CN109740415B - 车辆属性识别方法及相关产品 - Google Patents

Abstract

本申请提供了一种车辆属性识别方法及相关产品，方法包括：获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；确定所述特征点集的第一特征中心；将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。采用本申请可在复杂环境下，提升车辆属性识别精度。

Description

车辆属性识别方法及相关产品

技术领域

本申请涉及图像处理技术领域，具体涉及一种车辆属性识别方法及相关产品。

背景技术

随着城市交通拥堵的加剧，越来越多的人开始选择小巧的非标车作为代步工具，比如共享单车、电动自行车、电动摩托车等，由此也带来了一系列难以管控的各种问题。为了应对这些问题，智能交通应运而生，已经成为城市发展与建设中不可或缺的重要支撑。在智能交通系统中，除了对汽车的管控之外，对非标车以及非标车驾驶员的管控也同样重要。

生活中，复杂场景一般是指某一场景中光照强度、样本角度、物体遮挡等一系列可变的复杂情况，在复杂场景下，无法精准对非标车进行精准识别。

发明内容

本申请实施例提供了一种车辆属性识别方法及相关产品，能够在复杂场景下，对非标车进行精准识别。

本申请实施例第一方面提供了一种车辆属性识别方法，包括：

获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定所述特征点集的第一特征中心；

将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

本申请实施例第二方面提供了一种车辆属性识别装置，包括:

获取单元，用于获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

特征提取单元，用于将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定单元，用于确定所述特征点集的第一特征中心；

匹配单元，用于将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

所述确定单元，还具体用于从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。

第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。

第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

实施本申请实施例，具有如下有益效果：

通过上述本申请实施例所描述的车辆属性识别方法及相关产品，获取目标图像，目标图像中包括预设类型的车辆图像，预设类型为以下至少一种：自行车、电动车和摩托车，将目标图像输入到预设深度学习卷积神经网络，得到特征点集，确定特征点集的第一特征中心，将第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息，从多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为目标图像的属性标识信息，如此，能够在复杂环境下，对非标车进行精准识别。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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1A是本申请实施例提供的一种车辆属性识别方法的实施例流程示意图；

图1B是本申请实施例提供的一种车辆属性识别方法的流程示意图；

图2是本申请实施例提供的另一种车辆属性识别方法的实施例流程示意图；

图3A是本申请实施例提供的一种车辆属性识别装置的实施例结构示意图；

图3B是本申请实施例提供的一种车辆属性识别装置的另一实施例结构示意图；

图3C是本申请实施例提供的一种车辆属性识别装置的另一实施例结构示意图；

图3D是本申请实施例提供的一种车辆属性识别装置的另一实施例结构示意图；

图4是本申请实施例提供的一种电子设备的实施例结构示意图。

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作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。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例所描述行电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(MID，Mobile Internet Devices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述电子设备还可以为服务器。

在复杂场景下，现有的非标车(没有牌照的车)属性识别方法都是以海量的非标车样本作为训练集，尽可能拟合各种光照强度和非标车的各个角度，利用深度卷积神经网络进行迭代训练，最终得到识别模型。这种方法不仅无法处理样本被遮挡的问题，而且为了拟合样本的复杂程度还需要海量的数据，进而带来巨额的人工标注成本。因此，本申请实施例提供了一种车辆属性识别方法，具体如下：

获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定所述特征点集的第一特征中心；

将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

如此，能够精准对非标车进行识别。

请参阅图1A，为本申请实施例提供的一种车辆属性识别方法的实施例流程示意图。本实施例中所描述的车辆属性识别方法，包括以下步骤：

101、获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车。目标图像中可以包含一个预设类型的车辆或者多个预设类型的车辆。

其中，目标图像可以为抓拍图像，例如，由监控摄像头抓拍的图像，或者，目标图像可以由用户输入的任一图像。上述预设类型可以为以下至少一种：自行车、电动车、摩托车、敞篷车等等，在此不作限定。

可选地，上述步骤101，获取目标图像，可包括如下步骤：

A1、获取输入图像；

A2、对所述输入图像进行缩放处理，使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样；

A3、对缩放处理后的所述输入图像进行图像分割，得到所述目标图像。

其中，输入图像可以为任一抓拍图像，由于输入图像尺寸不统一，因此，可以对输入图像进行缩放处理，使得缩放处理后的输入图像与图像库中的图像的尺寸大小一样，对缩放处理后的输入图像进行图像分割，则可以先粗略确定目标位置，便于后续精准提取目标。

