CN107665353A - 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 - Google Patents
基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107665353A CN107665353A CN201710833636.8A CN201710833636A CN107665353A CN 107665353 A CN107665353 A CN 107665353A CN 201710833636 A CN201710833636 A CN 201710833636A CN 107665353 A CN107665353 A CN 107665353A
- Authority
- CN
- China
- Prior art keywords
- picture
- measured
- vehicle
- default
- detection model
- 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
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质,其中所述方法包括对获取的待测图片进行预处理;将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;确定所有概率值中的最大概率值,并将最大概率值对应的车型作为所述待测图片的车型;所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。本发明能够实现高精度的车型识别,同时使得识别过程高效稳定。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质。
背景技术
汽车车型识别在车辆管理、车辆违规逃逸、车辆巡查布控和事故车损赔付等诸多问题上都起到关键作用,车辆类型具有不易改变的优点,成为车辆辨识中非常重要的特征,而在无牌车、套牌车等情况下,无法通过车牌识别和图像清晰化处理技术获取有效的车辆信息,特别是在车损理赔时,车型对赔付金额影响巨大,车型识别在其他类似交通监控和管制、交通事故责任认定等诸多场景中也起着非常重要的作用。
传统的车型识别方法,往往只能针对不同的任务设计诸如基于尺度不变特征转换(SIFT)等不同的特征,然后利用支持向量机(SVM)或随机森林(Random Forest)等分类器进行训练,但往往只能应用到车辆种类和车牌识别的场景中,对于多达上千种且很多类型非常相似的车型来说,很难人工设计针对性的特征进行识别。另外虽然还有基于多传感器融合的车型识别方法,但是该方法的原理和识别非常简单,存在着对外界环境敏感、故障率较高的缺点。
发明内容
本发明实施例提供一种基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质,能够实现高精度的车型识别,同时使得识别过程高效稳定。
一方面,本发明实施例提供了一种基于卷积神经网络的车型识别方法,该方法包括:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
进一步地,所述预设的图片数据包括预设的第一图片数据,所述对获取的待测图片进行预处理之前,包括:
将预设的第一图片数据分为第一训练集以及第一验证集;
利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
进一步地,所述预设的图片数据还包括预设的第二图片数据,所述方法还包括:
将预设的第二图片数据分为第二训练集以及第二验证集;
利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型;
利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本;
若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型;
利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
进一步地,所述第一卷积神经网络包括八层结构,所述第二卷积神经网络包括二十层结构,其中,所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个用于二分类的概率统计层。
进一步地,所述将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息,包括:
将预处理后的待测图片输入第一预设检测模型以得到一置信度;
判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
另一方面,本发明实施例还提供了一种基于卷积神经网络的车型识别装置,该装置包括:
处理单元,用于对获取的待测图片进行预处理;
判断单元,用于将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
输入单元,用于若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
计算单元,用于通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定单元,用于确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
进一步地,所述预设的图片数据包括预设的第一图片数据,所述装置还包括:
分类单元,用于将预设的第一图片数据分为第一训练集以及第一验证集;
训练单元,用于利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
验证单元,用于利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
调整单元,用于若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
判定单元,用于利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
进一步地,所述判断单元包括:
处理单元,用于对获取的待测图片进行预处理;
