CN108021909A - 一种停车场车型预测方法及装置 - Google Patents

一种停车场车型预测方法及装置 Download PDF

Info

Publication number
CN108021909A
CN108021909A CN201711465671.5A CN201711465671A CN108021909A CN 108021909 A CN108021909 A CN 108021909A CN 201711465671 A CN201711465671 A CN 201711465671A CN 108021909 A CN108021909 A CN 108021909A
Authority
CN
China
Prior art keywords
markup information
original photo
vehicle
photo
parking lot
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
Application number
CN201711465671.5A
Other languages
English (en)
Inventor
宋超
吴奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yuechang Technology Co Ltd
Original Assignee
Beijing Yuechang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yuechang Technology Co Ltd filed Critical Beijing Yuechang Technology Co Ltd
Priority to CN201711465671.5A priority Critical patent/CN108021909A/zh
Publication of CN108021909A publication Critical patent/CN108021909A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • 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

Abstract

本发明公开一种停车场车型预测方法及装置。其中，该方法包括：对停车场进出口的车辆拍摄原始照片；基于所述原始照片确定标注信息；根据所述原始照片和所述标注信息搭建CNN训练模型；基于CNN训练模型实现停车场进出口的车型预测。通过本发明，在ETCP的业务场景中搭建CNN训练模型，实现停车场进出口的车型预测，提高车型预测的准确率。