可选地，上述步骤101，获取目标图像，可包括如下步骤：

B1、获取输入图像；

B2、对所述输入图像进行抠图处理，得到抠图图像；

B3、对所述抠图图像进行缩放处理，得到所述目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一样。

其中，输入图像可以为任一抓拍图像，可以对输入图像进行抠图处理，具体地，用户可以指定抠图区域，对抠图区域进行抠图处理，得到抠图图像，对抠图图像进行缩放处理，得到目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一致，如此，便于后续车辆属性识别。

可选地，上述步骤101-步骤102之间还可以包括如下步骤：

对所述目标图像进行目标识别，得到目标区域；

则，上述步骤102，将所述目标图像输入到预设深度学习卷积神经网络，可以按照如下方式实施：

将所述目标区域输入到所述预设深度学习卷积神经网络。

具体实现中，电子设备可以先对目标图像进行目标识别，得到目标区域，目标区域则为去除了背景的区域，进而，可将目标区域输入到预设深度学习卷积神经网络，进而，能够实现快速且精准地提取车辆所在区域的特征信息。

102、将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集。

其中，预设深度学习卷积神经网络可以由用户预先训练好。电子设备可以将目标图像输入到预设深度学习卷积神经网络，得到特征点集。

103、确定所述特征点集的第一特征中心。

其中，第一特征中心可以理解为特征点集的中心特征点。

104、将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息。

其中，电子设备中可以预先存储预设的特征中心集，特征中心集中包含多个第二特征中心，每一特征中心对应一个属性识别标识信息，电子设备可以将第一特征中心和预设的特征中心集的每一第二特征中心进行匹配，得到多个相似度值，具体地，可以计算第一特征中心与第二特征中心之间的汉明距离，或者，可采用结构相似性SSIM(structuralsimilarity index)将第一特征中心和预设的特征中心集的每一第二特征中心进行匹配。

105、从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

具体实现中，电子设备可以从多个相似度值中选取最大的相似度值，并将该最大的相似度值对应的第二特征中心对应的目标属性类别标识信息作为目标图像的属性标识信息。

可选地，所述属性类别标识信息为：车辆类型或者人员属性，人员属性为以下至少一种：载客数量、乘客性别、乘客年龄、乘客身材、乘客着装，在此不作限定。上述载客数量包括司机或者不包括司机。乘客着装可以包括以下至少一种：是否戴帽子、是否戴围巾、是否戴眼镜、是否戴项链、是否戴耳环、上半身衣服、鞋子、等等，在此不作限定。

可选地，上述步骤101，获取目标图像，还可以包括以下步骤：

C1、获取多个样本图像集，每一样本图像集对应一个类型标识信息；

C2、采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到所述预设深度学习卷积神经网络。

举例说说明下，以非标车是否载乘客为例，如附图1B，将整个训练集按照是否载乘客分成数据集A、数据集B和数据集C三个数据集，其中，数据集A为全部载乘客，B数据集为全部无乘客，C数据集包含载乘客和无乘客两类。假设数据集A和B一共有N个样本，每个样本的维度是D，共有K个不同的分类，用x_i表示这两个数据集，则x_i∈R^D，每个样本都有一个对应的分类标签y_i，其中i＝1,2,...N。同理，数据集C可以表示为x_j∈R^D，每个样本对应的分类标签为y_j。

进而，通过大量的模拟对比训练得到识别模型，具体为：从数据集A和B中各随机选取多张非标车样本，从数据集C中随机选取1张非标车样本输入深度卷积神经网络，利用深度卷积神经网络提取每一张非标车图像的特征信息，并按照类别分别计算特征中心。

进一步地，可以将数据集C中的非标车特征与数据集A、B的非标车特征中心两两级联并分别计算相似度，其中，关系得分与相似度之间呈现映射关系。

根据相似度计算关系得分R_i,j：

其中，关系得分的取值可以定义在0～1之间，0代表与对比的非标车图像极不相似，1代表与对比的非标车图像完全相似，然后，可以使用均方误差(MSE)计算损失L来指导参数的更新：

最后，继续迭代直到网络收敛，得到最终模型。

具体实现中，可以将训练样本输入关系网络，生成大量的对比学习任务，最终生成训练模型。网络的输出是关系得分，它可以是0到1的任一数值，0代表极不相似，1代表完全相似，其中网络训练的loss由均方误差计算得到，如此，能够提升深度学习卷积神经网络的鲁棒性。

