CN108171203A - 用于识别车辆的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于识别车辆的方法和装置。该方法的一具体实施方式包括：获取待识别图像，其中，待识别图像包括待识别车辆图像区域；确定待识别车辆图像区域在待识别图像中的位置；基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像；将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果，其中，识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，识别模型用于识别车辆所属的车辆型号。该实施方式利用用于识别车辆所属的车辆型号的识别模型识别车辆型号，提高了车辆型号的识别准确度。

Description

用于识别车辆的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像识别技术领域，尤其涉及用于识别车辆的方法和装置。

背景技术

随着车辆型号的不断增多，人们通过肉眼通常只能辨别出极少数型号的车辆。因此，帮助用户进行车辆识别成为了一种需求。现有的车辆识别方式通常是通过相似图进行检索查询来识别图像中的车辆的型号。

发明内容

本申请实施例提出了用于识别车辆的方法和装置。

第一方面，本申请实施例提供了一种用于识别车辆的方法，该方法包括：获取待识别图像，其中，待识别图像包括待识别车辆图像区域；确定待识别车辆图像区域在待识别图像中的位置；基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像；将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果，其中，识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，识别模型用于识别车辆所属的车辆型号。

在一些实施例中，确定待识别车辆图像区域在待识别图像中的位置，包括：将待识别图像输入至预先训练的检测模型，得到待识别车辆图像区域在待识别图像中的位置，其中，检测模型用于检测车辆图像区域在图像中的位置。

在一些实施例中，在确定待识别车辆图像区域在待识别图像中的位置之前，还包括：对待识别图像进行旋转，得到多张不同角度的待识别图像；基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像，包括：基于待识别车辆图像区域在多张不同角度的待识别图像中的位置，从多张不同角度的待识别图像中选取出待识别图像，并从所选取出的待识别图像中分割出待识别车辆图像。

在一些实施例中，该方法还包括：按照数值大小顺序对识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。

在一些实施例中，该方法还包括：将识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值进行比较；若存在大于预设阈值的置信度，输出大于预设阈值的置信度和与大于预设阈值的置信度对应的车辆型号。

在一些实施例中，检测模型通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像，样本图像包括样本车辆图像区域；对于训练样本集中的每个训练样本，执行以下操作：对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果；将该训练样本中的样本图像输入至检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置；确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异；基于第一差异调整检测模型的参数。

在一些实施例中，识别模型通过如下步骤训练得到：对于训练样本集中的每个训练样本，执行以下操作：基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像；对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果；将该训练样本所对应的样本车辆图像输入至识别模型，得到该训练样本所对应的样本车辆图像的识别结果；确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异；基于第二差异调整识别模型的参数。

第二方面，本申请实施例提供了一种用于识别车辆的装置，该装置包括：获取单元，配置用于取待识别图像，其中，待识别图像包括待识别车辆图像区域；确定单元，配置用于确定待识别车辆图像区域在待识别图像中的位置；分割单元，配置用于基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像；识别单元，配置用于将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果，其中，识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，识别模型用于识别车辆所属的车辆型号。

在一些实施例中，确定单元进一步配置用于：将待识别图像输入至预先训练的检测模型，得到待识别车辆图像区域在待识别图像中的位置，其中，检测模型用于检测车辆图像区域在图像中的位置。

在一些实施例中，该装置还包括：旋转单元，配置用于对待识别图像进行旋转，得到多张不同角度的待识别图像；分割单元进一步配置用于：基于待识别车辆图像区域在多张不同角度的待识别图像中的位置，从多张不同角度的待识别图像中选取出待识别图像，并从所选取出的待识别图像中分割出待识别车辆图像。

在一些实施例中，该装置还包括：排序单元，配置用于按照数值大小顺序对识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；第一输出单元，配置用于从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。

在一些实施例中，该装置还包括：比较单元，配置用于将识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值进行比较；第二输出单元，配置用于若存在大于预设阈值的置信度，输出大于预设阈值的置信度和与大于预设阈值的置信度对应的车辆型号。

