具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种过车记录的确定方法的流程图,本实施例提供的过车记录的确定方法尤其适用于获取无牌车和套牌车的过车记录的情况,其可以由过车记录的确定装置来执行,该过车记录的确定装置可通过硬件和/或软件的方式实现,并集成在具有过车记录确定功能的设备中。参考图1,该过车记录的确定方法包括:
步骤110、获取目标车辆的车身图像。
具体的,可以将用户输入或选取的图像输入的图像确定为包含目标车辆的图像,并基于该包含目标车辆的图像获取目标车辆的车身图像。其中,车身图像的获取方法可以根据需要选取,如可以判断目标车辆在该包含目标车辆的图像中的背景色是否为单一的颜色或有规则的图案,若是,则将其背景处理为默认的背景色,如白色,以得到目标车辆的车身图像;若否,则基于车辆的图像特征,从该包含目标车辆的图像中截取目标车辆的车身图像。
示例性的,在确定包含目标车辆的图像时,可以基于用户的输入操作,将用户输入的图像确定为包含目标车辆的图像,或者,向用户展示本地或与本机相连的其他终端存储的车辆图像,并将用户选取的图像确定为包含目标车辆的图像。在确定包含目标车辆的图像后,可以基于相应的车辆识别算法,如基于预先设置的车辆数量识别模型的,确定该图像中是否仅包含一辆车辆的图像,若是,则将该图像中所包含的车辆确定为目标车辆;若否,则可以进一步基于用户的选取操作确定该图像中的目标车辆。
步骤120、根据所述车身图像确定所述目标车辆的特征信息,所述特征信息包括CNN特征,所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征,所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层。
本实施例中,目标车辆的CNN(Convolutional Neural Networks,卷积神经网络)特征可以为目标车辆的目标区域在预设卷积神经网络模型中的特征,该预设卷积神经网络模型可以为表征目标车辆的目标区域的图像特征的神经网络模型,该特征可以为卷积神经网络模型中某一层输入或输出的特征向量。相应的,在获取目标车辆的特征信息时,可以将目标车辆的目标区域的图像输入至该预设卷积神经网络模型中,并获取其相应层输入或输出的CNN特征向量作为目标车辆的CNN特征。
本实施例中,预设卷积神经网络中卷积层和池化层的数量可以根据需要设置,如预设卷积神经网络中的卷积层可以设置为10、15、20、22等层数,预设卷积神经网络中的池化层可以设置为3、4、5等层数;预设卷积神经网络可以通过训练获得,如可以获取一定数量的车辆的目标区域的图像作为训练样本(如获取1万辆车在不同角度、不同位置和/或不同时间点拍摄的目标区域的图像,得到51万个训练样本),将各训练样本输入至卷积神经网络模型中进行训练,得到预设卷积神经网络模型。其中,各训练样本对应的训练结果可以设置为任意的图像特征标签,只需相同的训练样本(即相同车辆的目标区域的图像)对应的标签相同,不同的训练样本对应的标签不同即可;预设卷积神经网络模型输入层的输入可以为3通道256*256的图像,即将各训练样本均处理为3通道256*256的图像的形式输入至卷积神经网络模型中,此时,预设卷积神经网络模型输出层输出图像特征标签,预设卷积神经网络模型输出层之前的全连接层的输出维度为512;训练时的超参数mini-batch可设置为128,迭代训练次数可设置为6000次,每次迭代时的训练样本可以从各训练样本中随机获取;学习率可由0.1逐步下降到0.0001,其下降幅度可以根据需要设置。
在训练过程中,可以利用正则化系数来衡量经验损失和正则项的比重,利用该比重控制卷积神经网络参数的收缩,从而避免出现训练过拟合的情况,增强模型的泛化能力。其中,经验损失与正则项的比重可以根据需要设置,如设置为1:0.005;经验损失可以通过计算获得,如在训练过程中,使用softmax-loss和center-loss作为监督信号,利用softmax-loss计算不同车辆的类间差异,利用center-loss计算同一车辆的类内差异,计算二者的加权和,如将类间差异和类内差异按照1:0.003等权重求和,得到当前时刻卷积神经网络的经验损失。
