CN109816001A - 一种基于深度学习的车辆多属性识别方法、装置和设备 - Google Patents

Abstract

本申请属于计算机视觉技术领域，尤其涉及一种基于深度学习的车辆多属性识别方法、装置和设备。本申请公开了一种基于深度学习的车辆多属性识别方法、装置和设备，其中方法包括：获取待检测车辆图片；将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。解决了现有车辆多属性识别时耗时久的技术问题。

Description

一种基于深度学习的车辆多属性识别方法、装置和设备

技术领域

本申请属于计算机视觉技术领域，尤其涉及一种基于深度学习的车辆多属性识别方法、装置和设备。

背景技术

随着人工智能和计算机视觉技术的发展，车辆识别技术已经广泛运用于许多图像侦查和公安系统中，如卡口系统、电子警察系统、智能交通和自动驾驶等领域中。

车辆的属性识别作为车辆识别中的基础技术。现有技术中对于车辆属性识别大都采用神经网络模型，对于单任务的车辆属性识别，可以取得较好的识别效果，但是对于多任务的车辆属性识别，传统的神经网络结构模型耗时久。

因此，提供一种快速地车辆的多属性识别方法成为本领域技术人员亟待解决的技术问题。

发明内容

本申请提供了一种基于深度学习的车辆多属性识别方法、装置和设备，用于车辆多属性的识别，解决了现有车辆多属性识别时耗时久的技术问题。

有鉴于此，本申请第一方面提供了一种基于深度学习的车辆多属性识别方法，包括：

获取待检测车辆图片；

将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

优选地，所述方法还包括：

获取多张样本车辆图片，每张样本车辆图片中具有多属性识别标签，所述多属性识别标签包括车辆类型、车身颜色和车辆品牌；

根据每张所述样本车辆图片中的所述多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果；

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型。

优选地，所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型之前还包括：

以VGGNet为第二训练网络、多张所述样本车辆图片为所述第二训练网络的输入指标、所有所述样本多属性识别结果为所述第二训练网络的输出结果，得到基于VGGNet的多属性识别模型；

所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型具体为：

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，根据所述基于VGGNet的多属性识别模型通过知识蒸馏算法，得到所述预置多属性识别模型。

优选地，所述获取多张样本车辆图片之后还包括：

对每张所述样本车辆图片进行图像变化，得到多张图像变化后的样本车辆图片，所述图像变化包括：加噪和/或随机擦除和/或旋转和/或亮度变化和/或仿射变换；

则所述根据每张所述样本车辆图片中的多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果具体为：

根据每张所述图像变化后的样本车辆图片中的所述多属性识别标签，确定每张所述图像变化后的样本车辆图片的样本多属性识别结果。

优选地，所述预置卷积神经网络还包括：prob层。

优选地，所述预置卷积神经网络的所述data层的输入通道的宽和高尺寸大小相等。

优选地，所述预置卷积神经网络的每个所述conv层的激活函数均为：relu。

本申请第二方面提供一种基于深度学习的车辆多属性识别装置，包括：

图片获取模块，用于获取待检测车辆图片；

属性识别模块，用于将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

本申请第三方面提供一种基于深度学习的车辆多属性识别设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的方法。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请提供了一种基于深度学习的车辆多属性识别方法，包括：获获取待检测车辆图片；将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果，预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

本申请中，将需要进行多属性识别的待检测车辆图片输入至，通过神经网络的深度学习得到的预置多属性识别模型中，即可得到待检测车辆图片的多属性识别结果，因为预置卷积神经网络相比传统的神经网络结构简单，故得到的预置多属性识别模型参数较为简单，因此在利用预置多属性识别模型时，耗时短，解决了现有车辆多属性识别时耗时久的技术问题。

