CN112101246A - 一种车辆识别方法、装置、设备及介质 - Google Patents
一种车辆识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112101246A CN112101246A CN202010986631.0A CN202010986631A CN112101246A CN 112101246 A CN112101246 A CN 112101246A CN 202010986631 A CN202010986631 A CN 202010986631A CN 112101246 A CN112101246 A CN 112101246A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- money
- sample image
- fusion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆识别方法、装置、设备及介质,包括:获取车辆样本图像;利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。能够提升车款识别的准确度。
Description
技术领域
本申请涉及车辆识别技术领域,特别涉及一种车辆识别方法、装置、设备及介质。
背景技术
随着车辆的普及,如何快速的追踪、检索到车辆已经成为维护城市交通安全过程中的研究热点。车辆款式作为车辆的一个重要属性,在车辆检索、追踪过程中扮演了重要的角色,因此车款识别技术也受到了越来越多的关注。AI技术的兴起,为车款识别提供了新的解决方案,利用卷积神经网络进行车款分类逐渐成为主流。
目前,基于卷积神经网络进行车款分类主要分为两种方法:(1)先通过某种方法获取车辆的车头部分或者车尾部分的图片,然后利用车头或者车尾部分的图片送入卷积神经网络进行特征提取和车款分类;(2)直接将车辆各种角度的图片送入卷积神经网络进行特征提取和车款分类。对于第一种方法,利用车辆的车头或车尾部分图片进行车款识别,虽然最终分类结果较为理想,但是当车辆处于侧身等大角度时,无法获取到车头、车尾图片,也就无法进行车款分类。对于第二种方法,虽然不受车辆角度的限制,对于各个角度的车辆图片都能进行车款分类,但是当车辆处于侧身等大角度时,车款特征不明显,车款分类的准确率也就大大降低。综上,目前主流的车款分类方法,都面临着在车辆处于侧身等大角度时车款分类难、分类精度低的问题。因此,如何提高车辆处于侧身等大角度时车款分类的准确率,已经成为一个亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种车辆识别方法、装置、设备及介质,能够降低车辆图片中车辆角度对识别结果的影响,从而提升了车款识别的准确度。其具体方案如下:
第一方面,本申请公开了一种车辆识别方法,包括:
获取车辆样本图像;
利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;
当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;
其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
可选的,所述从所述基础特征中提取车型特征之前,还包括:
从所述基础特征中剔除所述车款特征。
可选的,所述从所述基础特征中剔除所述车款特征,包括:
对所述车款特征进行最大池化处理以得到目标特征;
从所述基础特征中剔除所述目标特征。
可选的,所述对所述车款特征以及所述车型特征进行特征融合以得到融合特征,包括:
基于通道注意力机制获取所述车款特征对应的第一注意力特征;
基于通道注意力机制获取所述车型特征对应的第二注意力特征;
对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
可选的,所述利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息,包括:
确定出所述融合特征属于每一车款类别的置信度;
确定出最大的所述置信度对应的所述车款类别,以得到所述车辆样本图像对应的车款信息。
第二方面,本申请公开了一种车辆识别装置,包括:
车辆样本图像获取模块,用于获取车辆样本图像;
车辆识别模型训练模块,用于利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;
车辆图像识别模块,用于当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;
其中,所述车辆识别模型训练模块具体包括:基础特征提取子模块,用于提取所述车辆样本图像的基础特征;车款特征提取子模块,用于从所述基础特征中提取车款特征;车型特征提取子模块,用于从所述基础特征中提取车型特征;特征融合子模块,用于对所述车款特征以及所述车型特征进行特征融合以得到融合特征;车款分类子模块,用于利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;车型分类子模块,用于利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
可选的,所述车辆识别模型训练模块还包括:
车款特征剔除子模块,用于从所述基础特征中剔除所述车款特征。
可选的,所述特征融合子模块,具体包括:
第一注意力特征获取单元,用于基于通道注意力机制获取所述车款特征对应的第一注意力特征;
第二注意力特征获取单元,用于基于通道注意力机制获取所述车型特征对应的第二注意力特征;
特征融合单元,用于对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
第三方面,本申请公开了一种电子设备,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序以实现前述的车辆识别方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述的车辆识别方法。
可见,本申请获取车辆样本图像;利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。这样,在训练的过程中,利用了不受车辆角度影响的车型特征,对车型特征和车款特征融合进行训练,能够降低车辆图片中车辆角度对识别结果的影响,从而提升了车款识别的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种车辆识别方法流程图;
图2为本申请公开的一种具体的车辆识别方法子流程图;
图3为本申请公开的一种基础特征提取子网络示意图;
图4为本申请公开的一种卷积block示意图;
图5为本申请公开的一种车款特征提取子网络示意图;
图6为本申请公开的一种车款特征剔除子网络示意图;
图7为本申请公开的一种特征融合子网络示意图;
图8为本申请公开的一种车款分类子网络示意图;
图9为本申请公开的一种车辆识别装置结构示意图;
图10为本申请公开的一种具体的车辆识别模型训练模块示意图;
图11为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,基于卷积神经网络进行车款分类主要分为两种方法:(1)先通过某种方法获取车辆的车头部分或者车尾部分的图片,然后利用车头或者车尾部分的图片送入卷积神经网络进行特征提取和车款分类;(2)直接将车辆各种角度的图片送入卷积神经网络进行特征提取和车款分类。对于第一种方法,利用车辆的车头或车尾部分图片进行车款识别,虽然最终分类结果较为理想,但是当车辆处于侧身等大角度时,无法获取到车头、车尾图片,也就无法进行车款分类。对于第二种方法,虽然不受车辆角度的限制,对于各个角度的车辆图片都能进行车款分类,但是当车辆处于侧身等大角度时,车款特征不明显,车款分类的准确率也就大大降低。综上,目前主流的车款分类方法,都面临着在车辆处于侧身等大角度时车款分类难、分类精度低的问题。因此,如何提高车辆处于侧身等大角度时车款分类的准确率,已经成为一个亟待解决的问题。为此,本申请提供了一种车辆识别方案,能够降低车辆图片中车辆角度对识别结果的影响,从而提升了车款识别的准确度。
参见图1所示,本申请实施例公开了一种车辆识别方法,包括:
步骤S11:获取车辆样本图像。
步骤S12:利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型。
步骤S13:当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果。
在具体的实施方式中,可以获取车辆样本图像以及对应的标签信息,将车辆样本图像和标签信息输入至预先构建的车辆识别模型进行训练。
参见图2所示,图2为本申请实施例公开的一种具体的车辆识别方法子流程图。
在具体的实施方式中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:
步骤S21:提取所述车辆样本图像的基础特征。
在具体的实施方式中,可以将所述车辆样本图像输入基础特征提取子网络,具体可以为一个全卷积神经网络,提取车辆样本的基础特征。参见图3所示,图3为本申请实施例公开的一种基础特征提取子网络示意图,车辆样本图像先被送入一个5*5的卷积层,然后经过bn层,relu激活层后进行3*3的最大池化。最大池化层后依次连接三个相同的block,每个block的结构如图4所示,图4为本申请实施例公开的一种卷积block示意图。
步骤S22:从所述基础特征中提取车款特征。
在具体的实施方式中,可以将基础特征输入车款特征提取子网络,例如,参见图5所示,图5为本申请实施例公开的一种车款特征提取子网络示意图。输入连接三个卷积核为3*3,5*5,7*7的卷积层。然后三个卷积层通过一个eltwise层相加,最后经过batch norm层和relu层获得最后的输出。不同的卷积核具有不同的感受野,可以获取不同尺度的特征。该车款特征提取网络利用不同尺寸的卷积核,获取不同尺度的车款特征,最后融合不同尺度的车款特征。
步骤S23:从所述基础特征中剔除所述车款特征。
需要指出的是,如果车款特征、车型特征都是直接从基础特征中提取,那么车款特征与车型特征可能会学习到过多的重复特征。为了能够充分学习到更具有特征区分度的车型特征,避免车型特征学习到与车款特征较多相同的特征。在提取车型特征之前,可以利用车款特征剔除子网络剔除基础特征中的车款特征。
在具体的实施方式中,可以对所述车款特征进行最大池化处理以得到目标特征;从所述基础特征中剔除所述目标特征。
参见图6所示,图6为本申请实施例公开的一种车款特征剔除子网络示意图。其中,input1为基础特征,input2为车款特征,Input2通过Mpool(最大池化)层得到的特征为Mp。输出的计算公式如下:
Output=input1–Mp