置信度获取单元,用于将预处理后的待测图片输入第一预设检测模型以得到一置信度;
置信度判断单元,用于判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
又一方面,本发明实施例还提供了一种基于卷积神经网络的车型识别设备,该设备包括:
存储器,用于存储实现车型识别的程序;以及
处理器,用于运行所述存储器中存储的实现车型识别的程序,以执行以下操作:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
再一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现以下步骤:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
本发明实施例通过将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;具体的是先对待测图片进行车辆二分类,再根据车辆二分类结果找到含有车辆特征信息的图片,并再次进行车型的分类识别,从而使得该发明实施例能够实现对车辆的精细车型的分类识别,例如实现高达92.48%的高精度的车型识别,同时也能够使得识别过程更为高效稳定。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于卷积神经网络的车型识别方法的示意流程图;
图2是本发明实施例提供的基于卷积神经网络的车型识别方法的另一示意流程图;
图3是本发明实施例提供的基于卷积神经网络的车型识别方法的另一示意流程图;
图4是本发明实施例提供的基于卷积神经网络的车型识别方法的另一演示示意图;
图5是本发明实施例提供的基于卷积神经网络的车型识别装置的示意性框图;
图6是本发明实施例提供的基于卷积神经网络的车型识别装置的另一示意性框图;
图7是本发明实施例提供的基于卷积神经网络的车型识别装置的另一示意性框图;
图8是本发明实施例提供的基于卷积神经网络的车型识别设备的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1,图1是本发明实施例提供的一种基于卷积神经网络的车型识别方法的示意流程图。该方法可以运行在智能手机(如Android手机、IOS手机等)、平板电脑、笔记本电脑以及智能设备等设备中。本发明的方法可以自动分析输入的待测图片,从而实现对车辆的精细车型的分类识别,例如实现高达92.48%的高精度的车型识别,同时也能够使得识别过程更为高效稳定。如图1所示,该方法包括步骤S101~S105。
S101对获取的待测图片进行预处理。
在本发明实施例中,获取待测图片后,需要对其进行一定的处理。待测图片可以是常规的图片,也可以是从视频数据中提取视频关键帧从而得到的图片。为了提高分类检测的准确性,需要对待测图片进行相应的处理。尤其是,需要对待测图片进行特征强化,即统一化到227*227大小后的图像。
S102,将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息。
在本发明实施例中,需要将预处理后的待测图片输入第一预设检测模型进行二分类,从而判定所述待测图片是否含有车辆特征信息。其中,第一预设检测模型可以是一个基于深度卷积神经网路和大量车辆相关图片数据集训练出来的车辆二分类模型。
具体的,如图2所示,作为优选的实施例,步骤S102包括步骤S201~S202,
S201,将预处理后的待测图片输入第一预设检测模型以得到一置信度。
在本发明实施例中,将已进行预处理的待测图片输入第一预设检测模型后,可以得到一个相应的置信度,因所述第一预设检测模型是基于深度卷积神经网络而训练得到的,故该置信度可以由该深度卷积神经网络中的用于二分类的连接层作为输出。
S202,判断所述置信度是否大于预设临界值。
在本发明实施例中,该置信度如果不大于预设置信度,那么可知,该待测图片不含有车辆特征信息,那么也即图片不含有车辆,不需要进行后续的车型识别。其中,所述预设置信度可以根据实际情况进行相应的设定。比如,当预设置信度为0.6时,如果所述置信度小于或等于0.6,那么该待测图片为含有车辆特征信息的图片。即,其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
S103,若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型。
其中,在本发明实施例中,当所述待测图片含有车辆特征信息时,要将预处理后的待测图片输入第二预设检测模型,所述第二预设检测模型可以是一个基于深度卷积神经网路和大量车辆相关图片数据集训练出来的车型分类模型。
S104,通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值。
在本发明实施例中,所述进行处理后的待测图片输入所述第二预设检测模型后可以计算得出所述待测图片对应的每一类车型的概率值。其中,本发明实施例中的车型可以包括品牌名、厂商名以及车系型号等信息,当然也不仅限于上述信息。一般情况下,可以通过第二预设检测模型计算输出的每个概率值均对应一个车型。
例如,所述车型可以包括如下面表1所示的车型,
序号 | 品牌名 | 厂商名 | 车系型号 |
1 | 路虎 | 路虎(进口) | 揽胜 |
2 | 路虎 | 路虎(进口) | 第三代发现 |
3 | 路虎 | 路虎(进口) | 神行者2 |
4 | 路虎 | 路虎(进口) | 揽胜极光(进口) |
5 | 路虎 | 路虎(进口) | 第四代发现 |
6 | 路虎 | 路虎(进口) | 揽胜运动版 |
7 | 路虎 | 路虎(进口) | seriesI |
8 | 路虎 | 路虎(进口) | 神行者 |
9 | 路虎 | 路虎(进口) | 第一代发现 |
10 | 路虎 | 路虎(进口) | 第二代发现 |
11 | 路虎 | 路虎(进口) | 揽胜极光 |
12 | 路虎 | 路虎(进口) | 发现神行 |
表1
其中,序号1到序号12中的每一个车型都对应有一个概率,假若序号9所表示的车型对应的概率最大,那么此时所述待测图片中的车辆的车型即为品牌名为路虎,厂商名为路虎(进口),车系型号为第一代发现的型号。
S105,确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型。
在本发明实施例中,对所有的概率值进行对比分析,从而获取最大概率值,此时,该概率值所对应有的车型即为所述待测图片的车型。