在此,需要说明的是,此处的不同车辆不仅仅包含车辆类型、车身颜色和/或车辆的品牌款型不同的车辆;还包括车辆类型、车身颜色以及车辆的品牌款型相同,但是车辆目标区域的图像特征存在不同的车辆,如车辆车脸区域的车牌号、车灯的型号、车灯的颜色或车辆车窗内的装饰等不同的车辆。由于不同车辆类型、不同车身颜色、不同品牌款型或不同装饰的车辆的目标区域通常具有不同的图像特征,因此,本申请实施例将由于车辆类型、车身颜色、车辆的品牌款型、车辆的装饰等不同形成的不同的车辆目标区域的图像作为不同的训练样本训练得到的预设卷积神经网络模型,可以识别出目标区域具有不同图像特征的车辆,即其不但可以识别出车辆类型、车身颜色或车辆的品牌款型不同的车辆;还可以识别出车辆类型、车身颜色以及车辆的品牌款型相同,但是车辆的装饰等不同的车辆。
步骤130、基于所述特征信息,在过车记录图库中查找所述目标车辆,以得到所述目标车辆的过车记录。
由于预设卷积神经网络能够识别出目标区域图像特征不相同的车辆,即目标区域的图像不相同的车辆在预设卷积神经网络中的CNN特征也是不相同的,因此,本申请可以将目标车辆CNN特征作为目标车辆特征信息,基于该特征信息在过车记录图库中查找该目标车辆的图像,以得到目标车辆的过车记录。
示例性的,在查找目标车辆时,可以按照一定的规则获取过车记录图库中的图片,如随机获取或按照预设的顺序(如按照拍摄时间的先后顺序等)获取过车记录图库中的图片,将图片中各车辆的CNN特征与目标车辆的CNN特征进行比较,并将比较确定其CNN特征与目标车辆的CNN特征相同的车辆确定为目标车辆;或者,分别计算图片中的各车辆的CNN特征与目标车辆的CNN特征之间的相似度,并将CNN特征的相似度大于预设相似度阈值的车辆确定为目标车辆。其中,过车记录图库中的图片可以为各路口摄像头拍摄到的过车记录图片。
本实施例中,在查找得到包含目标车辆的图片后,可以将各图片随机或按照一定顺序展示给用户,如按照图片中被确定为目标车辆的车辆的CNN特征与目标车辆的CNN特征之间的相似度由高到低的顺序将图片展示给用户,以便于用户对相似度较高的车辆进行查看;或者,按照各图片的拍摄时间的先后顺序将图片展示给用户,以便于用户了解车辆的行驶路线信息。
上述,通过根据目标车辆的车身图像确定目标车辆的特征信息,所述特征信息包括目标车辆的目标区域在预设卷积神经网络模型中的CNN特征,进而,根据该特征信息,在过车记录图库中查找包含目标车辆的图片,得到目标车辆的过车记录的方式,提高了所获取的过车记录的精度,降低了在确定过车记录过程中出现车辆误识别或漏识别的概率。
在上述实施例的基础上,图2给出了本申请实施例提供的另一种过车记录的确定方法的流程图。该过车记录的确定方法是对上述过车记录的确定方法的具体化。参考图2,该过车记录的确定方法包括:
步骤210、获取目标车辆的车身图像。
步骤220、根据所述车身图像获取所述目标车辆的目标区域图像。
具体的,可以根据目标区域的图像特征从目标车辆的车身图像中截取得到目标区域的图像。其中,目标区域可以为目标车辆任意具有标示性特征的区域。由于不同的车辆,其车牌号以及车窗内的装饰通常不完全相同,因此,本实施例优选可以采用车脸区域和/或车窗区域作为目标区域,以进一步提高车辆识别时的准确率。
可选的,当所述目标区域包括车脸区域时,所述根据所述车身图像获取所述目标车辆的目标区域图像,包括:识别所述车身图像中所述目标车辆的车牌区域;如果识别成功,则根据所述车牌区域在所述车身图像中的位置估计所述目标车辆的车脸区域,并截取所述车脸区域的图像;如果识别失败,则采用预设车脸定位算法对所述目标车辆的车脸区域进行定位,并在成功定位到车脸区域时,截取所述车脸区域的图像。示例性的,当定位到车牌区域时,可以以车牌的边界为起点向四周扩展,直至当前像素行/像素列与下一像素行/像素列的灰度值变化梯度大于预设梯度值为止,并将灰度值变化梯度大于预设梯度值时的当前像素行和像素列的边界确定为车脸区域的边界;当未定位到车牌区域时,可以识别车灯和车辆的前保险杠,并将车灯与前保险杠所围成的、包含车灯与前保险杠的矩形区域确定为车脸区域。
可选的,当所述目标区域包括车窗区域时,可以识别车辆的前挡风玻璃,并将前挡风玻璃形成的区域确定为车窗区域。其中,前挡风玻璃可以根据车身图像中各部位的亮度、纹路、年检标等确定,本实施例不对此进行限制。考虑到所确定车窗区域的准确性,优选可以基于年检标识别前挡风玻璃,如将年检标所位于的、形状与车辆前挡风玻璃的形状相似度较高的区域确定为车窗区域,等等。
步骤230、将所述目标区域图像输入至预设卷积神经网络模型中,并获取所述预设卷积神经网络模型的目标全连接层的CNN特征向量,作为所述目标车辆的CNN特征,其中,所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的CNN特征,所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层。