其中,Mpool层的具体处理过程包括:首先在2*2的邻域内,步长为1,对input2进行最大池化,得到的目标特征为Fmaxp,其中,Fi,j为目标特征Fmaxp位于坐标(i,j)的值;Ii,j为input1位于坐标(i,j)的值;Mpi,j为上述经过input2经过Mpool层得到的特征Mp位于坐标(i,j)的值。Mpi,j可由下述公式计算得到:
也即,为便于从所述基础特征中剔除所述目标特征,可以基于前述公式对得到的目标特征进行运算,然后利用基础特征减去运算后的特征,即可实现车款特征的抑制。
步骤S24:从剔除所述车款特征后的所述基础特征中提取车型特征。
在具体的实施方式中,可以将剔除所述车款特征后的所述基础特征输入车型特征提取子网络,车型特征提取子网络的结构可以和车款特征提取网络相同,输入连接三个卷积核为3*3,5*5,7*7的卷积层。然后三个卷积层通过一个eltwise层相加,最后经过batchnorm层和relu层获得最后的输出。因为提取车型特征之前,输入已经对车款特征进行了抑制,因此车型特征提取网络学到的特征与车款特征提取网络提取的特征之间的重复特征会更少。
步骤S25:对所述车款特征以及所述车型特征进行特征融合以得到融合特征。
在具体的实施方式中,可以基于通道注意力机制获取所述车款特征对应的第一注意力特征;基于通道注意力机制获取所述车型特征对应的第二注意力特征;对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
也即,本申请实施例在进行特征融合时,并没有直接将两个不同的特征简单的求和或者concat一起,而是通过通道注意力机制先对两个特征分别进行选择,增加有效特征的影响,抑制冗余特征的重要性。参见图7所示,图7为本申请实施例公开的一种特征融合子网络示意图,其中input1为车款特征,input2为车型特征,具体操作如下。输入特征通过平均池化层、sigmod激活层和softmax层得到一个与输入特征通道数一致的特征向量,然后与输入特征在通道所属维度进行相乘,以此对输入特征通道进行选择,增大有效特征通道的权重,减小冗余特征的权重。最后将经过通道注意力机制处理后的车款特征和车型特征进行concat融合。
这样,可以将对车型分类有效的特征与对车款分类有效的特征融合在一起,在车款特征中嵌入车型特征,在进行车款分类的时候关注车型信息,利用车型特征辅助车款分类。
步骤S26:利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息。
在具体的实施方式中,可以确定出所述融合特征属于每一车款类别的置信度,然后确定出最大的所述置信度对应的所述车款类别,以得到所述车辆样本图像对应的车款信息。
见图8所示,图8为本申请公开的一种车款分类子网络示意图,由一个平均池化层、全连接层和一个softmax层连接,最终输出车款属于每一个类别的置信度。置信度最大值对应的车款,即为判断出的输入训练样本图像对应的车款。
步骤S27:利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
在具体的实施方式中,可以确定出所述车型特征属于每一车型类别的置信度,然后确定出最大的所述置信度对应的所述车型类别,以得到所述车辆样本图像对应的车型信息。
车型分类子网络与车款分类子网络的结构可以相同,由一个平均池化层、全连接层和一个softmax层连接,最终输出车型属于每一个类别的置信度。置信度最大值对应的车型,即为判断出的输入车辆样本图像的车型。
其中,车型分类中的车型可以包括:小汽车、大卡车、小货车、皮卡、公交车、大客车等,车款分类中车款的格式可以为:品牌-款式-年份。
本实施例,可以在根据得到的车型信息和车款信息计算训练损失,以更新车辆识别模型,从而得到训练后模型。
也即,本实施例中,预先构建的车辆识别模型包括基础特征提取子网络、车款特征提取子网络、车款特征剔除子网络、车型特征提取子网络、特征融合子网络、车款分类子网络、车型分类子网络。
另外,本实施例中所有子网络在训练过程中一起训练,但是在部署时,可以将车型分类子网络去掉,保留其他子网络,不影响最终所需的车款分类的准确度。当然,若需要车型分类结果,车型分类子网络也可以保留。
需要指出的是,车辆在处于侧身等特征不明显的角度时,很难提取到有效的车款特征进行车款识别。而车型特征则不受车辆角度的影响,几乎从车辆各个角度的图片,都可以轻松的判断出车辆的车型。本申请实施例在进行车款分类的时候,增加车型分类分支,用来获取车型特征。利用车型特征辅助车款分类,有效提高了车辆在处于侧身等车款特征难以提取的角度时车款识别的准确率。同时车型特征在车款分类中可以缩小车辆车款的预测范围,降低了属于某种车型的车款被分为其他车型车款的概率。例如,错误的将公交车识别为宝马。
进一步的,在一些实施例中,基础特征提取子网络,可以采用其他卷积,神经网络结构,如VGG、resnet、mobileNet等;车款特征提取子网络、车型特征提取子网络可以是其他由卷积层、池化层、激活层、全连接层等组成的结构。特征融合子网络可以为其他由卷积层、concat、激活层、全连接层等组成的用于添加注意力机制的子网络。车型分类子网络、车款分类子网络可以是其他常见的分类网络。
可见,本申请实施例获取车辆样本图像;利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。这样,在训练的过程中,利用了不受车辆角度影响的车型特征,对车型特征和车款特征融合进行训练,能够降低车辆图片中车辆角度对识别结果的影响,从而提升了车款识别的准确度。