在一些实施例中，检测模型通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像，样本图像包括样本车辆图像区域；对于训练样本集中的每个训练样本，执行以下操作：对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果；将该训练样本中的样本图像输入至检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置；确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异；基于第一差异调整检测模型的参数。

在一些实施例中，识别模型通过如下步骤训练得到：对于训练样本集中的每个训练样本，执行以下操作：基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像；对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果；将该训练样本所对应的样本车辆图像输入至识别模型，得到该训练样本所对应的样本车辆图像的识别结果；确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异；基于第二差异调整识别模型的参数。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于识别车辆的方法和装置，通过确定待识别车辆图像区域在所获取的待识别图像中的位置，从而从待识别图像中分割出待识别车辆图像；然后将待识别车辆图像输入至用于识别车辆所属的车辆型号的识别模型，从而得到待识别车辆图像的识别结果。利用用于识别车辆所属的车辆型号的识别模型识别车辆型号，提高了车辆型号的识别准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于识别车辆的方法的一个实施例的流程图；

图3是根据本申请的用于识别车辆的方法的应用场景的一个示意图；

图4是根据本申请的用于识别车辆的方法的又一个实施例的流程图；

图5是根据本申请的用于识别车辆的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于识别车辆的方法或用于识别车辆的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用等。

终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像进行处理的图像处理服务器。图像处理服务器可以对接收到的待识别图像等进行分析等处理，并生成处理结果(例如识别结果)。

需要说明的是，本申请实施例所提供的用于识别车辆的方法一般由服务器105执行，相应地，用于识别车辆的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在服务器105本地存储有待识别图像的情况下，系统架构100可以不设置终端设备101、102、103。

继续参考图2，其示出了根据本申请的用于识别车辆的方法的一个实施例的流程200。该用于识别车辆的方法，包括以下步骤：

步骤201，获取待识别图像。

在本实施例中，用于识别车辆的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取待识别图像。其中，待识别图像可以包括但不限于灰度图像、彩色图像(RGB图像)、深度图像(Depth图像)和红外图像等。通常，待识别图像可以包括待识别车辆图像区域。待识别车辆可以是各种车辆品牌下的各种型号的车辆。

实践中，终端设备可以将本地存储的图像上传至电子设备，以使电子设备对接收到的图像进行识别，也可以将网络图像的URL(Uniform Resource Locator，统一资源定位符)发送至电子设备，以使电子设备根据接收到的URL从网络上获取图像进行识别。

步骤202，确定待识别车辆图像区域在待识别图像中的位置。

在本实施例中，基于步骤201所获取的待识别图像，电子设备可以确定待识别车辆图像区域在待识别图像中的位置。

在本实施例中，电子设备可以通过多种方式确定待识别车辆图像区域在待识别图像中的位置。

作为一种示例，电子设备可以对待识别图像进行图像显著性检验，以获取图像的显著性区域。其中，包括显著性区域的最小矩形区域的位置即为待识别车辆图像区域在待识别图像中的位置。实践中，待识别图像中的待识别车辆图像区域与背景区域具有不同的特征，且特征差距较大，因此通过图像显著性检验可以快速地确定出待识别车辆图像区域。

在本实施例的一些可选的实现方式中，电子设备可以通过矩形框标定的方式从待识别图像中框取出待识别车辆图像区域。具体地，电子设备可以利用预设大小的矩形框从待识别图像的预设位置开始，按照预设方向和预设移动距离在待识别图像中进行移动，得到矩形框所标定的多个局部图像区域。其中，与待识别车辆图像区域重叠度最高的局部图像区域的位置即为待识别车辆图像区域在待识别图像中的位置。

步骤203，基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像。

在本实施例中，基于步骤202所确定的待识别车辆图像区域在待识别图像中的位置，电子设备可以从待识别图像中分割出待识别车辆图像。

在本实施例的一些可选的实现方式中，若电子设备是通过图像显著性检验获取的待识别车辆图像区域在待识别图像中的位置，那么电子设备可以将包括显著性区域的最小矩形区域单独分割成一幅图像，分割出的图像即为待识别车辆图像。