Description

一种停车场车型预测方法及装置
技术领域
本发明涉及信息处理技术领域，具体而言，涉及一种停车场车型预测方法及装置。
背景技术
随着物联网的发展日新月异，能采集到的数据也越来越多，如何把采集到的数据最大化的利用，用以提供更大的商业价值，就成了一个非常现实的问题。
ETCP的进出场闸机拍到的照片中，车体部门可以用来做车型识别。车型识别的主要模型使用了卷积神经网络(Convolutional Neural Networks，简称CNN)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(Convolutional NeuralNetworks-简称CNN)。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
针对现有技术中如何在ETCP的业务场景中准确识别车型的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种停车场车型预测方法及装置，以解决现有技术中如何在ETCP的业务场景中准确识别车型的问题。
为解决上述技术问题，本发明提供了一种停车场车型预测方法，其中，该方法包括：对停车场进出口的车辆拍摄原始照片；基于所述原始照片确定标注信息；其中，所述标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；根据所述原始照片和所述标注信息搭建CNN训练模型；基于CNN训练模型实现停车场进出口的车型预测。
优选地，所述原始照片包含车辆前脸。
优选地，根据所述原始照片和所述标注信息搭建CNN训练模型，包括：对所述原始照片和所述标注信息进行数据清理；基于OpenCV对所述原始照片进行切图处理，得到车辆前脸清晰度更高的照片；将所述照片和所述标注信息进行模型训练操作，得到CNN训练模型。
优选地，根据所述原始照片和所述标注信息搭建CNN训练模型，包括：将预设比例的所述原始照片和所述标注信息用于交叉验证操作；其中，所述预设比例小于百分之五十；将其余的所述原始照片和所述标注信息进行模型训练操作。
本发明还提供了一种停车场车型预测装置，其中，该装置包括：拍摄模块，用于对停车场进出口的车辆拍摄原始照片；标注模块，用于基于所述原始照片确定标注信息；其中，所述标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；模型训练模块，用于根据所述原始照片和所述标注信息搭建CNN训练模型；预测模块，用于基于CNN训练模型实现停车场进出口的车型预测。
优选地，所述原始照片包含车辆前脸。
优选地，所述模型训练模块包括：数据处理单元，用于对所述原始照片和所述标注信息进行数据清理；切图单元，用于基于OpenCV对所述原始照片进行切图处理，得到车辆前脸清晰度更高的照片；训练单元，用于将所述照片和所述标注信息进行模型训练操作，得到CNN训练模型。
优选地，所述模型训练模块包括：验证单元，用于将预设比例的所述原始照片和所述标注信息用于交叉验证操作；其中，所述预设比例小于百分之五十；将其余的所述原始照片和所述标注信息进行模型训练操作。
应用本发明的技术方案，在ETCP的业务场景中搭建CNN训练模型，实现停车场进出口的车型预测，提高车型预测的准确率。
附图说明
图1是根据本发明实施例的停车场车型预测方法的流程图；
图2是根据本发明实施例的模型搭建流程图；
图3是根据本发明实施例的停车场车型预测装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
实施例一
图1是根据本发明实施例的停车场车型预测方法的流程图，如图1所示，该方法包括以下步骤(步骤S101-步骤S104)：
步骤S101，对停车场进出口的车辆拍摄原始照片；该原始照片中包含车辆前脸部分；
步骤S102，基于原始照片确定标注信息；其中，标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；
步骤S103，根据原始照片和标注信息搭建CNN训练模型；
具体地，可以通过以下优选实施方式实现：对原始照片和标注信息进行数据清理；基于OpenCV对原始照片进行切图处理，得到车辆前脸清晰度更高的照片；将照片和标注信息进行模型训练操作，得到CNN训练模型；
为了进一步提高模型准确率，可以将预设比例的原始照片和标注信息用于交叉验证操作；其中，预设比例小于百分之五十；然后将其余的原始照片和标注信息进行模型训练操作。
步骤S104，基于CNN训练模型实现停车场进出口的车型预测。
一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
ETCP的设备在每次汽车进出场时都会拍下汽车前脸部分的照片，其中车牌可用来做车牌号识别从而实现自动抬杆，车标部分用来做车标识别，整个前脸则用来做车型识别。
用来训练模型的数据包括样本(即照片)和标注信息，有几个问题需要解决：1.图片样本数据可能会有拍摄不清的情况。2.标注信息可能会有标注错误的情况出现，包括与车标识别结果不符等情况。
上述两部分数据都需要做清洗，从而为模型训练准备干净可用的样本和标注数据。接下来需要对样本图片进行切图，将汽车前脸部分从照片中切出来用来训练模型，这部分工作用到了OpenCV。接下来将切出来的汽车前脸和标注信息输入CNN进行模型训练，此时可以保留20％的样本做交叉验证，用以检验模型的效果。最后用训练好的模型进行车型预测。
图2是根据本发明实施例的模型搭建流程图，如图2所示，该流程包括以下步骤(步骤S201-步骤S205)：
步骤S201，获取原始照片和标注信息；
步骤S202，对原始照片和标注信息进行数据清洗操作；
步骤S203，基于OpenCV对原始照片进行切图处理,，以获取车辆前脸更清洗的照片；
步骤S204，根据照片和标注信息搭建CNN训练模型；
步骤S205，根据CNN训练模型实现停车场进出口的车型预测。
本实施例在ETCP的业务场景中搭建CNN训练模型，实现停车场进出口的车型预测，提高车型预测的准确率。
实施例二
对应于图1介绍的停车场车型预测方法，本实施例提供了一种停车场车型预测装置，如图3所示的停车场车型预测装置的结构框图，该装置包括：
拍摄模块10，用于对停车场进出口的车辆拍摄原始照片；该原始照片包含车辆前脸；
标注模块20，用于基于原始照片确定标注信息；其中，标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；
模型训练模块30，用于将原始照片和标注信息进行模型训练操作；
预测模块40，用于根据训练好的模型实现停车场进出口的车型预测。
本实施例在ETCP的业务场景中搭建CNN训练模型，实现停车场进出口的车型预测，提高车型预测的准确率。
优选地，为了确保CNN训练模型搭建的成功率和准确率，上述模型训练模块30可以包括：数据处理单元，用于对原始照片和标注信息进行数据清理；切图单元，用于基于OpenCV对原始照片进行切图处理，得到车辆前脸清晰度更高的照片；训练单元，用于将照片和标注信息进行模型训练操作，得到CNN训练模型。
优选地，为了进一步提高CNN训练模型的预测准确率，上述模型训练模块30可以包括：验证单元，用于将预设比例的原始照片和标注信息用于交叉验证操作；其中，预设比例小于百分之五十；将其余的原始照片和标注信息进行模型训练操作。
从以上的描述中可知，本发明在ETCP的业务场景中搭建CNN训练模型，实现停车场进出口的车型预测，提高车型预测的准确率。在实际操作中基于CNN训练模块进行车型预测基本可达到90％左右的准确率。
当然，以上是本发明的优选实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明基本原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种停车场车型预测方法，其特征在于，所述方法包括：
对停车场进出口的车辆拍摄原始照片；
基于所述原始照片确定标注信息；其中，所述标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；
根据所述原始照片和所述标注信息搭建CNN训练模型；
基于CNN训练模型实现停车场进出口的车型预测。
2.根据权利要求1所述的方法，其特征在于，所述原始照片包含车辆前脸。
3.根据权利要求1所述的方法，其特征在于，根据所述原始照片和所述标注信息搭建CNN训练模型，包括：
对所述原始照片和所述标注信息进行数据清理；
基于OpenCV对所述原始照片进行切图处理，得到车辆前脸清晰度更高的照片；
将所述照片和所述标注信息进行模型训练操作，得到CNN训练模型。
4.根据权利要求1所述的方法，其特征在于，根据所述原始照片和所述标注信息搭建CNN训练模型，包括：
将预设比例的所述原始照片和所述标注信息用于交叉验证操作；其中，所述预设比例小于百分之五十；
将其余的所述原始照片和所述标注信息进行模型训练操作。
5.一种停车场车型预测装置，其特征在于，所述装置包括：
拍摄模块，用于对停车场进出口的车辆拍摄原始照片；
标注模块，用于基于所述原始照片确定标注信息；其中，所述标注信息至少包括：车牌标注信息、车标标注信息、车型标注信息；
模型训练模块，用于根据所述原始照片和所述标注信息搭建CNN训练模型；
预测模块，用于基于CNN训练模型实现停车场进出口的车型预测。
6.根据权利要求5所述的装置，其特征在于，所述原始照片包含车辆前脸。
7.根据权利要求5所述的装置，其特征在于，所述模型训练模块包括：
数据处理单元，用于对所述原始照片和所述标注信息进行数据清理；
切图单元，用于基于OpenCV对所述原始照片进行切图处理，得到车辆前脸清晰度更高的照片；
训练单元，用于将所述照片和所述标注信息进行模型训练操作，得到CNN训练模型。
8.根据权利要求5所述的装置，其特征在于，所述模型训练模块包括：
验证单元，用于将预设比例的所述原始照片和所述标注信息用于交叉验证操作；其中，所述预设比例小于百分之五十；将其余的所述原始照片和所述标注信息进行模型训练操作。
CN201711465671.5A 2017-12-28 2017-12-28 一种停车场车型预测方法及装置 Pending CN108021909A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711465671.5A CN108021909A (zh) 2017-12-28 2017-12-28 一种停车场车型预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711465671.5A CN108021909A (zh) 2017-12-28 2017-12-28 一种停车场车型预测方法及装置