可选地，在所述预设类型的车辆图像被遮挡的情况下，上述步骤101-步骤102之间，还可以包括如下步骤：

D1、将所述目标图像输入到所述预设深度学习卷积神经网络，得到所述预设类型的车辆图像的位置；

D2、依据所述预设类型的车辆图像的位置对该车辆进行降损自编码，得到未被遮挡的车辆图像；

则，上述步骤102，将所述目标图像输入到预设深度学习卷积神经网络，可按照如下方式实施：

将所述未被遮挡的车辆图像输入到所述预设深度学习卷积神经网络。

其中，将被遮挡的非标车样本输入深度卷积神经网络，通过深度回归网络预测非标车形状，进一步地，可以使用降损自编码去掉遮挡部分，并预测遮挡部分的非标车形状。降损自编码分为编码和解码两步，通过对原图像进行编码和解码处理，获取使得原图像和处理后的图像差别不大的参数，形成级联结构，联合每一阶段的输出，得到最终的非标车形状，进而，能够在遮挡的情况下，实现对车辆属性进行识别。可将未标记的待测试样本输入网络，根据已经训练好的模型计算关系得分，根据关系得分最终判断出非标车是否载乘客。

举例说明下，通过本申请实施例，能够知晓摩托车是否载客，是否超载，驾驶员是否戴头盔等等。

可以看出，通过上述本申请实施例所描述的车辆属性识别方法，获取目标图像，目标图像中包括预设类型的车辆图像，预设类型为以下至少一种：自行车、电动车和摩托车，将目标图像输入到预设深度学习卷积神经网络，得到特征点集，确定特征点集的第一特征中心，将第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息，从多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为目标图像的属性标识信息，如此，能够对非标车进行精准识别。

与上述一致地，请参阅图2，为本申请实施例提供的一种车辆属性识别方法的实施例流程示意图。本实施例中所描述的车辆属性识别方法，包括以下步骤：

201、获取多个样本图像集，每一样本图像集对应一个类型标识信息。

202、采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到预设深度学习卷积神经网络。

203、获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车。

204、将所述目标图像输入到所述预设深度学习卷积神经网络，得到特征点集。

205、确定所述特征点集的第一特征中心。

206、将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息。

207、从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

其中，上述步骤201-步骤207的具体描述可以参照上述图1A所描述的车辆属性识别方法的相应描述，在此不再赘述。

可以看出，通过上述本申请实施例所描述的车辆属性识别方法，获取多个样本图像集，每一样本图像集对应一个类型标识信息，采用深度学习卷积神经网络对多个样本图像集进行训练，得到预设深度学习卷积神经网络，获取目标图像，目标图像中包括预设类型的车辆图像，预设类型为以下至少一种：自行车、电动车和摩托车，将目标图像输入到预设深度学习卷积神经网络，得到特征点集，确定特征点集的第一特征中心，将第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息，从多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为目标图像的属性标识信息，如此，能够对非标车进行精准识别。

与上述一致地，以下为实施上述车辆属性识别方法的装置，具体如下：

请参阅图3A，为本申请实施例提供的一种车辆属性识别装置的实施例结构示意图。本实施例中所描述的车辆属性识别装置，包括：获取单元301、特征提取单元302、确定单元303和匹配单元304，具体如下：

获取单元301，用于获取目标图像，目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

特征提取单元302，用于将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定单元303，用于确定所述特征点集的第一特征中心；

匹配单元304，用于将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

所述确定单元303，还具体用于从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

可选地，如图3B，图3B为图3A所描述的车辆属性识别装置的又一变型结构，其与图3A相比较，还可以包括：训练单元305，其中：

所述获取单元301，还具体用于获取多个样本图像集，每一样本图像集对应一个类型标识信息；

所述训练单元305，用于采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到所述预设深度学习卷积神经网络。

可选地，如图3C，图3C为图3A所描述的车辆属性识别装置的又一变型结构，其与图3A相比较，还可以包括：所述装置还包括：目标定位单元306和编码单元307，其中，在所述预设类型的车辆图像被遮挡的情况下，具体如下：

所述目标定位单元306，用于将所述目标图像输入到所述预设深度学习卷积神经网络，得到所述预设类型的车辆图像的位置；

所述编码单元307，用于依据所述预设类型的车辆图像的位置对该车辆进行降损自编码，得到未被遮挡的车辆图像；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，所述特征提取单元302具体用于：

将所述未被遮挡的车辆图像输入到所述预设深度学习卷积神经网络。

可选地，如图3D，图3D为图3A所描述的车辆属性识别装置的又一变型结构，其与图3A相比较，还可以包括：识别单元308，其中，

所述识别单元308，用于对所述目标图像进行目标识别，得到目标区域；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，所述特征提取单元302具体用于：