示例性的,可以将目标区域的图像输入至预设卷积神将网络模型中进行运算,得到目标全连接层的CNN特征向量,以确定目标车辆的CNN特征。其中,目标全连接层的CNN特征向量可以为预设卷积神经网络中的任意一个全连接层输出或输入的CNN特征向量。优选的,当预设卷积神经网络仅存在一个全连接层时,可以将此全连接层确定为目标全连接层;当预设卷积神经网络存在多个全连接层时,可以将预设卷积神经网络中的第一个全连接层确定为目标全连接层;当目标全连接层之前的一层为连接层时,可以将目标全连接层输入的CNN特征向量(即前一层连接层输出的CNN特征向量)确定为目标车辆的CNN特征;当目标全连接层的前一层不为连接层时,可以将目标全连接层输出的CNN特征向量确定为目标车辆的CNN特征,以在确保目标车辆的CNN特征的准确性的前提下,减小目标车辆CNN特征的维度。
步骤240、基于所述特征信息,在过车记录图库中查找包含所述目标车辆的图片,以得到所述目标车辆的过车记录。
上述,通过根据车身图像获取目标车辆的目标区域图像,将目标区域图像输入到预设卷积神经网络模型中,获取预设卷积神经网络模型的目标全连接层的CNN特征向量作为目标车辆的CNN特征,并基于该CNN特征在过车记录图库中查找目标车辆,得到目标车辆的过车记录的方式,可以进一步提高所确定过车记录的准确率,提高用户的使用体验。
在上述实施例的基础上,参考图3,所述预设卷积神经网络可以包括依次连接第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第三池化层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第四池化层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、连接层以及全连接层;所述预设卷积神经网络还包括第五池化层,所述第五池化层分别与所述第十五卷积层以及所述连接层相连。在此,连接层concat可以将其输入的多个CNN特征向量融合为一个CNN特征向量,以确保与其相连的全连接层仅有一个输入;依次连接可以理解为前一层的输出端与后一层的输入端相连,前一层的输出为后一层的输入,即第一卷积层的输出为第二卷积层的输入,第二卷积层的输出为第一池化层的输入,以此类推,此处不再一一列举说明。
此时,本申请实施例中的预设卷积神经网络包含两个子网络,其中,第一子网络包括第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第三池化层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第四池化层、第十九卷积层、第二十卷积层、第二十一卷积层和第二十二卷积层,第二子网络包括第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第三池化层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层和第五池化层,从而,预设卷积神经网络通过合并子网络,能够增加网络的宽度,增加模型对CNN特征的表达能力。
其中,各卷积层的卷积核的个数(num_output)、核的大小(kernel_size)、步长(stride)和扩充边缘(pad)等参数以及各池化层的类型、kernel_size和stride等参数可以根据需要设置。优选的,第一卷积层、第二卷积层、第三卷积层和第四卷积层的num_output可以设置64,第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层和第十卷积层的num_output可以设置为128,第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层和第十八卷积层的num_output可以设置为256,第十九卷积层、第二十卷积层、第二十一卷积层和第二十二卷积层的num_output可以设置为512;各卷积层的kernel_size可以设置为3,各卷积层的stride可以设置为1,各卷积层的pad可以设置为1;各池化层的类型可以为Max,各池化层的kernel_size可以设置为2,各池化层的stride可以设置为2,以进一步提高预设卷积神经网络全连接层的CNN特征向量的准确性。
