CN111310837A - 车辆改装识别方法、装置、系统、介质和设备 - Google Patents
车辆改装识别方法、装置、系统、介质和设备 Download PDFInfo
- Publication number
- CN111310837A CN111310837A CN202010108559.1A CN202010108559A CN111310837A CN 111310837 A CN111310837 A CN 111310837A CN 202010108559 A CN202010108559 A CN 202010108559A CN 111310837 A CN111310837 A CN 111310837A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- neural network
- training
- refitting
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000013528 artificial neural network Methods 0.000 claims abstract description 108
- 238000011176 pooling Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 35
- 238000012986 modification Methods 0.000 claims description 26
- 230000004048 modification Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆改装识别方法、装置、系统、介质和设备,方法包括:首先获取已知改装情况的车辆样本图像并且获取构建的残差神经网络,作为训练样本的车辆样本图像对残差神经网络进行训练,得到车辆改装识别模型。针对于待识别车辆采集车辆图像后,通过车辆改装识别模型进行识别。其中,采用Focal Loss损失函数对残差神经网络进行训练,残差神经网络中,针对于全连接层输入之前的车辆图像特征图,以各种大小进行划分,得到各种大小的块;针对各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。本发明有效提高车辆改装识别的效率和准确率,节省了现有技术中人工审核带来的人力物力。
Description
技术领域
本发明涉及车辆监测技术领域,特别涉及一种车辆改装识别方法、装置、系统、介质和设备。
背景技术
随着机动车保有量不断增加,车辆改装问题越来越突出,存在一定的安全隐患。而在监管过程中审核上传车辆图像信息时仍然主要依赖于人工审核,存在很大的弊端,人工方式进行改装识别耗时较长,且容易发生错检和漏检,存在人力资源投入成本大,审核压力较大,误判率高、效率低等问题。并且,由于在车辆拍照中,存在角度倾斜,明暗程度不同以及车型不一的问题,这些问题,使得依靠传统的图像处理方法,比如opencv等工具都很难解决。
随着近年来深度学习的发展,深度学习结合工业领域解决实际工业问题取得了很多成果,深度学习的出现颠覆了传统图像特征提取的方式,通过强大的表达能力,通过充分的训练数据和训练过程可以学习到自主提取特征的能力,而且表达能力明显强于传统图像处理方法,能够处理各种角度,亮度变化的问题。
鉴于此,如何克服现有人工审核存在的不足,使用人工智能和图像处理技术进行智能审核,避免人工审核成本大,效率低以及传统图像处理方法图像表达能力弱,准确率低等问题是本技术领域亟待解决的问题。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种高效率、高准确度的车辆改装识别方法,有效解决了传统图像处理方法识别车辆改装存在准确率低和效率低的技术问题,节省了人力物力。
本发明的第二目的在于提供一种车辆改装识别装置。
本发明的第三目的在于提供一种车辆改装识别系统。
本发明的第四目的在于提供一种存储介质。
本发明的第五目的在于提供一种计算设备。
本发明的第一发明目的通过下述技术方案实现:一种车辆改装识别方法,包括如下步骤:
获取已知改装情况的车辆样本图像,构建训练样本集;
针对各训练样本进行数据预处理;
获取构建的残差神经网络;
将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;
针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
针对待识别车辆图像进行数据预处理;
将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
其中:
针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
优选的,构建的残差神经网络为Resnet50神经网络架构,最后的全连接层为二分类输出层;
所述方法还包括如下步骤:获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型;
当训练残差神经网络时,在上述预训练模型上加上全连接层后,输入训练样本进行训练,得到车辆改装识别模型。
优选的,还包括如下步骤:
获取已知改装情况的车辆样本图像,构建验证样本集,针对各验证样本进行预处理;
针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值。
优选的,对训练样本和待识别车辆图像进行数据预处理,具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。
优选的,针对于残差神经网络全连接层输入之前的车辆图像特征图,以各种大小的块进行划分,具体以相应大小的块将特征图分别划分成8*8个块、4*4个块、2*2个块以及1*1个块,总共85个块。
优选的,所述残差神经网络中,在卷积层之后使用Relu激活函数;
每次在训练残差神经网络时,使用dropout随机失活,使得其中一部分神经元参与训练。
本发明的第二发明目的通过下述技术方案实现:一种车辆改装识别装置,包括:
样本获取模块,用于获取已知改装情况的车辆样本图像,构建训练样本集;
第一数据处理模块,用于针对各训练样本进行数据预处理;
神经网络获取模块,用于获取构建的残差神经网络;
训练模块,用于将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;
待识别车辆图像获取模块,用于针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