参见图9所示,本申请公开了一种车辆识别装置,包括:
车辆样本图像获取模块11,用于获取车辆样本图像;
车辆识别模型训练模块12,用于利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;
车辆图像识别模块13,用于当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;
其中,所述车辆识别模型训练模块12具体包括:基础特征提取子模块,用于提取所述车辆样本图像的基础特征;车款特征提取子模块,用于从所述基础特征中提取车款特征;车型特征提取子模块,用于从所述基础特征中提取车型特征;特征融合子模块,用于对所述车款特征以及所述车型特征进行特征融合以得到融合特征;车款分类子模块,用于利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;车型分类子模块,用于利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
可见,本申请实施例获取车辆样本图像;利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。这样,在训练的过程中,利用了不受车辆角度影响的车型特征,对车型特征和车款特征融合进行训练,能够降低车辆图片中车辆角度对识别结果的影响,从而提升了车款识别的准确度。
在一些实施例中,所述车辆识别模型训练模块12还包括:
车款特征剔除子模块,用于从所述基础特征中剔除所述车款特征。
并且,在具体的实施方式中,所述车款特征剔除子模块,具体可以包括:
最大池化处理单元,用于对所述车款特征进行最大池化处理以得到目标特征;
目标特征剔除单元,用于从所述基础特征中剔除所述目标特征。
在具体的实施方式中,所述特征融合子模块,具体包括:
第一注意力特征获取单元,用于基于通道注意力机制获取所述车款特征对应的第一注意力特征;
第二注意力特征获取单元,用于基于通道注意力机制获取所述车型特征对应的第二注意力特征;
特征融合单元,用于对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
在具体的实施方式中,所述车款分类子模块,具体用于确定出所述融合特征属于每一车款类别的置信度;确定出最大的所述置信度对应的所述车款类别,以得到所述车辆样本图像对应的车款信息。
例如,参见图10所示,图10为本申请实施例公开的一种具体的车辆识别模型训练模块示意图。
参见图11所示,本申请实施例公开了一种电子设备,包括处理器21和存储器22;其中,所述存储器22,用于保存计算机程序;所述处理器21,用于执行所述计算机程序,以实现前述实施例公开的车辆识别方法。
关于上述车辆识别方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步的,本申请实施例还公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述实施例公开的车辆识别方法。
关于车辆识别方法的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种车辆识别方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种车辆识别方法,其特征在于,包括:
获取车辆样本图像;
利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;
当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;
其中,所述利用所述车辆样本图像对预先构建的车辆识别模型进行训练的具体过程包括:提取所述车辆样本图像的基础特征;从所述基础特征中提取车款特征;从所述基础特征中提取车型特征;对所述车款特征以及所述车型特征进行特征融合以得到融合特征;利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
2.根据权利要求1所述的车辆识别方法,其特征在于,所述从所述基础特征中提取车型特征之前,还包括:
从所述基础特征中剔除所述车款特征。
3.根据权利要求2所述的车辆识别方法,其特征在于,所述从所述基础特征中剔除所述车款特征,包括:
对所述车款特征进行最大池化处理以得到目标特征;
从所述基础特征中剔除所述目标特征。
4.根据权利要求1所述的车辆识别方法,其特征在于,所述对所述车款特征以及所述车型特征进行特征融合以得到融合特征,包括:
基于通道注意力机制获取所述车款特征对应的第一注意力特征;
基于通道注意力机制获取所述车型特征对应的第二注意力特征;
对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
5.根据权利要求1所述的车辆识别方法,其特征在于,所述利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息,包括:
确定出所述融合特征属于每一车款类别的置信度;
确定出最大的所述置信度对应的所述车款类别,以得到所述车辆样本图像对应的车款信息。
6.一种车辆识别装置,其特征在于,包括:
车辆样本图像获取模块,用于获取车辆样本图像;
车辆识别模型训练模块,用于利用所述车辆样本图像对预先构建的车辆识别模型进行训练,得到训练后模型;
车辆图像识别模块,用于当获取到待识别车辆图像,则利用所述训练后模型输出对应的识别结果;