可以理解的是,除图3中所示的各层外,预设卷积神经网络还可以包括输入层、输出层、softmax-loss层(交叉熵损失层)、center-loss层和另外一个或多个全连接层,以包括另外一个全连接层为例,此时,输出层可以与第一卷积层相连,center-loss层可以分别与图3中的全连接层以及此另外一个全连接层相连,此另外一个全连接层可以与softmax-loss层相连,softmax-loss层可以与输出层相连。
在上述实施例的基础上,为了避免增加的层数导致更多的误差,造成网络退化,本申请实施例优选可以采用残差网络ResNet的残差块结构代替deep plain net,参照图4,残差块除残差层之外还可以包括一层、两层或更多层,图4中以包含两层为例,残差块中的第一层的输入为x,则其第一层的输出(即第二层的输入)为:F1(x)=W2σ1(W1x),其中,σ1为第一层的非线性函数ReLU1,W1和W2为第一层的参量;其第二层的输出为:F2(x)=W4σ2(W3F1(x)),其中,σ2为第二层的非线性函数ReLU2,W3和W4为第二层的参量,从而,该残差块中的残差层的输出为:y=F2(x)+x。
当预设卷积神经网络包含残差块时,优选的,参考图5,所述预设卷积神经网络可以包括第一残差层、第二残差层、第三残差层、第四残差层、第五残差层、第六残差层和第七残差层,其中,所述第一残差层的输入为所述第一池化层和所述第四卷积层的输出,所述第一残差层的输出为所述第五卷积层的输入;所述第二残差层的输入为所述第二池化层和所述第八卷积层的输出,所述第二残差层的输出为所述第三残差层和所述第九卷积层的输入;所述第三残差层的输入为所述第二残差层和所述第十卷积层的输出,所述第三残差层的输出为所述第十一卷积层的输入;所述第四残差层的输入为所述第三池化层和所述第十三卷积层的输出,所述第四残差层的输出为所述第五残差层和所述第十四卷积层的输入;所述第五残差层的输入为所述第四残差层和所述第十五卷积层的输出,所述第五残差层的输出为所述第六残差层、所述第十六卷积层和所述第五池化层的输入;所述第六残差层的输入为所述第五残差层和所述第十七卷积层的输出,所述第六残差层的输出为所述第十八卷积层的输入;所述第七残差层的输入为所述第二十卷积层和所述第二十二卷积层的输出,所述第七残差层的输出为所述连接层的输入。
在上述实施例的基础上,图6给出了本申请实施例提供的另一种过车记录的确定方法的流程图。该过车记录的确定方法是对上述过车记录的确定方法的具体化。参考图6,该过车记录的确定方法包括:
步骤310、获取目标车辆的车身图像。
步骤320、根据所述车身图像确定所述目标车辆的特征信息,所述特征信息包括属性特征和CNN特征,所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征,所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层。
步骤330、自所述过车记录图库中查询与所述属性特征相符的相似车辆,得到所述相似车辆的图像集,其中,所述属性特征包括车辆类型、车身颜色和品牌款型中的至少一种。
本实施例中,可以首先采用目标车辆的属性特征对过车记录图库各图片中的车辆进行初步筛选,得到包含属性特征与目标车辆的属性特征相同的相似车辆的图像集,从而,在后续识别过程中,仅将相似车辆的CNN特征与目标车辆的CNN特征对比即可得到目标车辆的过车记录,避免需要将过车记录图库各图片中的车辆的CNN特征一一与目标车辆的CNN特征进行对比的情况的发生,减少过车记录过程中所需的计算量。
本实施例中,属性特征可以包括车辆类型、车身颜色和品牌款型中的至少一种,优选同时包括车辆类型、车身颜色和品牌款型,以确保基于属性特征筛选得到的相似车辆与目标车辆之间具有较高的相似程度,进一步减小需要基于CNN特征进行对比的车辆的数量。其中,车辆类型可以为客车、货车等,客车可以进一步分为微型客车、小型客车、中型客车和大型客车等;车辆类型和车身颜色可以基于车辆的图像特征确定,品牌款型可以基于车辆图像中的商标、车灯的类型以及车辆进气栅格的形状等确定,如可以基于车辆图像中的商标图案确定车辆的品牌,并基于车辆图像中的车灯图案(和/或进气栅格的图案)识别车辆的车灯类型(和/或进气栅格的形状),进而确定车辆所属的款型。
步骤340、分别计算所述图像集中的各相似车辆的CNN特征与所述目标车辆的CNN特征之间的相似度,并将相似度大于设定相似度阈值的相似车辆确定为所述目标车辆,以得到所述目标车辆的过车记录。