第二数据处理模块,用于针对待识别车辆图像进行数据预处理;
识别模块,将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
特征向量获取模块,用于针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
本发明的第三发明目的通过下述技术方案实现:一种车辆改装识别系统,包括图像采集设备和识别终端,所述图像采集设备连接识别终端;
所述图像采集设备,用于采集待改装识别车辆的图像,得到待识别车辆图像,并且将待识别车辆图像发送给识别终端;
所述识别终端,用于执行本发明第一目的所述的车辆改装识别方法。
本发明的第四发明目的通过下述技术方案实现:一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现本发明第一目的所述的车辆改装识别方法。
本发明的第五发明目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的车辆改装识别方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明车辆改装识别方法中,首先获取已知改装情况的车辆样本图像,作为训练样本对残差神经网络进行训练,得到车辆改装识别模型。针对于待识别车辆采集车辆图像后,通过车辆改装识别模型进行识别。其中本发明方法中,采用Focal Loss损失函数对残差神经网络进行训练,能够保证平衡正负训练样本本身的数量比例不均问题,对于数量少的改装车辆类别给予更高的权重,使得模型更关注改装车辆样本数据,对于提高模型准确率有很好的效果。
(2)本发明车辆改装识别方法中,在残差神经网络输入车辆图像时,针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。因为车辆改装图片有些改装面积很大,有些很小,上述针对特征图进行不同大小的分块处理,对于识别各种改装类型有很好的效果。另外,本发明方法中,使用的残差神经网络由许多残差块组成,有助于解决梯度消失和梯度爆炸问题,让本发明方法训练更深网络的同时,又能保证良好的性能。
(3)本发明车辆改装识别方法中,构建的残差神经网络为Resnet50神经网络架构,本发明方法中获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型;当训练残差神经网络时,在上述预训练模型上加上全连接层后,输入训练样本进行训练,得到车辆改装识别模型。由上述可知,本发明方法基于上述预训练模型训练得到车辆改装识别模型,能够有效防止因为训练样本有限而从头开始训练残差神经网络会导致过拟合的现象。
(4)本发明车辆改装识别方法中,还获取已知改装情况的车辆样本图像,构建验证样本集,残差神经网络在每次训后,通过验证样本集验证误差;在残差神经网络出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练;上述训练方法可以有效的控制残差神经网络的训练次数,得到在合理的训练样本次数下得到更为准确的车辆改装识别模型。
(5)本发明车辆改装识别方法中,针对训练样本、待识别车辆图像和验证样本进行数据预处理,具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和归一化处理,上述图像的处理,进一步提高车辆改装识别的准确度,且经过归一化处理后的车辆图像,使得残差神经网络训练过程中,每一层神经网络的输入保持相同分布的,可加快收敛速度,并且防止过拟合。
(6)本发明车辆改装识别方法的残差神经网络中,在卷积层之后使用Relu激活函数;Relu激活函数具有很好的非线性特性,并且可以很好的防止梯度消失现象,也能加快计算速度。另外,残差神经网络在每次训练时,使用dropout随机失活,使得其中一部分神经元参与训练,可以明显减少过拟合现象。
附图说明
图1是本发明方法流程图。
图2是本发明装置结构框图。
图3是本发明计算设备的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种车辆改装识别方法,基于该方法,车管所等需要检测车辆改装情况的机构能够针对车辆的改装情况进行快速、准确的检测,避免人工通过上传的车辆图像信息审核,存在成本大、效率低以及准确率低的问题。如图1所示,具体步骤如下:
S1、配置训练环境,在本实施例中下载并安装搭建Tensorflow和keras环境,安装完成之后进行安装环境的测试,如果测试通过说明Tensorflow和keras环境安装成功,否则需要重新安装。
S2、获取已知改装情况的车辆样本图像,分别构建训练样本集和验证样本集;针对各训练样本和验证样本进行数据预处理。在本实施例中,从车管所采集已知车辆改装情况的20000张车辆图像,即20000张车辆照片包括改装车辆图像和未改装车辆图像,其中改装车辆图像为正样本,未改装车辆图像为负样本,将其中80%作为训练样本,构成训练样本集,将其中20%作为验证样本,构成验证样本集。
S3、获取构建的残差神经网络;在本实施例中,所构建的残差神经网络为Resnet50神经网络架构,该神经网络最后的全连接层改为二分类输出层,使用sigmoid激活函数,同时该神经网络中在卷积层之后使用Relu激活函数。本实施例中,获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5。
S4、将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型。本实施例中,在训练残差神经网络,在步骤S3获取到的预训练模型上加上全连接层后,输入训练样本进行训练,得到车辆改装识别模型。
其中,本实施例,针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值,在本实施例中,设置n为5。
在本实施例中,每次在训练残差神经网络时,使用dropout随机失活,使得其中一部分神经元参与训练。
S5、针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;针对待识别车辆图像进行数据预处理;将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况。
本实施例上述步骤中,在残差神经网络输入车辆图像时,即训练样本、验证样本或待识别车辆图像输入到残差神经网络时,针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。本实施例中,针对于全连接层输入之前的车辆图像特征图可以是按照相应大小的块将特征图分别划分成8*8个块、4*4个块、2*2个块以及1*1个块,即一张特征图分别划分成64个块、16个块、4个块和1个块,总共85块特征图,针对85块特征图分别提取出特征,并且进行池化操作,各块特征图池化操作后的特征组合成特征向量,输入到全连接层中。