Publications (1)

Publication Number Publication Date
CN108021909A true CN108021909A (zh) 2018-05-11

Family

ID=62072204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711465671.5A Pending CN108021909A (zh) 2017-12-28 2017-12-28 一种停车场车型预测方法及装置

Country Status (1)

Country Link
CN (1) CN108021909A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932495A (zh) * 2018-07-02 2018-12-04 大连理工大学 一种汽车前脸参数化模型全自动生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657748A (zh) * 2015-02-06 2015-05-27 中国石油大学(华东) 一种基于卷积神经网络的车型识别方法
CN105046196A (zh) * 2015-06-11 2015-11-11 西安电子科技大学 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN107085696A (zh) * 2016-10-15 2017-08-22 安徽百诚慧通科技有限公司 一种基于卡口图像的车辆定位及型号识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657748A (zh) * 2015-02-06 2015-05-27 中国石油大学(华东) 一种基于卷积神经网络的车型识别方法
CN105046196A (zh) * 2015-06-11 2015-11-11 西安电子科技大学 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN105224951A (zh) * 2015-09-30 2016-01-06 深圳市华尊科技股份有限公司 一种车型分类方法及分类装置
CN107085696A (zh) * 2016-10-15 2017-08-22 安徽百诚慧通科技有限公司 一种基于卡口图像的车辆定位及型号识别方法
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN106599869A (zh) * 2016-12-22 2017-04-26 安徽大学 一种基于多任务卷积神经网络的车辆属性识别方法
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张军 等: "深度卷积神经网络的汽车车型识别方法", 《传感器与微系统》 *
黎哲明 等: "基于卷积神经网络的车辆品牌和型号识别", 《东华大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932495A (zh) * 2018-07-02 2018-12-04 大连理工大学 一种汽车前脸参数化模型全自动生成方法
CN108932495B (zh) * 2018-07-02 2021-06-08 大连理工大学 一种汽车前脸参数化模型全自动生成方法

Similar Documents

Publication Publication Date Title
Kong et al. Deep feature pyramid reconfiguration for object detection
Chen et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system
CN106204660B (zh) 一种基于特征匹配的地面目标跟踪装置
CN112990211B (zh) 一种神经网络的训练方法、图像处理方法以及装置
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN111860138B (zh) 基于全融合网络的三维点云语义分割方法及系统
CN110135427A (zh) 用于识别图像中的字符的方法、装置、设备和介质
CN111612807A (zh) 一种基于尺度和边缘信息的小目标图像分割方法
CN110378348A (zh) 视频实例分割方法、设备及计算机可读存储介质
CN109426805A (zh) 用于对象检测的方法、设备和计算机程序产品
CN110866509A (zh) 动作识别方法、装置、计算机存储介质和计算机设备
CN107784303A (zh) 车牌识别方法及装置
CN110399788A (zh) 图像的au检测方法、装置、电子设备及存储介质
CN113901909B (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
CN112037142B (zh) 一种图像去噪方法、装置、计算机及可读存储介质
CN110348463A (zh) 用于识别车辆的方法和装置
CN114926766A (zh) 识别方法及装置、设备、计算机可读存储介质
CN106874913A (zh) 一种菜品检测方法
CN111833360B (zh) 一种图像处理方法、装置、设备以及计算机可读存储介质
He et al. Learning scene dynamics from point cloud sequences
WO2021103474A1 (zh) 图像的处理方法和装置、存储介质及电子装置
CN112417947A (zh) 关键点检测模型的优化及面部关键点的检测方法及装置
Zhu et al. Neural transmitted radiance fields
CN108021909A (zh) 一种停车场车型预测方法及装置
CN110349209A (zh) 基于双目视觉的振捣棒定位方法

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: 20180511

RJ01 Rejection of invention patent application after publication