由于在使用过程中,目标车辆目标区域的图像可能存在轻微的变化,如驾车司机、驾车司机服饰或车辆内装饰等的变化导致车窗区域的图像出现变化、在车脸部位粘贴或撤销贴纸类装饰品等导致车脸区域的图像出现变化或者外部光线的变化导致目标区域图像出现变化等,导致目标车辆在不同的时刻的CNN特征可能不完全相同,因此,本实施例优选可以基于各相似车辆的CNN特征与目标车辆CNN特征之间的相似度是否超过设定相似度阈值对相似车辆进行筛选,以避免出现漏识别的情况。
具体的,针对每一辆相似车辆,计算该相似车辆的CNN特征与目标车辆的CNN特征之间的相似度,并判断该相似度是否大于设定相似度阈值,若是,则将该相似车辆确定为目标车辆,为该相似车辆所属的图片添加相应的标志,以将该相似车辆所属的图片与其他未包含目标车辆的图片进行区分;若否,则将该相似车辆确定为非目标车辆。其中,设定相似度阈值可以根据需要设置,如可以设置为0.9或0.8等阈值;相似车辆的CNN特征可以直接从过车记录图库中获得,也可以基于预设卷积神经网络模型获得,相应的,可以预先将过车记录图库中每张图片中的每一车辆均输入至预设卷积神经网络模型中,得到每张图片中的每一车辆的CNN特征,并将其对应存储于过车记录图库中;也可以在得到相似车辆的图像集之后,分别获取各相似车辆目标区域的图像,依次将各相似车辆目标区域的图像输入至预设卷积神经网络模型中,得到每辆相似车辆的CNN特征,本实施例不对此进行限制。
上述,通过根据目标车辆的车身图像确定目标车辆的属性特征和CNN特征,在过车记录图库中查询与目标车辆的属性特征相符的相似车辆,得到相似车辆的图像集,分别计算图像集中的各相似车辆的CNN特征与目标车辆的CNN特征之间的相似度,并将相似度大于设定相似度阈值的相似车辆确定为目标车辆,得到目标车辆的过车记录的方式,可以在提高所确定的过车记录的精度、降低车辆误识别或漏识别的情况发生的概率的前提下,进一步减少过车记录确定过程中所需的计算量,提高过车记录的确定速度。
在上述实施例的基础上,图7为本申请实施例提供的一种过车记录的确定装置的结构示意图。参考图7,本实施例提供的过车记录的确定装置具体包括:图像获取模块401、特征信息确定模块402以及图片查找模块403。
其中,图像获取模块401,用于获取目标车辆的车身图像;特征信息确定模块402,用于根据所述车身图像确定所述目标车辆的特征信息,所述特征信息包括CNN特征,所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征,所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层;图片查找模块403,用于基于所述特征信息,在过车记录图库中查找所述目标车辆,以得到所述目标车辆的过车记录。
上述,通过根据目标车辆的车身图像确定目标车辆的特征信息,所述特征信息包括目标车辆的目标区域在预设卷积神经网络模型中的CNN特征,进而,根据该特征信息,在过车记录图库中查找包含目标车辆的图片,得到目标车辆的过车记录的方式,提高了所获取的过车记录的精度,降低了在确定过车记录过程中出现车辆误识别或漏识别的概率。
在上述方案中,所述特征信息确定模块402可以包括:图像获取单元,用于根据所述车身图像获取所述目标车辆的目标区域图像;CNN特征确定单元,用于将所述目标区域图像输入至预设卷积神经网络模型中,并获取所述预设卷积神经网络模型的目标全连接层的CNN特征向量,作为所述目标车辆的CNN特征。
在上述方案中,所述目标区域可以包括车脸区域,所述图像获取单元具体可用于:识别所述车身图像中所述目标车辆的车牌区域;如果识别成功,则根据所述车牌区域在所述车身图像中的位置估计所述目标车辆的车脸区域,并截取所述车脸区域的图像;如果识别失败,则采用预设车脸定位算法对所述目标车辆的车脸区域进行定位,并在成功定位到车脸区域时,截取所述车脸区域的图像。
在上述方案中,所述目标区域还可以包括车窗区域。
在上述方案中,所述特征信息还可以包括属性特征,所述图片查找模块403可以包括:相似车辆查找单元,用于自所述过车记录图库中查询与所述属性特征相符的相似车辆,得到所述相似车辆的图像集,其中,所述属性特征包括车辆类型、车身颜色和品牌款型中的至少一种;记录确定单元,用于分别计算所述图像集中的各相似车辆的CNN特征与所述目标车辆的CNN特征之间的相似度,并将相似度大于设定相似度阈值的相似车辆确定为所述目标车辆,以得到所述目标车辆的过车记录。
在上述方案中,所述预设卷积神经网络可以包括依次连接第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第三池化层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第四池化层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、连接层以及全连接层;所述预设卷积神经网络还包括第五池化层,所述第五池化层分别与所述第十五卷积层以及所述连接层相连。
在上述方案中,所述预设卷积神经网络还可以包括第一残差层、第二残差层、第三残差层、第四残差层、第五残差层、第六残差层和第七残差层,其中,所述第一残差层的输入为所述第一池化层和所述第四卷积层的输出,所述第一残差层的输出为所述第五卷积层的输入;所述第二残差层的输入为所述第二池化层和所述第八卷积层的输出,所述第二残差层的输出为所述第三残差层和所述第九卷积层的输入;所述第三残差层的输入为所述第二残差层和所述第十卷积层的输出,所述第三残差层的输出为所述第十一卷积层的输入;所述第四残差层的输入为所述第三池化层和所述第十三卷积层的输出,所述第四残差层的输出为所述第五残差层和所述第十四卷积层的输入;所述第五残差层的输入为所述第四残差层和所述第十五卷积层的输出,所述第五残差层的输出为所述第六残差层、所述第十六卷积层和所述第五池化层的输入;所述第六残差层的输入为所述第五残差层和所述第十七卷积层的输出,所述第六残差层的输出为所述第十八卷积层的输入;所述第七残差层的输入为所述第二十卷积层和所述第二十二卷积层的输出,所述第七残差层的输出为所述连接层的输入。
本申请实施例提供的过车记录的确定装置可以用于执行上述实施例提供的过车记录的确定方法,具备相应的功能和有益效果。
本申请实施例提供了一种设备,该设备中可集成本申请实施例提供的过车记录的确定装置。图8是本申请实施例提供的一种设备的结构示意图。参考图8,该设备包括处理器50和存储器51,还可以包括输入装置52以及输出装置53。该设备中处理器50的数量可以是一个或者多个,图8中以一个处理器50为例。该设备中存储器51的数量可以是一个或者多个,图8中以一个存储器51为例。该设备的处理器50、存储器51、输入装置52以及输出装置53可以通过总线或者其他方式连接,图8中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的过车记录的确定方法对应的程序指令/模块(例如过车记录的确定装置中的图像获取模块401、特征信息确定模块402和图片查找模块403)。存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或者字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,还可以是用于采集车辆图像的摄像头。输出装置53可以包括显示屏等。需要说明的是,输入装置52和输出装置53的具体组成可以根据实际情况设定。
处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述过车记录的确定方法。
上述提供的设备可用于执行上述实施例提供的过车记录的确定方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行过车记录的确定方法,该过车记录的确定方法包括:获取目标车辆的车身图像;根据所述车身图像确定所述目标车辆的特征信息,所述特征信息包括CNN特征,所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征,所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层;基于所述特征信息,在过车记录图库中查找包含所述目标车辆的图片,以得到所述目标车辆的过车记录。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的过车记录的确定方法,还可以执行本申请任意实施例所提供的过车记录的确定方法中的相关操作。
上述实施例中提供的过车记录的确定装置、存储介质及设备可执行本申请任意实施例所提供的过车记录的确定方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的过车记录的确定方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。