另外,作为优选的实施例,如图3所示,所述预设的图片数据包括预设的第一图片数据,本发明实施例提供的一种基于卷积神经网络的车型识别方法中的步骤S101之前还包括步骤S301~S305:
S301,将预设的第一图片数据分为第一训练集以及第一验证集。
在本发明实施例中,预设的第一图片数据可以包括预设分类的包括车辆的图片和不包括车辆的图片,其可由人工进行分类筛选,将这两类数据作为两个场景,并作为输入数据提供给卷积神经网络进行学习分类,从而得到可以判断图片是否为含有车辆的图片的车辆二分类模型。
具体的,可以对不含有车辆的图片给定分类标注为0,对含有车辆的图片给定分类标注为1,再对已进行标注的预设的图片数据按4:1的比例分配为第一训练集以及第一验证集,第一训练集中可以包括含有车辆的图片和不含有车辆的图片,第一验证集中可以包括含有车辆的图片和不含有车辆的图片。
其中,第一训练集用于对卷积神经网络进行常规训练,而第一验证集用于对训练后的卷积神经网络得到的模型进行相应的分类检测,为了提高识别的准确度,可以对第一训练集和第一验证集先进行相应的预处理,比如特征强化等,然后才能输入卷积神经网络进行训练。
S302,利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型。
在本发明实施例中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。不同的卷积神经网络包括不同的分层结构。具体的,本发明实施例可以通过第一训练集对选用的深度卷积神经网路来训练得到第一中间模型。
作为优选的实施例,所述第一卷积神经网络可以包括八层结构,其中,所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个用于二分类的概率统计层。其中前五层为卷积层,用于进行特征提取和降维,后两层为全连接层,最后为用于二分类的概率统计层。第一卷积神经网络中的每层卷积层可以通过卷积核将输入的图片数据过滤为二维向量,在训练阶段对其参数进行单独计算,而全连接层将输入和带权重的向量进行点乘,因此后一层的神经元与前一层的神经元全部连接起来,所有神经元都通过激活函数进行学习加速,而概率统计层用于进行图片是否包括车辆特征信息的判断。
S303,利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本。
在本发明实施例中,将第一验证集中的图片输入第一中间模型中进行分类检测以得到分类检测结果,当分类检测结果与该图片的预设分类不一致时,将该图片认定为一个第一错误样本。具体可以将所有分类检测结果与图片的预分类不一致的图片归类为第一错误集。综上可知,每个第一错误集均可以包括至少一个第一错误样本。
S304,若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型。
在本发明实施例中,如果第一错误集中错误样本的数量大于或等于预设阈值,则表明此时分类检测的结果的错误率在不可接受的范围内,此时需要利用所述第一错误集训练所述第一中间模型以得到一个对应的新的第一中间模型,从而进一步提高第一中间模型的分类检测的准确度。
S305,利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
在本发明实施例中,得到新的第一中间模型后,需要再利用第一验证集再次进行验证以得到新的分类检测结果,同时判断此时的第一错误集中的错误样本的数量是否小于预设阀值,当第一错误集中的错误样本的数量小于预设阀值,那么则可以判定此时的新的第一中间模型为对应的第一预设检测模型。而如果第一错误集中的错误样本的数量大于预或等于预设阀值,那么则可以返回步骤S304。
故通过第一预设检测模型对处理后的待测图片进行二分类的时候,以通过第一层卷积层为例,输入统一化到227*227大小后的图片,卷积核大小为11*11,步长为4,卷积核个数为96,卷积后的特征图减去边缘后大小为55,特征图经过ReLu激活函数、Norm归一化后通过池化操作降维,最终输出大小为27*27*96的特征图,然后再输入后续的卷积层以及全连接层中以进行二分类。
作为优选的实施例,如图4所示,所述预设的图片数据还包括预设的第二图片数据,本发明实施例提供的一种基于卷积神经网络的车型识别方法中的步骤S101之前还可以包括步骤S401~S405:
S401,将预设的第二图片数据分为第二训练集以及第二验证集。
在本发明实施例中,预设的第二图片数据可以包括预设分类的具有各种车型的车辆的图片,其可由人工进行分类筛选对应车型,将每张图片作为一个场景,并作为输入数据提供给一个卷积神经网络进行学习分类,从而得到可以判断图片中的车辆车型的车型分类模型。
其中,第二训练集用于对卷积神经网络进行常规训练,而第二验证集用于对训练后的卷积神经网络得到的模型进行相应的分类检测,为了提高识别的准确度,可以对第二训练集和第二验证集先进行相应的预处理,比如特征强化等,然后才能输入卷积神经网络进行训练。
S402,利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型。
在本发明实施例中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。不同的卷积神经网络包括不同的分层结构。具体的,本发明实施例可以通过第二训练集对选用的深度卷积神经网路来训练得到第二中间模型。
S403,利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本。
在本发明实施例中,将第二验证集中的图片输入第二中间模型中进行分类检测以得到分类检测结果,当分类检测结果与该图片的预设分类不一致时,将该图片认定为一个第二错误样本。具体可以将所有分类检测结果与图片的预分类不一致的图片归类为第二错误集。综上可知,每个第二错误集均可以包括至少一个第二错误样本。
S404,若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型。
在本发明实施例中,如果第二错误集中错误样本的数量大于或等于预设阈值,则表明此时分类检测的结果的错误率在不可接受的范围内,此时需要利用所述第二错误集训练所述第二中间模型以得到一个对应的新的第二中间模型,从而进一步提高第二中间模型的分类检测的准确度。