附图说明

图1为本申请实施例中一种基于深度学习的车辆多属性识别方法的第一实施例的流程示意图；

图2为本申请实施例中一种基于深度学习的车辆多属性识别方法的第二实施例的流程示意图；

图3为本申请实施例中一种基于深度学习的车辆多属性识别方法的第三实施例的流程示意图；

图4为本申请实施例中一种基于深度学习的车辆多属性识别方法的第四实施例的流程示意图；

图5为本申请实施例中一种基于深度学习的车辆多属性识别装置的结构示意图

图6本申请提供的神经网络结构的结构示意图。

具体实施方式

本申请实施例提供了一种基于深度学习的车辆多属性识别方法、装置和设备，用于车辆多属性的识别，解决了现有车辆多属性识别时耗时久的技术问题。

为了使本技术领域的人员更好地理解本申请方案，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。

请参阅图1，本申请实施例中一种基于深度学习的车辆多属性识别方法的第一实施例的流程示意图，包括：

步骤101、获取待检测车辆图片。

步骤102、将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果。

需要说明的是，预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型。同时需要说明的是，如图6所示，预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。可以理解的是，两个loss层包括softmaxloss层和centerloss层，在通过该预置卷积神经网络得到预置多属性识别模型时，实现联合监督训练。

需要说明的是，Softmaxloss层是softmax和multinomial logistic loss的结合，这时如果只有softmaxloss层，从聚类角度看，提取的特征并不好，很多情况下类内间距甚至要大于类间间距，我们期望特征不仅可分，而且要求差异大，特征学习需要保证提取的特征有识别度。另一方面，softmax会使得模型过度自信，分类结果基本非1即0，有些点在边界但是softmax认为已经可以了，根本没必要再修正，softmax这种特性使得基本上没有办法去设置诸如可信度等度量。centerloss针对softmax表现出的问题(即类内间距太大了)针对性解决。对每一个类都维护一个类中心，而后在特征层如果该样本里类中心的特征太远就要惩罚，两者结合使得实验结果准确度提高约0.6％。

可以理解的是，softmax层是将每一个线性预测值进行指数变换变成非负，然后除以所有项之和进行归一化，得到某个样本属于某类的概率，multinomial logistic loss层的逻辑回归是通过最大似然函数来建立的，最大似然一般是要先取对数，即Softmaxloss的输出结果为：

其中，z_i表示第i个类别的线性预测值；m表示类别总数；是softmax的结果(即概率)；l_s是softmaxloss的输出结果(即损失)。

可以理解的是，在对预置多属性识别模型进行训练时，为了减少训练的计算量，可以将样本车辆图片分组，然后分别对每组求梯度更新参数，centerloss层希望每组训练中的每个样本的特征距离特征的中心的距离平方和越小越好，即类内距离越小越好。

更进一步地，预置卷积神经网络的data层的输入通道的宽和高尺寸大小相等。可以理解的是，因为现有图像都是R、G、B三通道的，故设计该data层的输入通道的数量为三个。

更进一步地，预置卷积神经网络的每个conv层的激活函数均为：relu。

更进一步地，预置卷积神经网络还包括：prob层，用于对车辆多属性识别时的耗时时间地计算。

本实施例中，将需要进行多属性识别的待检测车辆图片输入至，通过神经网络的深度学习得到的预置多属性识别模型中，即可得到待检测车辆图片的多属性识别结果，因为预置神经网络预置卷积神经网络相比传统的神经网络结构简单，故得到的预置多属性识别模型参数较为简单，因此在利用预置多属性识别模型时，耗时短，解决了现有车辆多属性识别时耗时久的技术问题。以上为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第一实施例，以下为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第二实施例。