将所述目标区域输入到所述预设深度学习卷积神经网络。

可选地，所述属性类别标识信息为：车辆类型或者人员属性，人员属性为以下至少一种：载客数量、乘客性别、乘客年龄、乘客身材、乘客着装。

可以看出，通过上述本申请实施例所描述的车辆属性识别装置，获取目标图像，目标图像中包括预设类型的车辆图像，预设类型为以下至少一种：自行车、电动车和摩托车，将目标图像输入到预设深度学习卷积神经网络，得到特征点集，确定特征点集的第一特征中心，将第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息，从多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为目标图像的属性标识信息，如此，能够对非标车进行精准识别。

与上述一致地，请参阅图4，为本申请实施例提供的一种电子设备的实施例结构示意图。本实施例中所描述的电子设备，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。

其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。

上述输出设备2000具体可为显示屏。

上述存储器4000可以是高速RAM存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：

上述处理器3000，用于：

获取目标图像，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定所述特征点集的第一特征中心；

将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息。

可选地，在所述获取目标图像之前，上述处理器3000还具体用于：

获取多个样本图像集，每一样本图像集对应一个类型标识信息；

采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到所述预设深度学习卷积神经网络。

可选地，在所述预设类型的车辆图像被遮挡的情况下，上述处理器3000还具体用于：

将所述目标图像输入到所述预设深度学习卷积神经网络，得到所述预设类型的车辆图像的位置；

依据所述预设类型的车辆图像的位置对该车辆进行降损自编码，得到未被遮挡的车辆图像；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，上述处理器3000具体用于：

将所述未被遮挡的车辆图像输入到所述预设深度学习卷积神经网络。

可选地，上述处理器3000还具体用于：

对所述目标图像进行目标识别，得到目标区域；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，上述处理器3000具体用于：

将所述目标区域输入到所述预设深度学习卷积神经网络。

可选地，所述属性类别标识信息为：车辆类型或者人员属性，人员属性为以下至少一种：载客数量、乘客性别、乘客年龄、乘客身材、乘客着装。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种车辆属性识别方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种车辆属性识别方法的部分或全部步骤。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。

本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程车牌定位设备的处理器以产生一个机器，使得通过计算机或其他可编程车牌定位设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程车牌定位设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程车牌定位设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种车辆属性识别方法，其特征在于，所述车辆属性识别方法应用于在光照强度、样本角度、物体遮挡可变的复杂情况下，对非标车进行精准识别，包括：

获取目标图像，所述目标图像中包括预设类型的车辆图像，具体为：获取输入图像，对所述输入图像进行抠图处理，得到抠图图像，对所述抠图图像进行缩放处理，得到所述目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一样，所述预设类型为以下至少一种：自行车、电动车和摩托车；

将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定所述特征点集的第一特征中心，所述第一特征中心为特征点集的中心特征点；

将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息；

其中，在所述获取目标图像之前，所述方法还包括：

获取多个样本图像集，每一样本图像集对应一个类型标识信息；

采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到所述预设深度学习卷积神经网络；

针对非标车是否载乘客时，将整个训练集按照是否载乘客分成数据集A、数据集B和数据集C三个数据集，其中，所述数据集A为全部载乘客，所述数据集B为全部无乘客，所述数据集C包含载乘客和无乘客两类；若所述数据集A和B一共有N个样本，每个样本的维度是D，共有K个不同的分类，用x_i表示所述数据集A和B，则x_i∈R^D，R^D表示所述整个训练集，每个样本都有一个对应的分类标签y_i，其中，i＝1,2,...N，所述数据集C表示为x_j∈R^D，j表示所述数据集C的样本，每个样本对应的分类标签为y_j；

从所述数据集A和B中各随机选取多张非标车样本，从所述数据集C中随机选取1张非标车样本输入深度卷积神经网络，利用深度卷积神经网络提取每一张非标车图像的特征信息，并按照类别分别计算特征中心；

将所述数据集C中的非标车特征与所述数据集A、B的非标车特征中心两两级联并分别计算相似度，其中，关系得分与相似度之间呈现映射关系；

根据相似度计算关系得分，其中，关系得分的取值为0～1之间，0代表与对比的非标车图像极不相似，1代表与对比的非标车图像完全相似，使用均方误差(MSE)计算损失L来指导参数的更新，继续迭代直到网络收敛，得到所述预设深度学习卷积神经网络。