在本实施例的一些可选的实现方式中，若电子设备是通过矩形框标定的方式获取的待识别车辆图像区域在待识别图像中的位置，那么电子设备可以将与待识别车辆图像区域重叠度最高的局部图像区域单独分割成一幅图像，分割出的图像即为待识别车辆图像。，

步骤204，将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果。

在本实施例中，基于步骤203所分割出的待识别车辆图像，电子设备可以将待识别车辆图像输入至用于识别车辆所属的车辆型号的识别模型，从而得到待识别车辆图像的识别结果。其中，识别结果可以包括待识别车辆属于预设种(例如10000种)车辆型号中的每种车辆型号的置信度。每种车辆型号的置信度可以用于表征待识别车辆属于该种车辆型号的可能性或概率。预设种车辆型号可以是预先设置的各种车辆品牌下的各种型号。

在本实施例中，识别模型可以用于表征车辆图像和识别结果之间的对应关系，其可以是通过多种方式训练得到的。

作为一种示例，本领域技术人员可以对大量预设种车辆型号中的每种车辆型号所对应的车辆图像进行统计分析，从而制定出存储有预设种车辆型号中的每种车辆型号所对应的车辆图像和预设种车辆型号中的每种车辆型号的对应关系表，并将该对应关系表作为识别模型。电子设备可以计算待识别车辆图像和对应关系表中的预设种车辆型号中的每种车辆型号所对应的车辆图像的相似度，并基于所计算出的相似度，生成待识别车辆属于预设种车辆型号中的每种车辆型号的置信度。通常，相似度与置信度呈正比关系，即，相似度越高，置信度越大。例如，电子设备可以对待识别车辆图像和对应关系表中的预设种车辆型号中的每种车辆型号所对应的车辆图像的相似度进行归一化处理，并将归一化处理后的相似度作为置信度。

作为另一种示例，电子设备可以利用机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练得到识别模型。具体训练步骤如下：

首先，获取训练样本集。

这里，训练样本集中的每个训练样本可以包括样本图像，样本图像可以包括样本车辆图像区域。

然后，对于训练样本集中的每个训练样本，执行以下操作：

第一，基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像。

需要说明的是，分割样本车辆图像的具体操作可参考图2所示实施例中步骤203中的相关描述，在此不再赘述。

第二，对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果。

这里，本领域技术人员可以对样本车辆图像进行人工车辆型号标注，电子设备接收到本领域技术人员对样本车辆图像进行的人工车辆型号标注后，即可得到样本车辆图像的车辆型号标注结果。

第三，将该训练样本所对应的样本车辆图像输入至识别模型，得到该训练样本所对应的样本车辆图像的识别结果。

其中，识别模型可以是未经训练或未训练完成的多层卷积神经网络(例如ResNeXt，其中，ResNeXt是一个用于图像分类的简单、高度模块化的网络结构)。这里，对于未经训练的多层卷积神经网络，其各个网络参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络可以正常地学习。对于未训练完成的多层卷积神经网络，其各个网络参数可以是被调整后网络参数，但是该多层卷积神经网络的识别效果尚未满足预先设置的约束条件。

第四，确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异。

这里，电子设备可以采用各种损失函数来确定差异，采用损失函数确定差异的方式是目前广泛研究和应用的公知技术，在此不再赘述。

第五，基于第二差异调整识别模型的参数。

这里，可以采用各种实现方式基于差异调整识别模型的参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整识别模型的参数。

实践中，当训练样本集中的每个训练样本执行完上述训练步骤或识别模型的识别效果满足预先设置的约束条件之后，识别模型训练完成。

在本实施例的一些可选的实现方式中，在得到识别结果之后，电子设备可以首先按照数值大小顺序对识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；然后从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。其中，电子设备可以按照数值从大到小的顺序进行排序，也可以按照数值从小到大的顺序进行排序。作为示例，电子设备可以选取出数值排在前5个的置信度，输出所选取出的5个置信度和对应的车辆型号，输出信息可以例如是“AA——0.245，BB——0.107，CC——0.079，DD——0.069，EE——0.038”。其中，“AA”、“BB”、“CC”、“DD”和“EE”可以是车辆型号。