请参阅图2，本申请实施例中一种基于深度学习的车辆多属性识别方法的第二实施例的流程示意图，包括：

步骤201、获取多张样本车辆图片。

需要说明的是，每张样本车辆图片中具有多属性识别标签，多属性识别标签可以包括但不限于车辆类型、车身颜色和车辆品牌。具体根据需要进行设定。

步骤202、根据每张样本车辆图片中的多属性识别标签，确定每张样本车辆图片的样本多属性识别结果。

步骤203、以预置卷积神经网络为第一训练网络、多张样本车辆图片为第一训练网络的输入指标、所有样本多属性识别结果为第一训练网络的输出结果，得到预置多属性识别模型。

步骤204、获取待检测车辆图片。

步骤205、将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果。

需要说明的是，步骤205与本申请第一实施例中步骤102的内容相同，具体描述可以参见第一实施例步骤102的内容，在此不再赘述。

本实施例中，将需要进行多属性识别的待检测车辆图片输入至，通过神经网络的深度学习得到的预置多属性识别模型中，即可得到待检测车辆图片的多属性识别结果，因为预置卷积神经网络相比传统的神经网络结构简单，故得到的预置多属性识别模型参数较为简单，因此在利用预置多属性识别模型时，耗时短，解决了现有车辆多属性识别时耗时久的技术问题。

以上为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第二实施例，以下为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第三实施例。

请参阅图3，本申请实施例中一种基于深度学习的车辆多属性识别方法的第三实施例的流程示意图，包括：

步骤301、获取多张样本车辆图片。

步骤301与本申请第二实施例中步骤201的内容相同，具体描述可以参见第二实施例步骤201的内容，在此不再赘述。

步骤302、根据每张样本车辆图片中的多属性识别标签，确定每张样本车辆图片的样本多属性识别结果。

步骤303、以VGGNet为第二训练网络、多张样本车辆图片为第二训练网络的输入指标、所有样本多属性识别结果为第二训练网络的输出结果，得到基于VGGNet的多属性识别模型。

步骤304、以预置卷积神经网络为第一训练网络、多张样本车辆图片为第一训练网络的输入指标、所有样本多属性识别结果为第一训练网络的输出结果，根据基于VGGNet的多属性识别模型通过知识蒸馏算法，得到预置多属性识别模型。

需要说明的是，本实施例中提供的预置多属性识别模型结构简单，可能使得模型性能不佳，同时VGGNet虽然对各类图像处理任务具有较为优秀的特征提取能力，故本实施例中，利用知识蒸馏的方法使得简单结构的模型学习典型结构模型的特征信息，达到典型结构模型所具有的性能，从而在保证模型性能的前提下大幅减少模型参数和计算量。可以理解的是，知识蒸馏算法属于现有技术，在此不再赘述。

步骤305、获取待检测车辆图片。

步骤306、将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果。

需要说明的是，步骤306与本申请第一实施例中步骤102的内容相同，具体描述可以参见第一实施例步骤102的内容，在此不再赘述。

本实施例中，将需要进行多属性识别的待检测车辆图片输入至，通过神经网络的深度学习得到的预置多属性识别模型中，即可得到待检测车辆图片的多属性识别结果，因为预置卷积神经网络相比传统的神经网络结构简单，故得到的预置多属性识别模型参数较为简单，因此在利用预置多属性识别模型时，耗时短，解决了现有车辆多属性识别时耗时久的技术问题。

以上为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第三实施例，以下为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第四实施例。

请参阅图4，本申请实施例中一种基于深度学习的车辆多属性识别方法的第四实施例的流程示意图，包括：

步骤401、获取多张样本车辆图片。

步骤401与本申请第二实施例中步骤201的内容相同，具体描述可以参见第二实施例步骤201的内容，在此不再赘述。

步骤402、对每张样本车辆图片进行图像变化，得到多张图像变化后的样本车辆图片。

需要说明的是，因为真实的待检测车辆图片可能出现多种情况，为了使得预置多属性识别模型的使用情况真实，可以对样本车辆图片进行图像变化，图像变化包括：加噪和/或随机擦除和/或旋转和/或亮度变化和/或仿射变换。

可以理解的是，加噪方式可以包括但不限于随机加噪、椒盐加噪、高斯加噪；随机擦除的方式：为对原始图片进行随机区域选择，并进行区域填充，实现对图片的随机擦除，增强预置关键点提取模型对遮挡待检测车辆图片的提取能力；旋转的方式为：以原始图片的中心点为圆点，将图像上所有像素点进行旋转，旋转范围包括顺时针旋转3～5°，逆时针旋转3～5°，增强预置关键点提取模型对有一定角度的待检测车辆图片的适应能力。亮度变化可以是利用自适应对比度增强算法对图像进行亮度的调整。

