辆粗粒度目标检测之前， 需要 先利用量子粒子 群优化QPSO算法对YOLOv5检测算法的超参数学习率lr0、 余弦退火超参数lrf、 学习率动量 momentum、 权重衰减系数weight_decay进行同步综合寻优， 获得最优超参数学习率lr0、 最 优余弦退火超参数lrf、 最优学习率动量momentum、 最优权 重衰减系数weight_decay。 4.根据权利要求3所述的基于量子优化算法的交通视频车辆分类方法， 其特征在于， 利 用量子粒子群优化QPSO算法对YOLOv5检测算法的超参数学习率lr0、 余弦退火超参数lrf、 学习率动量momentum、 权 重衰减系数weight_decay进行同步综合 寻优的具体步骤如下： a.将YOLOv5检测算法的学习率lr0、 余弦退火超参数lrf、 学习率动量momentum、 权重衰 减系数weight_decay四个待优化的超参数初始化， 设置合理寻优区间； b.量子粒子群优化初始参数设置， 包括粒子群规模及维度； c.量子粒子群 个体位置信息初始化 概率幅编码； d.将初始化随机生成的粒子位置概 率幅变换至量子解空间； e.基于目标函数计算各 粒子适应度值， 得到初始个 体最优值和全局最优值； f.利用量子 旋转门对量子态概 率幅进行变换以实现粒子位置更新， 生成新的粒子群； g.基于目标函数计算 新群体中各粒子适应度值， 得到新的个 体最优值和全局最优值； h.将其与原始最优值进行比较判断， 若优于原最优值则更新替换， 否则保留原最优值 信息； i.判断迭代是否结束， 若是则结束， 若否则返回执 行步骤f； j.最终输出全局个体最优粒子值， 全局个体最优粒子值包括学习率lr0、 余弦退火超参 数lrf、 学习率动量momentum、 权 重衰减系数weight_decay。 5.根据权利要求1所述的基于量子优化算法的交通视频车辆分类方法， 其特征在于， 步 骤2中， 用深度学习网络算法从目标车辆图片 中提取车辆品牌特征时选用的深度学习网络 算法为Faster  RCNN网络结构的基础网络层， 包含13个卷积层和4个池化层， 每个卷积层后 面有一个ReLU函数处理， 卷积层的卷积核为3*3， 步长为1， 池化层的池化大小为2*2， 步长为 2； 经过基础网络层处 理后得到4096维特 征， 选取前512维特 征作为车辆品牌特 征。 6.根据权利要求5所述的基于量子优化算法的交通视频车辆分类方法， 其特征在于， 交权　利　要　求　书 1/2 页 2 CN 114494947 A 2通视频车辆特征分类模型的构建步骤如下： 设定训练数据集的样本形式为： 其中 为训 练样本的512维特征向量， xj为512维属性 特征数据， yj为训练样本对 应的真实车辆品牌， N为 训练数据集中训练样本的特 征向量维度且N ＝512， M为训练数据集的样本总数量； 采用基于量子优化算法的支持向量机进行车辆品牌特征分类识别， 其具体目标是寻求最大 间隔超平面以实现最佳车辆品牌特征分类， 经转换后得到目标函数为 为权重 向量； 将噪声容错性数据视为近似线性可分， 寻找软 边界超平面； 引入 松弛变量ej， 用来表示 允许数据点偏离量， 则目标函数为 其中γ为惩罚系数， b为偏置常数， 限制条件由不等 式约束 转换为等式 约束 引入拉格朗日函数乘子 构建 αj≥0为对应 的拉格朗日乘子， 为[α1, α2,…, αj,…, αM]， 为松弛向量； 基于KKT条件对 求偏导数， 得到 即 从而将二次规划最优化问题转 化为求解线性方程组问题； 其中 和 分别为第j个和第k 个模型输入向量， j,k ＝1,2,…,M； E为单位矩阵； 求解线性方程组， 得到最优超平面参数 和b， 从而构建用于交通视频车辆特征分析的 支持向量机模型y(x)＝∑j＝1αjk(x,xj)+b， 即交通视频车辆 特征分类模型。权　利　要　求　书 2/2 页 3 CN 114494947 A 3