在本实施例的一些可选的实现方式中，在得到识别结果之后，电子设备可以将识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值(例如0.07)进行比较；若存在大于预设阈值的置信度，输出大于预设阈值的置信度和与大于预设阈值的置信度对应的车辆型号。作为示例，电子设备可以输出大于0.07的置信度和对应的车辆型号，输出信息可以例如是“AA——0.245，BB——0.107，CC——0.079”。

继续参见图3，图3是根据本申请的用于识别车辆的方法的应用场景的一个示意图。在图3的应用场景中，首先，用户通过终端设备将包括车辆图像区域的图像301上传至电子设备；而后，电子设备确定出车辆图像区域在包括车辆图像区域的图像301中的位置；之后，电子设备而根据车辆图像区域在包括车辆图像区域的图像301中的位置的指示，从包括车辆图像区域的图像301中分割出车辆图像；然后，电子设备将车辆图像输入至用于识别车辆所属的车辆型号的识别模型，从而得到车辆图像的识别结果；最后，电子设备可以将识别结果中数值排在前5个的置信度和对应的车辆型号作为输出结果302，并发送至终端设备。其中，终端设备上可以呈现包括车辆图像区域的图像301和输出结果302。

本申请实施例提供的用于识别车辆的方法，通过确定待识别车辆图像区域在所获取的待识别图像中的位置，从而从待识别图像中分割出待识别车辆图像；然后将待识别车辆图像输入至用于识别车辆所属的车辆型号的识别模型，从而得到待识别车辆图像的识别结果。利用用于识别车辆所属的车辆型号的识别模型识别车辆型号，提高了车辆型号的识别准确度。

进一步参考图4，其示出了根据本申请的用于识别车辆的方法的又一个实施例的流程400。该用于识别车辆的方法的流程400，包括以下步骤：

步骤401，获取待识别图像。

在本实施例中，用于识别车辆的方法运行于其上的电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的终端设备(例如图1所示的终端设备101、102、103)获取待识别图像。其中，待识别图像可以包括但不限于灰度图像、彩色图像、深度图像和红外图像等。通常，待识别图像可以包括待识别车辆图像区域。待识别车辆可以是各种车辆品牌下的各种型号的车辆。

步骤402，对待识别图像进行旋转，得到多张不同角度的待识别图像。

在本实施例中，基于步骤401所获取的待识别图像，电子设备可以对待识别图像进行旋转，从而得到多张不同角度的待识别图像。作为示例，电子设备可以以预设角度(例如30度)对待识别图像进行逆时针或顺时针旋转，从而得到多张(例如12张)不同角度的待识别图像。

实践中，由于受拍摄技术的限制，待识别车辆图像区域可以以各种角度呈现在待识别图像中。由于识别模型对不同角度的待识别车辆图像的识别准确度不同，这里可以通过获取多张不同角度的待识别图像来消除待识别车辆图像的角度对识别结果的准确度的影响。

步骤403，将待识别图像输入至预先训练的检测模型，得到待识别车辆图像区域在待识别图像中的位置。

在本实施例中，基于步骤402所得到的多张不同角度的待识别图像，电子设备可以将多张不同角度的待识别图像分别输入至用于检测车辆图像区域在图像中的位置的检测模型，从而得到待识别车辆图像区域在多张不同角度待识别图像中的位置。其中，待识别车辆图像区域的位置可以通过多种方式表示。例如，待识别车辆图像区域的位置可以用一个矩形框表示，属于待识别车辆图像区域的像素点大部分落在矩形框内，不属于待识别车辆图像区域的像素点大部分落在矩形框外。

在本实施例中，检测模型可以用于表征图像和车辆图像在图像中的位置之间的对应关系，其可以是通过多种方式训练得到的。作为示例，电子设备可以利用机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练得到识别模型。具体训练步骤如下：