S405,利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
在本发明实施例中,得到新的第二中间模型后,需要再利用第二验证集再次进行验证以得到新的分类检测结果,同时判断此时的第二错误集中的错误样本的数量是否小于预设阀值,当第二错误集中的错误样本的数量小于预设阀值,那么则可以判定此时的新的第二中间模型为对应的第二预设检测模型。而如果第二错误集中的错误样本的数量大于预或等于预设阀值,那么则可以返回步骤S404。
其中,第二卷积神经网路可以包括二十层结构,如表2所示。
表2
该第二卷积神经网络使用了大量的1*1的卷积核,增强了对非线性的拟合用于降维,同时加入了初始模块(Inception),使用不同尺度的滤波器来解决尺度问题。同时其余各层都是类似,只是对滤波器的个数做了改动。另外,该第二卷积神经网络可以包括三个输出层,其中最后一个输出层的结构最优,故事利用最后一层的输出层得出的结果作为输出。故通过对该第二卷积神经网络对数十万张确定车型的车辆图片进行训练,可以生成保有车型特征参数的车型分类模型。
由以上可见,本发明实施例通过将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;具体的是先对待测图片进行车辆二分类,再根据车辆二分类结果找到含有车辆特征信息的图片,并再次进行车型的分类识别,从而使得该发明实施例能够实现对车辆的精细车型的分类识别,即实现高达92.48%的高精度的车型识别,同时也能够使得识别过程更为高效稳定。
请参阅图5,对应上述一种基于卷积神经网络的车型识别方法,本发明实施例还提出一种基于卷积神经网络的车型识别装置,该装置100包括:处理单元101、判断单元102、输入单元103、计算单元104、确定单元105。
其中,所述处理单元101,用于对获取的待测图片进行预处理。
所述判断单元102用于将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息。
输入单元103用于若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型。
计算单元104用于通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值。
确定单元105用于确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型。
如图6所示,作为优选的实施例,所述预设的图片数据包括预设的第一图片数据,所述装置100还包括分类单元201、训练单元202、验证单元203、调整单元204、判定单元205。
其中,分类单元201用于将预设的第一图片数据分为第一训练集以及第一验证集;
训练单元202用于利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
验证单元203用于利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
调整单元204用于若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
判定单元205用于利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
作为优选的,所述预设的图片数据还包括预设的第二图片数据,其中分类单元201还用于将预设的第二图片数据分为第二训练集以及第二验证集。
训练单元202还用于利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型。
验证单元203还用于利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本。
调整单元204还用于若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型。
判定单元205还用于利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
如图7所示,所述处理单元101,包括置信度获取单元301、置信度判断单元302。
其中,置信度获取单元301用于将预处理后的待测图片输入第一预设检测模型以得到一置信度。
置信度判断单元302用于判断所述置信度是否大于预设临界值。
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
上述基于卷积神经网络的车型识别装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的设备上运行。
图8为本发明一种基于卷积神经网络的车型识别设备的结构组成示意图。如图8所示,该设备800可包括:输入装置801、输出装置802、收发装置803、存储器804以及处理器805,其中:
所述输入装置801,用于接收外部访问控制设备的输入数据。具体实现中,本发明实施例所述的输入装置801可包括键盘、鼠标、光电输入装置、声音输入装置、触摸式输入装置、扫描仪等。
所述输出装置802,用于对外输出访问控制设备的输出数据。具体实现中,本发明实施例所述的输出装置802可包括显示器、扬声器、打印机等。
所述收发装置803,用于通过通信链路向其他设备发送数据或者从其他设备接收数据。具体实现中,本发明实施例的收发装置803可包括射频天线等收发器件。
所述存储器804,用于存储实现车型识别的程序。本发明实施例的存储器804可以是系统存储器,比如,非易失性的(诸如ROM,闪存等),或者两者的结合。具体实现中,本发明实施例的存储器804还可以是系统之外的外部存储器,比如,磁盘、光盘、磁带等。
所述处理器805,用于运行所述存储器804中存储的实现车型识别的程序,以执行如下操作:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型。
进一步地,所述预设的图片数据包括预设的第一图片数据,所述对获取的待测图片进行预处理之前,包括:
将预设的第一图片数据分为第一训练集以及第一验证集;
利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
进一步地,所述预设的图片数据还包括预设的第二图片数据,所述方法还包括:
将预设的第二图片数据分为第二训练集以及第二验证集;