步骤403、根据每张图像变化后的样本车辆图片中的多属性识别标签，确定每张图像变化后的样本车辆图片的样本多属性识别结果。

步骤404、以预置卷积神经网络为第一训练网络、多张图像变化后的样本车辆图片为第一训练网络的输入指标、所有样本多属性识别结果为第一训练网络的输出结果，得到预置多属性识别模型。

步骤405、获取待检测车辆图片。

步骤406、将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果。

需要说明的是，步骤406与本申请第一实施例中步骤102的内容相同，具体描述可以参见第一实施例步骤102的内容，在此不再赘述。

本实施例中，将需要进行多属性识别的待检测车辆图片输入至，通过神经网络的深度学习得到的预置多属性识别模型中，即可得到待检测车辆图片的多属性识别结果，因为预置卷积神经网络相比传统的神经网络结构简单，故得到的预置多属性识别模型参数较为简单，因此在利用预置多属性识别模型时，耗时短，解决了现有车辆多属性识别时耗时久的技术问题。

以上为本申请实施例提供的一种基于深度学习的车辆多属性识别方法的第四实施例，以下为本申请实施例提供的一种基于深度学习的车辆多属性识别装置的实施例，请参阅图5。

本申请实施例中提供的一种基于深度学习的车辆多属性识别装置，包括：

图片获取模块501，用于获取待检测车辆图片。

属性识别模块502，用于将待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到待检测车辆图片的多属性识别结果，预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型。

预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

本申请实施例还提供了一种基于深度学习的车辆多属性识别设备，设备包括处理器以及存储器：存储器用于存储程序代码，并将程序代码传输给处理器，处理器用于根据程序代码中的指令执行前述实施例一至实施例四任一所述的基于深度学习的车辆属性的多属性识别方法，从而执行的各种功能应用以及数据处理。

本申请实施例还提供了一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述实施例一至实施例四任一所述的基于深度学习的车辆属性的多属性识别方法中的任意一种实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，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。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的车辆多属性识别方法，其特征在于，包括：

获取待检测车辆图片；

将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多张样本车辆图片，每张样本车辆图片中具有多属性识别标签，所述多属性识别标签包括车辆类型、车身颜色和车辆品牌；

根据每张所述样本车辆图片中的所述多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果；

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型。

3.根据权利要求2所述的方法，其特征在于，所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型之前还包括：

以VGGNet为第二训练网络、多张所述样本车辆图片为所述第二训练网络的输入指标、所有所述样本多属性识别结果为所述第二训练网络的输出结果，得到基于VGGNet的多属性识别模型；

所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型具体为：

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，根据所述基于VGGNet的多属性识别模型通过知识蒸馏算法，得到所述预置多属性识别模型。

4.根据权利要求2所述的方法，其特征在于，所述获取多张样本车辆图片之后还包括：

对每张所述样本车辆图片进行图像变化，得到多张图像变化后的样本车辆图片，所述图像变化包括：加噪和/或随机擦除和/或旋转和/或亮度变化和/或仿射变换；

则所述根据每张所述样本车辆图片中的多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果具体为：

根据每张所述图像变化后的样本车辆图片中的所述多属性识别标签，确定每张所述图像变化后的样本车辆图片的样本多属性识别结果。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络还包括：prob层。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络的所述data层的输入通道的宽和高尺寸大小相等。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络的每个所述conv层的激活函数均为：relu。

8.一种基于深度学习的车辆多属性识别装置，其特征在于，包括：

图片获取模块，用于获取待检测车辆图片；

属性识别模块，用于将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

9.一种基于深度学习的车辆多属性识别设备，其特征在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1至7中任一项所述的方法。

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用于存储程序代码，所述程序代码用于执行权利要求1至7中任一项所述的方法。