首先，获取训练样本集。

这里，训练样本集中的每个训练样本可以包括样本图像，样本图像可以包括样本车辆图像区域。

然后，对于训练样本集中的每个训练样本，执行以下操作：

第一，对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果。

这里，本领域技术人员可以对样本图像中的样本车辆图像区域进行人工位置标注，电子设备接收到本领域技术人员对样本图像中的样本车辆图像区域进行的人工位置标注后，即可得到样本图像中的样本车辆图像区域的位置标注结果。

第二，将该训练样本中的样本图像输入至检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置。

其中，检测模型可以是未经训练或未训练完成的目标检测模型(例如Faster R-CNN、R-FCN和SSD模型)。这里，对于未经训练的目标检测模型，其各个参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。对于未训练完成的目标检测模型，其各个参数可以是被调整后参数，但是该目标检测模型的检测效果尚未满足预先设置的约束条件。

第三，确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异。

这里，电子设备可以采用各种损失函数来确定差异，采用损失函数确定差异的方式是目前广泛研究和应用的公知技术，在此不再赘述。

第四，基于第一差异调整检测模型的参数。

这里，可以采用各种实现方式基于差异调整识别模型的参数。例如，可以采用BP算法或者SGD算法来调整识别模型的参数。

实践中，当训练样本集中的每个训练样本执行完上述训练步骤或检测模型的检测效果满足预先设置的约束条件之后，识别模型训练完成。

步骤404，基于待识别车辆图像区域在多张不同角度的待识别图像中的位置，从多张不同角度的待识别图像中选取出待识别图像。

在本实施例中，基于步骤403所得到的待识别车辆图像区域在多张不同角度的待识别图像中的位置，电子设备可以从多张不同角度的待识别图像中选取出待识别图像。具体地，根据待识别车辆图像区域在待识别图像中的位置，可以确定出待识别车辆图像区域在待识别图像中的角度。这里，可以从多张不同角度的待识别图像中选取出对识别结果的准确度的影响最小的待识别图像。通常，待识别车辆图像区域在待识别图像中的角度越小，对识别结果的准确度的影响就越小。

步骤405，所选取出的待识别图像中分割出待识别车辆图像。

在本实施例中，基于步骤404所选取出的待识别图像，电子设备可以根据待识别车辆图像区域在所选取出的待识别图像中的位置的指示，从所选取出的待识别图像中分割出待识别车辆图像。

步骤406，将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果。

在本实施例中，基于步骤405所分割出的待识别车辆图像，电子设备可以将待识别车辆图像输入至用于识别车辆所属的车辆型号的识别模型，从而得到待识别车辆图像的识别结果。其中，识别结果可以包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度。每种车辆型号的置信度可以用于表征待识别车辆属于该种车辆型号的可能性或概率。预设种车辆型号可以是预先设置的各种车辆品牌下的各种型号。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别车辆的方法的流程400增加了生成多张不同角度的待识别图像的步骤，同时突出了利用检测模型检测待识别车辆图像区域在待识别图像中的位置的步骤。由此，本实施例描述的方案不仅消除了车辆图像区域的角度对识别结果的准确度的影响，还提高了对车辆图像区域的位置的检测准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于识别车辆的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于识别车辆的装置500可以包括：获取单元501、确定单元502、分割单元503和识别单元504。其中，获取单元501，配置用于取待识别图像，其中，待识别图像包括待识别车辆图像区域；确定单元502，配置用于确定待识别车辆图像区域在待识别图像中的位置；分割单元503，配置用于基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像；识别单元504，配置用于将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果，其中，识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，识别模型用于识别车辆所属的车辆型号。

在本实施例中，用于识别车辆的装置500中：获取单元501、确定单元502、分割单元503和识别单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，确定单元502可以进一步配置用于：将待识别图像输入至预先训练的检测模型，得到待识别车辆图像区域在待识别图像中的位置，其中，检测模型用于检测车辆图像区域在图像中的位置。

在本实施例的一些可选的实现方式中，用于识别车辆的装置500还可以包括：旋转单元(图中未示出)，配置用于对待识别图像进行旋转，得到多张不同角度的待识别图像；分割单元503可以进一步配置用于：基于待识别车辆图像区域在多张不同角度的待识别图像中的位置，从多张不同角度的待识别图像中选取出待识别图像，并从所选取出的待识别图像中分割出待识别车辆图像。