利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型;
利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本;
若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型;
利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
进一步地,所述第一卷积神经网络包括八层结构,所述第二卷积神经网络包括二十层结构,其中,所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个用于二分类的概率统计层。
进一步地,所述将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息,包括:
将预处理后的待测图片输入第一预设检测模型以得到一置信度;
判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
本领域技术人员可以理解,图8中示出的基于卷积神经网络的车型识别设备的实施例并不构成对基于卷积神经网络的车型识别设备具体构成的限定,在其他实施例中,基于卷积神经网络的车型识别设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,基于卷积神经网络的车型识别设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图8所示实施例一致,在此不再赘述。
本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现以下步骤:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型。
进一步地,所述预设的图片数据包括预设的第一图片数据,所述对获取的待测图片进行预处理之前,包括:
将预设的第一图片数据分为第一训练集以及第一验证集;
利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
进一步地,所述预设的图片数据还包括预设的第二图片数据,所述方法还包括:
将预设的第二图片数据分为第二训练集以及第二验证集;
利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型;
利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本;
若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型;
利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
进一步地,所述第一卷积神经网络包括八层结构,所述第二卷积神经网络包括二十层结构,其中,所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个用于二分类的概率统计层。
进一步地,所述将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息,包括:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以得到一置信度;
判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
本发明前述的存储介质包括:磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等各种可以存储程序代码的介质。
本发明所有实施例中的单元可以通过通用集成电路,例如CPU(CentralProcessing Unit,中央处理器),或通过ASIC(Application Specific IntegratedCircuit,专用集成电路)来实现。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于卷积神经网络的车型识别方法,其特征在于,所述方法包括:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
2.如权利要求1所述的方法,其特征在于,所述预设的图片数据包括预设的第一图片数据,所述对获取的待测图片进行预处理之前,包括:
将预设的第一图片数据分为第一训练集以及第一验证集;
利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
3.如权利要求2所述的方法,其特征在于,所述预设的图片数据还包括预设的第二图片数据,所述方法还包括:
将预设的第二图片数据分为第二训练集以及第二验证集;
利用所述第二训练集对第二卷积神经网络进行训练,以得到对应的第二中间模型;
利用所述第二验证集对所述第二中间模型进行验证,以得到对应的第二错误集,其中所述第二错误集包括至少一个第二错误样本;
若所述第二错误集中第二错误样本的数量大于或等于第二预设阀值,利用所述第二错误集训练所述第二中间模型以得到一个新的第二中间模型;
利用所述第二验证集对所述新的第二中间模型再次进行验证,直至所述第二错误集中第二错误样本的数量小于预设阀值,并判定此时的新的第二中间模型为对应的第二预设检测模型。
4.如权利要求3所述的方法,其特征在于,所述第一卷积神经网络包括八层结构,所述第二卷积神经网络包括二十层结构,其中,所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个用于二分类的概率统计层。
5.如权利要求1所述的方法,其特征在于,所述将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息,包括:
将预处理后的待测图片输入第一预设检测模型以得到一置信度;
判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
6.一种基于卷积神经网络的车型识别装置,其特征在于,所述装置包括:
处理单元,用于对获取的待测图片进行预处理;
判断单元,用于将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
输入单元,用于若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