2.根据权利要求1所述的方法，其特征在于，在所述预设类型的车辆图像被遮挡的情况下，所述方法还包括：

将所述目标图像输入到所述预设深度学习卷积神经网络，得到所述预设类型的车辆图像的位置；

依据所述预设类型的车辆图像的位置对该车辆进行降损自编码，得到未被遮挡的车辆图像；

所述将所述目标图像输入到预设深度学习卷积神经网络，包括：

将所述未被遮挡的车辆图像输入到所述预设深度学习卷积神经网络。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述目标图像进行目标识别，得到目标区域；

所述将所述目标图像输入到预设深度学习卷积神经网络，包括：

将所述目标区域输入到所述预设深度学习卷积神经网络。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述属性类别标识信息为：车辆类型或者人员属性，人员属性为以下至少一种：载客数量、乘客性别、乘客年龄、乘客身材、乘客着装。

5.一种车辆属性识别装置，其特征在于，所述车辆属性识别装置应用于在光照强度、样本角度、物体遮挡可变的复杂情况下，对非标车进行精准识别，所述装置包括:

获取单元，用于获取目标图像，具体为：获取输入图像，对所述输入图像进行抠图处理，得到抠图图像，对所述抠图图像进行缩放处理，得到所述目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一样，所述目标图像中包括预设类型的车辆图像，所述预设类型为以下至少一种：自行车、电动车和摩托车；

特征提取单元，用于将所述目标图像输入到预设深度学习卷积神经网络，得到特征点集；

确定单元，用于确定所述特征点集的第一特征中心，所述第一特征中心为特征点集的中心特征点；

匹配单元，用于将所述第一特征中心与预设的特征中心集中的每一第二特征中心进行匹配，得到多个相似度值，每一第二特征中心点对应一个属性类别标识信息；

所述确定单元，还具体用于从所述多个相似度值中选取最大的相似度值，将该最大的相似度值对应的目标属性类别标识信息作为所述目标图像的属性标识信息；

其中，所述装置还包括：训练单元，其中：

所述获取单元，还具体用于获取多个样本图像集，每一样本图像集对应一个类型标识信息；

所述训练单元，用于采用深度学习卷积神经网络对所述多个样本图像集进行训练，得到所述预设深度学习卷积神经网络；

所述训练单元具体用于执行如下操作：

针对非标车是否载乘客时，将整个训练集按照是否载乘客分成数据集A、数据集B和数据集C三个数据集，其中，所述数据集A为全部载乘客，所述数据集B为全部无乘客，所述数据集C包含载乘客和无乘客两类；若所述数据集A和B一共有N个样本，每个样本的维度是D，共有K个不同的分类，用x_i表示所述数据集A和B，则x_i∈R^D，R^D表示所述整个训练集，每个样本都有一个对应的分类标签y_i，其中，i＝1,2,...N，所述数据集C表示为x_j∈R^D，j表示所述数据集C的样本，每个样本对应的分类标签为y_j；

从所述数据集A和B中各随机选取多张非标车样本，从所述数据集C中随机选取1张非标车样本输入深度卷积神经网络，利用深度卷积神经网络提取每一张非标车图像的特征信息，并按照类别分别计算特征中心；

将所述数据集C中的非标车特征与所述数据集A、B的非标车特征中心两两级联并分别计算相似度，其中，关系得分与相似度之间呈现映射关系；

根据相似度计算关系得分，其中，关系得分的取值为0～1之间，0代表与对比的非标车图像极不相似，1代表与对比的非标车图像完全相似，使用均方误差(MSE)计算损失L来指导参数的更新，继续迭代直到网络收敛，得到所述预设深度学习卷积神经网络。

6.根据权利要求5所述的装置，其特征在于，在所述预设类型的车辆图像被遮挡的情况下，所述装置还包括：目标定位单元和编码单元，其中，

所述目标定位单元，用于将所述目标图像输入到所述预设深度学习卷积神经网络，得到所述预设类型的车辆图像的位置；

所述编码单元，用于依据所述预设类型的车辆图像的位置对该车辆进行降损自编码，得到未被遮挡的车辆图像；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，所述特征提取单元具体用于：

将所述未被遮挡的车辆图像输入到所述预设深度学习卷积神经网络。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：识别单元，其中，

所述识别单元，用于对所述目标图像进行目标识别，得到目标区域；

在所述将所述目标图像输入到预设深度学习卷积神经网络方面，所述特征提取单元具体用于：

将所述目标区域输入到所述预设深度学习卷积神经网络。

8.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。

Images