其中,所述车辆识别模型训练模块具体包括:基础特征提取子模块,用于提取所述车辆样本图像的基础特征;车款特征提取子模块,用于从所述基础特征中提取车款特征;车型特征提取子模块,用于从所述基础特征中提取车型特征;特征融合子模块,用于对所述车款特征以及所述车型特征进行特征融合以得到融合特征;车款分类子模块,用于利用所述融合特征进行车款分类以得到所述车辆样本图像对应的车款信息;车型分类子模块,用于利用所述车型特征进行车型分类以得到所述车辆样本图像对应的车型信息。
7.根据权利要求6所述的车辆识别装置,其特征在于,所述车辆识别模型训练模块还包括:
车款特征剔除子模块,用于从所述基础特征中剔除所述车款特征。
8.根据权利要求6所述的车辆识别装置,其特征在于,所述特征融合子模块,具体包括:
第一注意力特征获取单元,用于基于通道注意力机制获取所述车款特征对应的第一注意力特征;
第二注意力特征获取单元,用于基于通道注意力机制获取所述车型特征对应的第二注意力特征;
特征融合单元,用于对所述第一注意力特征和所述第二注意力特征进行融合以得到融合特征。
9.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序以实现如权利要求1至5任一项所述的车辆识别方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的车辆识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986631.0A CN112101246A (zh) | 2020-09-18 | 2020-09-18 | 一种车辆识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986631.0A CN112101246A (zh) | 2020-09-18 | 2020-09-18 | 一种车辆识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101246A true CN112101246A (zh) | 2020-12-18 |
Family
ID=73759855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010986631.0A Pending CN112101246A (zh) | 2020-09-18 | 2020-09-18 | 一种车辆识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101246A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221982A (zh) * | 2021-04-28 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法、车辆识别模型创建方法及相关组件 |
CN113657180A (zh) * | 2021-07-23 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆识别方法、服务器和计算机可读存储介质 |
CN115761659A (zh) * | 2023-01-09 | 2023-03-07 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090429A (zh) * | 2017-12-08 | 2018-05-29 | 浙江捷尚视觉科技股份有限公司 | 一种分级前脸卡口车型识别方法 |
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
CN111291812A (zh) * | 2020-02-11 | 2020-06-16 | 浙江大华技术股份有限公司 | 属性类别的获取方法及装置、存储介质、电子装置 |
CN111340026A (zh) * | 2020-03-05 | 2020-06-26 | 苏州科达科技股份有限公司 | 车辆年款识别模型的训练方法以及车辆年款的识别方法 |
US20200265272A1 (en) * | 2019-02-19 | 2020-08-20 | Fujitsu Limited | Apparatus and method for training classification model and apparatus for performing classification by using classification model |
CN111611947A (zh) * | 2020-05-25 | 2020-09-01 | 济南博观智能科技有限公司 | 一种车牌检测方法、装置、设备及介质 |
-
2020
- 2020-09-18 CN CN202010986631.0A patent/CN112101246A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
CN108090429A (zh) * | 2017-12-08 | 2018-05-29 | 浙江捷尚视觉科技股份有限公司 | 一种分级前脸卡口车型识别方法 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109359696A (zh) * | 2018-10-29 | 2019-02-19 | 重庆中科云丛科技有限公司 | 一种车款识别方法、系统及存储介质 |