计算单元,用于通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定单元,用于确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
7.如权利要求6所述的装置,其特征在于,所述预设的图片数据包括预设的第一图片数据,所述装置还包括:
分类单元,用于将预设的第一图片数据分为第一训练集以及第一验证集;
训练单元,用于利用所述第一训练集对第一卷积神经网络进行训练,以得到对应的第一中间模型;
验证单元,用于利用所述第一验证集对所述第一中间模型进行验证,以得到对应的第一错误集,其中所述第一错误集包括至少一个第一错误样本;
调整单元,用于若所述第一错误集中第一错误样本的数量大于或等于第一预设阀值,利用所述第一错误集训练所述第一中间模型以得到一个新的第一中间模型;
判定单元,用于利用所述第一验证集对所述新的第一中间模型再次进行验证,直至所述第一错误集中第一错误样本的数量小于预设阀值,并判定此时的新的第一中间模型为对应的第一预设检测模型。
8.如权利要求6所述的装置,其特征在于,所述判断单元包括:
置信度获取单元,用于将预处理后的待测图片输入第一预设检测模型以得到一置信度;
置信度判断单元,用于判断所述置信度是否大于预设临界值;
其中,若所述置信度大于预设临界值,所述待测图片含有车辆特征信息。
9.一种基于卷积神经网络的车型识别设备,其特征在于,包括:
存储器,用于存储实现车型识别的程序;以及
处理器,用于运行所述存储器中存储的实现车型识别的程序,以执行以下操作:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现以下步骤:
对获取的待测图片进行预处理;
将预处理后的待测图片输入第一预设检测模型以判断所述待测图片是否含有车辆特征信息;
若所述待测图片含有车辆特征信息,将预处理后的待测图片输入第二预设检测模型;
通过所述第二预设检测模型计算得出所述待测图片对应于每一类车型的概率值;
确定所有概率值中的最大概率值,并将所述最大概率值对应的车型作为所述待测图片的车型;
其中,所述第一预设检测模型以及第二预设检测模型分别通过预设的图片数据对卷积神经网络进行相应的训练而获取。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833636.8A CN107665353A (zh) | 2017-09-15 | 2017-09-15 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
PCT/CN2017/108232 WO2019051941A1 (zh) | 2017-09-15 | 2017-10-30 | 车型识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833636.8A CN107665353A (zh) | 2017-09-15 | 2017-09-15 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665353A true CN107665353A (zh) | 2018-02-06 |
Family
ID=61097903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833636.8A Pending CN107665353A (zh) | 2017-09-15 | 2017-09-15 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107665353A (zh) |
WO (1) | WO2019051941A1 (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
CN109145107A (zh) * | 2018-09-27 | 2019-01-04 | 平安科技(深圳)有限公司 | 基于卷积神经网络的主题提取方法、装置、介质和设备 |
CN109214426A (zh) * | 2018-08-08 | 2019-01-15 | 王新维 | 一种物体外观检测的方法及深度神经网络模型 |
CN109242835A (zh) * | 2018-08-24 | 2019-01-18 | 深圳市兆泰云智能科技有限公司 | 基于人工智能的车底缺陷检测方法、装置、设备及系统 |
CN109308565A (zh) * | 2018-08-01 | 2019-02-05 | 平安科技(深圳)有限公司 | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
CN109872145A (zh) * | 2019-01-29 | 2019-06-11 | 中智沃达(北京)电力科技有限公司 | 基于cnn卷积神经网络的充电场智能管理系统 |
CN109977766A (zh) * | 2019-02-18 | 2019-07-05 | 南京航空航天大学 | 一种基于局部特征的车型精细识别方法 |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及系统 |
CN110414929A (zh) * | 2019-07-10 | 2019-11-05 | 广州市巴图鲁信息科技有限公司 | 一种汽车配件图片智能审核方法 |
CN110503051A (zh) * | 2019-08-27 | 2019-11-26 | 西南林业大学 | 一种基于图像识别技术的珍贵木材识别系统及方法 |
WO2020140371A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
TWI698804B (zh) * | 2018-09-26 | 2020-07-11 | 香港商阿里巴巴集團服務有限公司 | 最佳化損傷識別結果的方法及裝置 |
CN111507483A (zh) * | 2019-01-30 | 2020-08-07 | 鸿富锦精密电子(天津)有限公司 | 返修板检测装置、方法及计算机可读存储介质 |