本实施例中,上述对训练样本、验证样本和待识别车辆图像进行数据预处理,具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。
本实施例上述方法中,采用Focal Loss损失函数对残差神经网络进行训练,能够保证平衡正负训练样本本身的数量比例不均问题,对于数量少的改装车辆类别给予更高的权重,使得模型更关注改装车辆样本数据,对于提高模型准确率有很好的效果。另外,残差神经网络中,针对于全连接层输入之前的车辆图像特征图,以各种大小进行划分,得到各种大小的块,针对各块提取特征并且进行池化操作,组合得到特征向量作为全连接层的输入。因为车辆改装图片有些改装面积很大,有些很小,上述针对特征图进行不同大小的分块处理,对于识别各种改装类型有很好的效果。并且残差神经网络由许多残差块组成,有助于解决梯度消失和梯度爆炸问题,让本实施例方法能够训练更深网络的同时,又能保证良好的性能。
实施例2
本实施例公开了一种车辆改装识别装置,如图2所示,包括:
样本获取模块,用于获取已知改装情况的车辆样本图像,构建训练样本集和验证样本集;
第一数据处理模块,用于针对各训练样本和验证样本进行数据预处理,包括对训练样本和验证样本对应车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。
神经网络获取模块,用于获取构建的残差神经网络。在本实施例中,所构建的残差神经网络为Resnet50神经网络架构,该神经网络最后的全连接层改为二分类输出层,使用sigmoid激活函数,同时该神经网络中在卷积层之后使用Relu激活函数。在本实施例中,该神经网络获取模块还用于获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型,该模型为resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5。
训练模块,用于将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型。在本实施例中,训练模块基于Tensorflow和keras环境下实现上述训练过程,在训练残差神经网络时,在神经网络获取模块获取到预训练模型上加上全连接层后,输入训练样本进行训练,得到车辆改装识别模型。
验证模块,用于针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则控制训练模块停止训练,其中n为定值,在本实施例中n可以设置为5,即当出现连续5次训练后,验证样本集的误差均未出现降低的情况,则停止训练。
待识别车辆图像获取模块,用于针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
第二数据处理模块,用于针对待识别车辆图像进行数据预处理,包括对待车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。
识别模块,将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况。
特征向量获取模块,用于针对于残差神经网络全连接层输入之前的车辆图像特征图,为训练样本、验证样本或待识别车辆图像的特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为残差神经网络全连接层的输入。本实施例中,针对于全连接层输入之前的车辆图像特征图可以是按照相应大小的块将特征图分别划分成8*8个块、4*4个块、2*2个块以及1*1个块,即一张车辆图像特征图分别划分成64个块、16个块、4个块和1个块,总共85块特征图,针对85块特征图分别提取出特征,并且进行池化操作,各块特征图池化操作后的特征组合成特征向量,输入到全连接层中。
本实施例中,车辆改装识别装置与实施例1的车辆改装识别方法相对应,因此各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例3
本实施例公开了一种车辆改装识别系统,包括图像采集设备和识别终端,图像采集设备连接识别终端。
图像采集设备,用于采集待改装识别车辆的图像,得到待识别车辆图像,并且将待识别车辆图像发送给识别终端;在本实施例中,图像采集设备可以是相机或者摄像头。
识别终端,用于执行实施例1所述的车辆改装识别方法,如下:
获取已知改装情况的车辆样本图像,构建训练样本集和验证样本集;针对各训练样本和验证样本进行数据预处理;
获取构建的残差神经网络;
将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;其中,针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值,在本实施例中,设置n为5。
针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
针对待识别车辆图像进行数据预处理;
将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
其中,在残差神经网络输入车辆图像时,即训练样本、验证样本或待识别车辆图像输入到残差神经网络时,针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
在本实施例中,上述识别终端可以是计算机、服务器等计算设备,包括通过系统总线连接的处理器、存储器、输入装置、显示器和网络接口,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统、计算机程序和数据库,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境,处理器执行存储器存储的计算机程序时,执行上述车辆改装识别方法。
实施例4
本实施例公开了一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的车辆改装识别方法,如下:
获取已知改装情况的车辆样本图像,构建训练样本集和验证样本集;针对各训练样本和验证样本进行数据预处理;
获取构建的残差神经网络;
将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;其中,针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值,在本实施例中,设置n为5。