在本实施例的一些可选的实现方式中，用于识别车辆的装置500还可以包括：排序单元(图中未示出)，配置用于按照数值大小顺序对识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；第一输出单元(图中未示出)，配置用于从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。

在本实施例的一些可选的实现方式中，用于识别车辆的装置500还可以包括：比较单元(图中未示出)，配置用于将识别结果中的待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值进行比较；第二输出单元(图中未示出)，配置用于若存在大于预设阈值的置信度，输出大于预设阈值的置信度和与大于预设阈值的置信度对应的车辆型号。

在本实施例的一些可选的实现方式中，检测模型可以通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的每个训练样本包括样本图像，样本图像包括样本车辆图像区域；对于训练样本集中的每个训练样本，执行以下操作：对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果；将该训练样本中的样本图像输入至检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置；确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异；基于第一差异调整检测模型的参数。

在本实施例的一些可选的实现方式中，识别模型可以通过如下步骤训练得到：对于训练样本集中的每个训练样本，执行以下操作：基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像；对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果；将该训练样本所对应的样本车辆图像输入至识别模型，得到该训练样本所对应的样本车辆图像的识别结果；确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异；基于第二差异调整识别模型的参数。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、分割单元和识别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别图像，其中，待识别图像包括待识别车辆图像区域；确定待识别车辆图像区域在待识别图像中的位置；基于待识别车辆图像区域在待识别图像中的位置，从待识别图像中分割出待识别车辆图像；将待识别车辆图像输入至预先训练的识别模型，得到待识别车辆图像的识别结果，其中，识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，识别模型用于识别车辆所属的车辆型号。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于识别车辆的方法，包括：

获取待识别图像，其中，所述待识别图像包括待识别车辆图像区域；

确定所述待识别车辆图像区域在所述待识别图像中的位置；

基于所述待识别车辆图像区域在所述待识别图像中的位置，从所述待识别图像中分割出待识别车辆图像；

将所述待识别车辆图像输入至预先训练的识别模型，得到所述待识别车辆图像的识别结果，其中，所述识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，所述识别模型用于识别车辆所属的车辆型号。

2.根据权利要求1所述的方法，其中，所述确定所述待识别车辆图像区域在所述待识别图像中的位置，包括：

将所述待识别图像输入至预先训练的检测模型，得到所述待识别车辆图像区域在所述待识别图像中的位置，其中，所述检测模型用于检测车辆图像区域在图像中的位置。

3.根据权利要求1所述的方法，其中，

在所述确定所述待识别车辆图像区域在所述待识别图像中的位置之前，还包括：

对所述待识别图像进行旋转，得到多张不同角度的所述待识别图像；

所述基于所述待识别车辆图像区域在所述待识别图像中的位置，从所述待识别图像中分割出待识别车辆图像，包括：

基于所述待识别车辆图像区域在多张不同角度的所述待识别图像中的位置，从多张不同角度的所述待识别图像中选取出待识别图像，并从所选取出的待识别图像中分割出待识别车辆图像。

4.根据权利要求1所述的方法，其中，所述方法还包括：

按照数值大小顺序对所述识别结果中的所述待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；

从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。

5.根据权利要求1所述的方法，其中，所述方法还包括：

将所述识别结果中的所述待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值进行比较；

若存在大于所述预设阈值的置信度，输出大于所述预设阈值的置信度和与大于所述预设阈值的置信度对应的车辆型号。

6.根据权利要求2-5之一所述的方法，其中，所述检测模型通过如下步骤训练得到：

获取训练样本集，其中，所述训练样本集中的每个训练样本包括样本图像，样本图像包括样本车辆图像区域；

对于所述训练样本集中的每个训练样本，执行以下操作：对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果；将该训练样本中的样本图像输入至所述检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置；确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异；基于所述第一差异调整所述检测模型的参数。