CN112329886A (zh) * | 2020-11-26 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 双车牌识别方法、模型训练方法、装置、设备及存储介质 |
CN112435463A (zh) * | 2020-10-20 | 2021-03-02 | 北京科技大学 | 一种基于道路物联网监测的车型与车重分类方法 |
TWI780751B (zh) * | 2020-07-15 | 2022-10-11 | 大陸商北京市商湯科技開發有限公司 | 網路訓練方法、目標檢測方法、電子設備和電腦可讀儲存介質 |
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 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245577A (zh) * | 2019-05-23 | 2019-09-17 | 复钧智能科技(苏州)有限公司 | 目标车辆识别方法、装置及车辆实时监控系统 |
CN111461195B (zh) * | 2020-03-27 | 2023-06-09 | 国网数字科技控股有限公司 | 一种图片校验方法、装置及电子设备 |
CN111882519A (zh) * | 2020-06-15 | 2020-11-03 | 上海眼控科技股份有限公司 | 一种车灯识别的方法及装置 |
CN111814582B (zh) * | 2020-06-15 | 2022-06-28 | 开易(北京)科技有限公司 | 一种用于驾驶员行为监测图像的处理方法及装置 |
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 |
CN111881944A (zh) * | 2020-07-08 | 2020-11-03 | 贵州无忧天空科技有限公司 | 图像鉴别的方法、电子设备和计算机可读介质 |
CN112257869A (zh) * | 2020-09-29 | 2021-01-22 | 北京北大千方科技有限公司 | 基于随机森林的套牌车分析方法、系统及计算机介质 |
CN114323583B (zh) * | 2021-12-21 | 2024-06-04 | 广汽本田汽车有限公司 | 一种车辆灯光检测方法、装置、设备及系统 |
CN114330596A (zh) * | 2022-01-12 | 2022-04-12 | 中翔科技(杭州)有限公司 | 一种基于神经网络图像分类算法的设备状态反馈方法及系统 |
CN115083169B (zh) * | 2022-06-14 | 2023-07-18 | 公安部交通管理科学研究所 | 一种假冒救护车的嫌疑车辆的发现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN106022285A (zh) * | 2016-05-30 | 2016-10-12 | 北京智芯原动科技有限公司 | 一种基于卷积神经网络的车款识别方法及装置 |
CN106529446A (zh) * | 2016-10-27 | 2017-03-22 | 桂林电子科技大学 | 基于多分块深层卷积神经网络的车型识别方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控系统中的车辆类型识别方法 |
US9665802B2 (en) * | 2014-11-13 | 2017-05-30 | Nec Corporation | Object-centric fine-grained image classification |
US9418319B2 (en) * | 2014-11-21 | 2016-08-16 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
CN104680149B (zh) * | 2015-03-10 | 2018-07-03 | 苏州科达科技股份有限公司 | 一种物体类型识别方法及系统 |
CN105938560B (zh) * | 2016-03-23 | 2017-03-22 | 吉林大学 | 一种基于卷积神经网络的车型精细分类系统 |
-
2017
- 2017-09-15 CN CN201710833636.8A patent/CN107665353A/zh active Pending
- 2017-10-30 WO PCT/CN2017/108232 patent/WO2019051941A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN106022285A (zh) * | 2016-05-30 | 2016-10-12 | 北京智芯原动科技有限公司 | 一种基于卷积神经网络的车款识别方法及装置 |
CN106529446A (zh) * | 2016-10-27 | 2017-03-22 | 桂林电子科技大学 | 基于多分块深层卷积神经网络的车型识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
ALEX KRIZHEVSKY ET AL.: "ImageNet Classification with Deep Convolutional Neural Networks", 《NIPS 2012》 * |
张飞云: "基于深度学习的车辆定位及车型识别研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
CN109308565B (zh) * | 2018-08-01 | 2024-03-19 | 平安科技(深圳)有限公司 | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
CN109308565A (zh) * | 2018-08-01 | 2019-02-05 | 平安科技(深圳)有限公司 | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
CN109214426A (zh) * | 2018-08-08 | 2019-01-15 | 王新维 | 一种物体外观检测的方法及深度神经网络模型 |