US20200265272A1 (en) * | 2019-02-19 | 2020-08-20 | Fujitsu Limited | Apparatus and method for training classification model and apparatus for performing classification by using classification model |
CN111291812A (zh) * | 2020-02-11 | 2020-06-16 | 浙江大华技术股份有限公司 | 属性类别的获取方法及装置、存储介质、电子装置 |
CN111340026A (zh) * | 2020-03-05 | 2020-06-26 | 苏州科达科技股份有限公司 | 车辆年款识别模型的训练方法以及车辆年款的识别方法 |
CN111611947A (zh) * | 2020-05-25 | 2020-09-01 | 济南博观智能科技有限公司 | 一种车牌检测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
何霞;汤一平;陈朋;王丽冉;袁公萍;: "多任务分段紧凑特征的车辆检索方法", 中国图象图形学报, no. 12 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221982A (zh) * | 2021-04-28 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法、车辆识别模型创建方法及相关组件 |
CN113657180A (zh) * | 2021-07-23 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆识别方法、服务器和计算机可读存储介质 |
CN115761659A (zh) * | 2023-01-09 | 2023-03-07 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
CN115761659B (zh) * | 2023-01-09 | 2023-04-11 | 南京隼眼电子科技有限公司 | 识别模型构建方法、车型识别方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101246A (zh) | 一种车辆识别方法、装置、设备及介质 | |
CN110751134B (zh) | 目标检测方法、装置、存储介质及计算机设备 | |
CN107835496B (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
CN109034086B (zh) | 车辆重识别方法、装置及系统 | |
CN111382623A (zh) | 一种直播审核的方法、装置、服务器和存储介质 | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN110969526A (zh) | 重叠社群处理方法、装置以及电子设备 | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
CN114861842A (zh) | 少样本目标检测方法、装置和电子设备 | |
CN114220087A (zh) | 一种车牌检测方法、车牌检测器及相关设备 | |
CN112132231A (zh) | 对象的识别方法和装置、存储介质及电子设备 | |
CN112597995A (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN112560953B (zh) | 私家车非法营运的识别方法、系统、设备及存储介质 | |
CN116152079A (zh) | 图像处理方法及图像处理模型训练方法 | |
CN111488800B (zh) | 一种模型训练及图像处理方法、装置、终端及存储介质 | |
CN113657180A (zh) | 一种车辆识别方法、服务器和计算机可读存储介质 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN113723209A (zh) | 目标识别方法、装置、电子设备和计算机可读存储介质 | |
CN114022869B (zh) | 一种基于级联网络的车辆重识别方法及装置 | |
CN114092864B (zh) | 伪造视频的识别方法、装置、电子设备及计算机存储介质 | |
Slimani et al. | Which cnn layer for which change? a CNN adaptation approach for change detection in remote sensing data | |
CN112801008B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN113378840A (zh) | 一种车牌的检测方法及装置 | |
CN113569844A (zh) | 一种车牌检测的方法及装置 |
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 |