7.根据权利要求6所述的方法，其中，所述识别模型通过如下步骤训练得到：

对于所述训练样本集中的每个训练样本，执行以下操作：基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像；对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果；将该训练样本所对应的样本车辆图像输入至所述识别模型，得到该训练样本所对应的样本车辆图像的识别结果；确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异；基于所述第二差异调整所述识别模型的参数。

8.一种用于识别车辆的装置，包括：

获取单元，配置用于取待识别图像，其中，所述待识别图像包括待识别车辆图像区域；

确定单元，配置用于确定所述待识别车辆图像区域在所述待识别图像中的位置；

分割单元，配置用于基于所述待识别车辆图像区域在所述待识别图像中的位置，从所述待识别图像中分割出待识别车辆图像；

识别单元，配置用于将所述待识别车辆图像输入至预先训练的识别模型，得到所述待识别车辆图像的识别结果，其中，所述识别结果包括待识别车辆属于预设种车辆型号中的每种车辆型号的置信度，所述识别模型用于识别车辆所属的车辆型号。

9.根据权利要求8所述的装置，其中，所述确定单元进一步配置用于：

将所述待识别图像输入至预先训练的检测模型，得到所述待识别车辆图像区域在所述待识别图像中的位置，其中，所述检测模型用于检测车辆图像区域在图像中的位置。

10.根据权利要求8所述的装置，其中，

所述装置还包括：

旋转单元，配置用于对所述待识别图像进行旋转，得到多张不同角度的所述待识别图像；

所述分割单元进一步配置用于：

基于所述待识别车辆图像区域在多张不同角度的所述待识别图像中的位置，从多张不同角度的所述待识别图像中选取出待识别图像，并从所选取出的待识别图像中分割出待识别车辆图像。

11.根据权利要求8所述的装置，其中，所述装置还包括：

排序单元，配置用于按照数值大小顺序对所述识别结果中的所述待识别车辆属于预设种车辆型号中的每种车辆型号的置信度进行排序；

第一输出单元，配置用于从数值大的一侧开始选取出预设数目个置信度，输出所选取的置信度和与所选取出的置信度对应的车辆型号。

12.根据权利要求8所述的装置，其中，所述装置还包括：

比较单元，配置用于将所述识别结果中的所述待识别车辆属于预设种车辆型号中的每种车辆型号的置信度与预设阈值进行比较；

第二输出单元，配置用于若存在大于所述预设阈值的置信度，输出大于所述预设阈值的置信度和与大于所述预设阈值的置信度对应的车辆型号。

13.根据权利要求9-12之一所述的装置，其中，所述检测模型通过如下步骤训练得到：

获取训练样本集，其中，所述训练样本集中的每个训练样本包括样本图像，样本图像包括样本车辆图像区域；

对于所述训练样本集中的每个训练样本，执行以下操作：对该训练样本中的样本图像中的样本车辆图像区域进行位置标注，得到该训练样本中的样本图像中的样本车辆图像区域的位置标注结果；将该训练样本中的样本图像输入至所述检测模型，得到样本车辆图像区域在该训练样本中的样本图像中的位置；确定样本车辆图像区域在该训练样本中的样本图像中的位置和该训练样本中的样本图像中的样本车辆图像区域的位置标注结果之间的第一差异；基于所述第一差异调整所述检测模型的参数。

14.根据权利要求13所述的装置，其中，所述识别模型通过如下步骤训练得到：

对于所述训练样本集中的每个训练样本，执行以下操作：基于样本车辆图像区域在该训练样本中的样本图像中的位置，从该训练样本中的样本图像中分割出样本车辆图像；对该训练样本所对应的样本车辆图像进行车辆型号标注，得到该训练样本所对应的样本车辆图像的车辆型号标注结果；将该训练样本所对应的样本车辆图像输入至所述识别模型，得到该训练样本所对应的样本车辆图像的识别结果；确定该训练样本所对应的样本车辆图像的识别结果和该训练样本所对应的样本车辆图像的车辆型号标注结果之间的第二差异；基于所述第二差异调整所述识别模型的参数。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。