针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
针对待识别车辆图像进行数据预处理;
将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况。
其中,在残差神经网络输入车辆图像时,即训练样本、验证样本或待识别车辆图像输入到残差神经网络时,针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
本实施例中存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例5
本实施例公开了一种计算设备,如图3所示,包括通过系统总线1401连接的处理器1402、存储器、输入装置1403、显示器1404和网络接口1405。其中,处理器1402用于提供计算和控制能力,存储器包括非易失性存储介质1406和内存储器1407,该非易失性存储介质1406存储有操作系统、计算机程序和数据库,该内存储器1407为非易失性存储介质1406中的操作系统和计算机程序的运行提供环境,计算机程序被处理器1402执行时,实现实施例1所述的车辆改装识别方法,如下:
获取已知改装情况的车辆样本图像,构建训练样本集和验证样本集;针对各训练样本和验证样本进行数据预处理;
获取构建的残差神经网络;
将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;其中,针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值,在本实施例中,设置n为5。
针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
针对待识别车辆图像进行数据预处理;
将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
其中在残差神经网络输入车辆图像时,即训练样本、验证样本或待识别车辆图像输入到残差神经网络时,针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
本实施例中,计算设备可以为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种车辆改装识别方法,其特征在于,包括如下步骤:
获取已知改装情况的车辆样本图像,构建训练样本集;
针对各训练样本进行数据预处理;
获取构建的残差神经网络;
将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;
针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
针对待识别车辆图像进行数据预处理;
将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
其中:
针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
2.根据权利要求1所述的车辆改装识别方法,其特征在于,构建的残差神经网络为Resnet50神经网络架构,最后的全连接层为二分类输出层;
所述方法还包括如下步骤:获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型;
当训练残差神经网络时,在上述预训练模型上加上全连接层后,输入训练样本进行训练,得到车辆改装识别模型。
3.根据权利要求1所述的车辆改装识别方法,其特征在于,还包括如下步骤:
获取已知改装情况的车辆样本图像,构建验证样本集,针对各验证样本进行预处理;
针对于训练样本每次训练后的残差神经网络,通过预处理后的验证样本集验证误差;若出现连续n次训练后,验证样本集的误差均未出现降低的情况,则停止训练,其中n为定值。
4.根据权利要求1所述的车辆改装识别方法,其特征在于,对训练样本和待识别车辆图像进行数据预处理,具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。
5.根据权利要求1所述的车辆改装识别方法,其特征在于,针对于残差神经网络全连接层输入之前的车辆图像特征图,以各种大小的块进行划分,具体以相应大小的块将特征图分别划分成8*8个块、4*4个块、2*2个块以及1*1个块,总共85个块。
6.根据权利要求1所述的车辆改装识别方法,其特征在于,所述残差神经网络中,在卷积层之后使用Relu激活函数;
每次在训练残差神经网络时,使用dropout随机失活,使得其中一部分神经元参与训练。
7.一种车辆改装识别装置,其特征在于,包括:
样本获取模块,用于获取已知改装情况的车辆样本图像,构建训练样本集;
第一数据处理模块,用于针对各训练样本进行数据预处理;
神经网络获取模块,用于获取构建的残差神经网络;
训练模块,用于将预处理后的各训练样本输入残差神经网络,以各训练样本对应改装情况作为标签,采用Focal Loss损失函数对残差神经网络进行训练,得到车辆改装识别模型;
待识别车辆图像获取模块,用于针对于需要进行改装识别的车辆,首先获取该车辆图像,作为待识别车辆图像;
第二数据处理模块,用于针对待识别车辆图像进行数据预处理;
识别模块,将预处理后的待识别车辆图像输入到车辆改装识别模型中,识别出车辆改装情况;
特征向量获取模块,用于针对于残差神经网络全连接层输入之前的车辆图像特征图,分别以各种大小的块进行划分;针对划分得到的各个块分别提取出特征,并进行池化操作,由池化操作后的特征组合得到特征向量,作为全连接层的输入。
8.一种车辆改装识别系统,其特征在于,包括图像采集设备和识别终端,所述图像采集设备连接识别终端;
所述图像采集设备,用于采集待改装识别车辆的图像,得到待识别车辆图像,并且将待识别车辆图像发送给识别终端;
所述识别终端,用于执行权利要求1~6中任一项所述的车辆改装识别方法。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1~6中任一项所述的车辆改装识别方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1~6中任一项所述的车辆改装识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108559.1A CN111310837A (zh) | 2020-02-21 | 2020-02-21 | 车辆改装识别方法、装置、系统、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108559.1A CN111310837A (zh) | 2020-02-21 | 2020-02-21 | 车辆改装识别方法、装置、系统、介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310837A true CN111310837A (zh) | 2020-06-19 |