CN109242835A (zh) * | 2018-08-24 | 2019-01-18 | 深圳市兆泰云智能科技有限公司 | 基于人工智能的车底缺陷检测方法、装置、设备及系统 |
TWI698804B (zh) * | 2018-09-26 | 2020-07-11 | 香港商阿里巴巴集團服務有限公司 | 最佳化損傷識別結果的方法及裝置 |
CN109145107A (zh) * | 2018-09-27 | 2019-01-04 | 平安科技(深圳)有限公司 | 基于卷积神经网络的主题提取方法、装置、介质和设备 |
CN109145107B (zh) * | 2018-09-27 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于卷积神经网络的主题提取方法、装置、介质和设备 |
CN110147707A (zh) * | 2018-10-25 | 2019-08-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及系统 |
CN110147707B (zh) * | 2018-10-25 | 2021-07-20 | 初速度(苏州)科技有限公司 | 一种高精度车辆识别方法及系统 |
WO2020140371A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
CN109872145A (zh) * | 2019-01-29 | 2019-06-11 | 中智沃达(北京)电力科技有限公司 | 基于cnn卷积神经网络的充电场智能管理系统 |
CN111507483A (zh) * | 2019-01-30 | 2020-08-07 | 鸿富锦精密电子(天津)有限公司 | 返修板检测装置、方法及计算机可读存储介质 |
CN109977766A (zh) * | 2019-02-18 | 2019-07-05 | 南京航空航天大学 | 一种基于局部特征的车型精细识别方法 |
CN110414929A (zh) * | 2019-07-10 | 2019-11-05 | 广州市巴图鲁信息科技有限公司 | 一种汽车配件图片智能审核方法 |
CN110503051A (zh) * | 2019-08-27 | 2019-11-26 | 西南林业大学 | 一种基于图像识别技术的珍贵木材识别系统及方法 |
TWI780751B (zh) * | 2020-07-15 | 2022-10-11 | 大陸商北京市商湯科技開發有限公司 | 網路訓練方法、目標檢測方法、電子設備和電腦可讀儲存介質 |
CN112435463A (zh) * | 2020-10-20 | 2021-03-02 | 北京科技大学 | 一种基于道路物联网监测的车型与车重分类方法 |
CN112329886A (zh) * | 2020-11-26 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 双车牌识别方法、模型训练方法、装置、设备及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2019051941A1 (zh) | 2019-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107665353A (zh) | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 | |
CN107025642B (zh) | 基于点云数据的车辆轮廓检测方法和装置 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN107122806A (zh) | 一种敏感图像识别方法及装置 | |
CN107256394A (zh) | 驾驶员信息与车辆信息核验方法、装置以及系统 | |
CN108062674A (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
CN108734304A (zh) | 一种数据模型的训练方法、装置、及计算机设备 | |
CN106845416A (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
CN112927072B (zh) | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 | |
CN111539425A (zh) | 一种车牌识别方法、存储介质及电子设备 | |
CN105975269A (zh) | 一种基于流程模型的需求验证方法 | |
CN111680642A (zh) | 一种地形分类方法及装置 | |
CN113591823B (zh) | 深度预测模型的训练及人脸深度图像的生成方法、装置 | |
CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
CN107886727A (zh) | 一种基于地磁传感器的汽车分类方法、系统及电子设备 | |
CN110176017A (zh) | 一种基于目标检测的边缘检测模型、方法和存储介质 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN106228106A (zh) | 一种改进的实时车辆检测过滤方法及系统 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN109376068A (zh) | 软件可靠性预测方法、装置、计算机设备和存储介质 | |
CN111291704A (zh) | 干扰去除方法、装置、计算机设备和存储介质 | |
CN110008986A (zh) | 批量风险案件识别方法、装置及电子设备 | |
CN105844204A (zh) | 人体行为识别方法和装置 | |
CN106228233A (zh) | 一种用于无人驾驶车辆测试的智能体的构建方法和装置 | |
CN106570448A (zh) | 自动发卡车道车辆信息的验证方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
RJ01 | Rejection of invention patent application after publication |