Family
ID=71147338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108559.1A Pending CN111310837A (zh) | 2020-02-21 | 2020-02-21 | 车辆改装识别方法、装置、系统、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310837A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461093A (zh) * | 2020-06-22 | 2020-07-28 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的改装货车识别方法 |
CN112418100A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像分类与图像对比的公路车辆异常检测方法 |
CN112801128A (zh) * | 2020-12-14 | 2021-05-14 | 深圳云天励飞技术股份有限公司 | 非机动车识别方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及系统 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN109711281A (zh) * | 2018-12-10 | 2019-05-03 | 复旦大学 | 一种基于深度学习的行人重识别与特征识别融合方法 |
CN110738080A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种识别改装机动车的方法、装置和电子设备 |
-
2020
- 2020-02-21 CN CN202010108559.1A patent/CN111310837A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及系统 |
CN110738080A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种识别改装机动车的方法、装置和电子设备 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN109711281A (zh) * | 2018-12-10 | 2019-05-03 | 复旦大学 | 一种基于深度学习的行人重识别与特征识别融合方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461093A (zh) * | 2020-06-22 | 2020-07-28 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的改装货车识别方法 |
CN111461093B (zh) * | 2020-06-22 | 2020-09-29 | 北京慧智数据科技有限公司 | 一种基于深度学习技术的改装货车识别方法 |
CN112418100A (zh) * | 2020-11-24 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像分类与图像对比的公路车辆异常检测方法 |
CN112801128A (zh) * | 2020-12-14 | 2021-05-14 | 深圳云天励飞技术股份有限公司 | 非机动车识别方法、装置、电子设备及存储介质 |
CN112801128B (zh) * | 2020-12-14 | 2023-10-13 | 深圳云天励飞技术股份有限公司 | 非机动车识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163465B (zh) | 细粒度图像分类方法、系统、计算机设备及存储介质 | |
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
CN109145759B (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111401516A (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
CN111652225B (zh) | 基于深度学习的非侵入式摄像读取方法及系统 | |
CN111310837A (zh) | 车辆改装识别方法、装置、系统、介质和设备 | |
CN113361645B (zh) | 基于元学习及知识记忆的目标检测模型构建方法及系统 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN111160526B (zh) | 基于mape-d环形结构的深度学习系统在线测试方法与装置 | |
CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN114170642A (zh) | 图像检测的处理方法、装置、设备及存储介质 | |
CN117173677A (zh) | 手势识别方法、装置、设备及存储介质 | |
CN111611917A (zh) | 模型训练方法、特征点检测方法、装置、设备及存储介质 | |
CN112084936A (zh) | 一种人脸图像预处理方法、装置、设备及存储介质 | |
CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN111652242A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN113283388B (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
CN113642353A (zh) | 一种人脸检测模型的训练方法、存储介质及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |