CN110751037A - 车身颜色识别的方法及终端设备 - Google Patents
车身颜色识别的方法及终端设备 Download PDFInfo
- Publication number
- CN110751037A CN110751037A CN201910874556.6A CN201910874556A CN110751037A CN 110751037 A CN110751037 A CN 110751037A CN 201910874556 A CN201910874556 A CN 201910874556A CN 110751037 A CN110751037 A CN 110751037A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- color
- model
- training sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供一种车身颜色识别的方法及终端设备,该方法包括:通过分别截取多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;采用模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;将颜色识别图片输入目标神经网络模型中,获得颜色识别结果。由于使用对训练后的预设轻量级卷积神经网络模型进行颜色识别,从而大大减少颜色特征提取的计算量,轻量级分类网络在保证检测进度的同时,鲁棒性较高,并且能够更快的进行结果预测。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种车身颜色识别的方法及终端设备。
背景技术
随着车辆数量和交通出行量的不断增长,汽车套牌、一车多牌、一牌多车等妨碍交通秩序的违法犯罪行为也变得尤为突出,传统的车辆识别技术已经不能满足智能交通车辆识别在新形势下的需求。因此,车身颜色识别技术变得尤为重要,它弥补了智能车辆识别系统中车辆颜色特征信息的技术空白,丰富了车辆识别的特征信息,并且对打击汽车套牌等犯罪行为有非常重要的意义。
现有车身颜色识别方案中,通过提取手工设计特征的传统识别方法,或者基于卷积神经网络(Convolutional Neural Network,CNN)提取特征的深度学习方法,然而上述车身颜色识别方案中,传统算法由于是人工设计的特征,在实际应用中,鲁棒性不高,容易受到相机安装角度,环境光照变化等问题的影响,导致识别精度不理想;深度学习分类方法,常用的深度神经网络识别车身颜色模型往往过大,导致识别速度变慢。
发明内容
有鉴于此,本发明实施例提供了一种车身颜色识别的方法及终端设备,以解决现有技术中鲁棒性较低以及识别速度慢的问题。
本发明实施例的第一方面提供了一种车身颜色识别的方法,包括:
获取多个待检测车辆的图片;
分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;
采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;
将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
在一实施例中,所述预设轻量级卷积神经网络模型包括一个基础卷积层、多个分离卷积单元和一个全连接层;
每个分离卷积单元包括一个深度可分离卷积层和一个标准卷积层;
所述深度可分离卷积层的不同的输入通道对应不同的卷积核,用于对不同的输入通道分别进行卷积运算;
所述标准卷积层的不同的输入通道对应相同的卷积核,用于对所述深度可分离卷积层各个通道输出的结果进行结合。
在一实施例中,所述全连接层中包括分类器,所述分类器用于对所述颜色识别图片中的颜色进行分类。
在一实施例中,所述采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型,包括:
将所述模型训练样本划分为训练样本和检测样本;
采用所述训练样本对预设轻量级卷积神经网络模型进行迭代训练,并获得网络模型的权重和偏置值;
采用所述网络模型的权重和所述偏置值更新所述预设轻量级卷积神经网络模型;
采用检测样本对更新后的轻量级卷积神经网络模型进行检测,获得检测结果;
当所述检测结果大于或等于预设阈值时,所述更新后的轻量级卷积神经网络模型为目标神经网络模型;
当所述检测结果小于预设阈值时,重新采用新的训练样本对更新后的轻量级卷积神经网络模型进行训练,直到获得目标神经网络模型。
在一实施例中,所述目标神经网络模型为:
其中,所述f(xi)表示识别网络预测概率,所述yi表示真实类别标签,所述λ表示正则化系数,所述J(f)表示正则化项,所述L表示损失函数,所述N表示所述训练样本的总数。
在一实施例中,所述分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片,包括:
根据所述多个待检测车辆的图片中的车辆位置信息,分别截取所述多个待检测车辆的图片中具有车辆颜色特征的任意区域作为车辆颜色识别区域,获得型训练样本和颜色识别图片。
在一实施例中,在所述获得模型训练样本和颜色识别图片之后,还包括:
对所述模型训练样本和所述颜色识别图片进行预处理,得到预处理后的模型训练样本和颜色识别图片。
在一实施例中,所述对所述模型训练样本和所述颜色识别图片进行预处理,包括:
对所述模型训练样本和所述颜色识别图片进行尺寸缩放,并将尺寸缩放后的模型训练样本和颜色识别图片的各通道的每个像素值缩小N倍,得到预处理后的模型训练样本和颜色识别图片,所述N为小于1的正数。
本发明实施例的第二方面提供了一种车身颜色识别的装置,包括:
获取模块,用于获取多个待检测车辆的图片;
截取模块,用于分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;
训练模块,用于采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;
颜色识别模块,用于将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
本发明实施例的第三方面提供了一种终端设备,包括:包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述车身颜色识别的方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过分别截取多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;采用模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;将颜色识别图片输入目标神经网络模型中,获得颜色识别结果。由于使用对训练后的预设轻量级卷积神经网络模型进行颜色识别,从而大大减少颜色特征提取的计算量,轻量级分类网络在保证检测进度的同时,鲁棒性较高,并且能够更快的进行结果预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车身颜色识别的方法的实现流程示意图;
图2是本发明实施例提供的获得目标神经网络模型方法的流程示意图;
图3是本发明实施例提供的车身颜色识别的装置的示例图;
图4是本发明另一实施例提供的车身颜色识别的装置的示意图;
图5是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的一种车身颜色识别的方法的实现流程示意图,详述如下。
步骤101,获取多个待检测车辆的图片。
对待检测的车辆拍摄图片,可对一辆待检测车辆拍摄多张图片,也可以对多个待检测车辆拍摄多张图片。
步骤102,分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片。
可选的,本步骤可以为根据所述多个待检测车辆的图片中的车辆位置信息,分别截取所述多个待检测车辆的图片中具有车辆颜色特征的任意区域作为车辆颜色识别区域,获得型训练样本和颜色识别图片。
在获得模型训练样本和颜色识别图片之后,可以对图片进行预处理,对所述模型训练样本和所述颜色识别图片进行预处理可以包括:对所述模型训练样本和所述颜色识别图片进行尺寸缩放,并将尺寸缩放后的模型训练样本和颜色识别图片的各通道的每个像素值缩小N倍,得到预处理后的模型训练样本和颜色识别图片,所述N为小于1的正数。对图像数值缩小,使得预处理后的图片更加符合轻量级卷积神经网络模型的特性,使轻量级卷积神经网络模型可以更好地拟合数据。
例如,将模型训练样本和所述颜色识别图片进行尺寸变化,图片大小尺寸缩放为112*112,并将缩放后的图片的各通道的每个像素值分别乘以0.017,得到预处理后的图片。需要说明的是,N还可以为其它小于1的正数,在本申请中不对N的值进行限定。
步骤103,采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型。
可选的,所述预设轻量级卷积神经网络模型包括一个基础卷积层、多个分离卷积单元和一个全连接层;每个分离卷积单元包括一个深度卷积Depthwise convolution层和一个点卷积pointwise convolution层;所述Depthwise convolution层的卷积核为3*3大小,步长为2,pad为1,所述Depthwise convolution层的不同的输入通道对应不同的卷积核,用于对不同的输入通道分别进行卷积运算;所述pointwise convolution层的卷积核为1*1大小,步长为1,所述pointwise convolution层的不同的输入通道对应相同的卷积核,用于对所述深度可分离卷积层各个通道输出的结果进行结合。
pointwise convolution层为标准的卷积层,只不过采用1*1大小的卷积核。
Depthwise convolution层和标准卷积层不同,对于标准卷积其卷积核是用在所有的输入通道上,而depthwise convolution针对每个输入通道采用不同的卷积核,就是说一个卷积核对应一个输入通道,所以depthwise convolution为深度级别的操作。
采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练时,即采用深度可分离卷积depthwise separable convolution对模型训练样本进行特征计算,其首先是采用depthwise convolution对不同输入通道分别进行卷积运算,然后采用pointwiseconvolution将上面的输出结果再进行结合,这样其实整体效果和一个标准卷积是类似的,但是会大大减少计算量和模型参数量。
可选的,所述全连接层中包括softmax分类器,所述分类器用于对所述颜色识别图片中的颜色进行分类。分类器可以为softmax分类器。
如表一所示的预设轻量级卷积神经网络模型的网络结构。
表一
需要说明的是,预设轻量级卷积神经网络模型中并未使用池化层。池化层的作用是用于特征降维,有一定的平移不变性,同时可以提高轻量级卷积神经网络模型的容错性。如果本申请中使用池化层进行特征降采样,会丢失很多有效信息,从而降低了轻量级卷积神经网络模型的识别效果。
可选的,如图2所示,本步骤采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型,可以包括以下步骤。
步骤201,将所述模型训练样本划分为训练样本和检测样本。
可选的,本步骤的划分方式可以为随机划分,也可以按照一定的规则划分,例如按照一定的比例划分训练样本和检测样本,可以选择有放回的划分方式也可以采用无放回的划分方式,本申请中对划分方式不进行限定。
步骤202,采用所述训练样本对预设轻量级卷积神经网络模型进行迭代训练,并获得网络模型的权重和偏置值。
可选的,采用训练样本对预设轻量级卷积神经网络模型进行训练,可以获得训练结果,即网络模型的权重和偏置值,将训练结果代入预设轻量级卷积神经网络模型进行更新,然后再采用训练样本对更新后的轻量级卷积神经网络模型进行训练,然后再进行更新,如此反复迭代计算,迭代预设次数后获得网络模型的权重和偏置值。
步骤203,采用所述网络模型的权重和所述偏置值更新所述预设轻量级卷积神经网络模型。
步骤204,采用检测样本对更新后的轻量级卷积神经网络模型进行检测,获得检测结果。
步骤205,当所述检测结果大于或等于预设阈值时,所述更新后的轻量级卷积神经网络模型为目标神经网络模型。
步骤206,当所述检测结果小于预设阈值时,重新采用新的训练样本对更新后的轻量级卷积神经网络模型进行训练,直到获得目标神经网络模型。
可选的,在网络训练阶段,将cnn网络学习特征作为softmax分类器的输入数据,softmax是多分类的逻辑回归分类器,假设最终输出类别为m,则输出向量维度为m,m分别表示每一种分类结果对应的概率值。加入正则化的训练目标函数即目标神经网络模型为:
其中,所述f(xi)表示识别网络预测概率,所述yi表示真实类别标签,所述λ表示正则化系数,所述J(f)表示正则化项,所述L表示损失函数,所述N表示所述训练样本的总数。
步骤104,将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
上述车身颜色识别的方法,通过分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。由于使用可分离卷积以及减少卷积核大小和卷积核个数,从而大大减少颜色特征提取的计算量,轻量级分类网络在保证检测进度的同时,能够更快的进行结果预测。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的车身颜色识别的方法,图3示出了本发明实施例提供的车身颜色识别的装置的示例图。如图3所示,该装置可以包括:获取模块301、截取模块302、训练模块303和颜色识别模块304。
获取模块301,用于获取多个待检测车辆的图片;
截取模块302,用于分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;
训练模块303,用于采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;
颜色识别模块304,用于将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
可选的,所述预设轻量级卷积神经网络模型包括一个基础卷积层、多个分离卷积单元和一个全连接层;
每个分离卷积单元包括一个深度可分离卷积层和一个标准卷积层;
所述深度可分离卷积层的不同的输入通道对应不同的卷积核,用于对不同的输入通道分别进行卷积运算;
所述标准卷积层的不同的输入通道对应相同的卷积核,用于对所述深度可分离卷积层各个通道输出的结果进行结合。
可选的,所述全连接层中包括分类器,所述分类器用于对所述颜色识别图片中的颜色进行分类。
可选的,所述训练模块303采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型时,可以包括:将所述模型训练样本划分为训练样本和检测样本;采用所述训练样本对预设轻量级卷积神经网络模型进行迭代训练,并获得网络模型的权重和偏置值;采用所述网络模型的权重和所述偏置值更新所述预设轻量级卷积神经网络模型;采用检测样本对更新后的轻量级卷积神经网络模型进行检测,获得检测结果;当所述检测结果大于或等于预设阈值时,所述更新后的轻量级卷积神经网络模型为目标神经网络模型;当所述检测结果小于预设阈值时,重新采用新的训练样本对更新后的轻量级卷积神经网络模型进行训练,直到获得目标神经网络模型。
可选的,所述目标神经网络模型为:
其中,所述f(xi)表示识别网络预测概率,所述yi表示真实类别标签,所述λ表示正则化系数,所述J(f)表示正则化项,所述L表示损失函数,所述N表示所述训练样本的总数。
所述截取模块302分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片时,可以包括:根据所述多个待检测车辆的图片中的车辆位置信息,分别截取所述多个待检测车辆的图片中具有车辆颜色特征的任意区域作为车辆颜色识别区域,获得型训练样本和颜色识别图片。
可选的,如图4所示,所述车身颜色识别的装置还可以包括预处理模块305,在截取模块302获得模型训练样本和颜色识别图片之后,所述预处理模块305对所述模型训练样本和所述颜色识别图片进行预处理,得到预处理后的模型训练样本和颜色识别图片。
所述预处理模块305对所述模型训练样本和所述颜色识别图片进行预处理,可以用于对所述模型训练样本和所述颜色识别图片进行尺寸缩放,并将尺寸缩放后的模型训练样本和颜色识别图片的各通道的每个像素值缩小N倍,得到预处理后的模型训练样本和颜色识别图片,所述N为小于1的正数。
例如,将模型训练样本和所述颜色识别图片进行尺寸变化,图片大小尺寸缩放为112*112,并将缩放后的图片的各通道的每个像素值分别乘以0.017,得到预处理后的图片。需要说明的是,N还可以为其它小于1的正数,在本申请中不对N的值进行限定。
上述车身颜色识别的装置,通过截取模块分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片,由训练模块采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型,然后颜色识别模块将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。由于使用可分离卷积以及减少卷积核大小和卷积核个数,从而大大减少颜色特征提取的计算量,轻量级分类网络在保证检测进度的同时,能够更快的进行结果预测。
图5是本发明一实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备500包括:处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503,例如车身颜色识别的程序。所述处理器501执行所述计算机程序503时实现上述车身颜色识别的方法实施例中的步骤,例如图1所示的步骤101至104,或者图2所示的步骤201至步骤206,所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块的功能,例如图3所示模块301至304的功能,或者图4所示的模块301至305的功能。
示例性的,所述计算机程序503可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储在所述存储器502中,并由所述处理器501执行,以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序503在所述车身颜色识别的装置或者终端设备500中的执行过程。例如,所述计算机程序503可以被分割成获取模块301、截取模块302、训练模块303和颜色识别模块304,或者,所述计算机程序503可以被分割成获取模块301、截取模块302、训练模块303、颜色识别模块304和预处理模块305,各模块具体功能如图3或4所示,在此不再一一赘述。
所述终端设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器501、存储器502。本领域技术人员可以理解,图5仅仅是终端设备500的示例,并不构成对终端设备500的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器502可以是所述终端设备500的内部存储单元,例如终端设备500的硬盘或内存。所述存储器502也可以是所述终端设备500的外部存储设备,例如所述终端设备500上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括所述终端设备500的内部存储单元也包括外部存储设备。所述存储器502用于存储所述计算机程序以及所述终端设备500所需的其他程序和数据。所述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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,在本发明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。
所述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车身颜色识别的方法,其特征在于,包括:
获取多个待检测车辆的图片;
分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;
采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;
将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
2.如权利要求1所述的车身颜色识别的方法,其特征在于,所述预设轻量级卷积神经网络模型包括一个基础卷积层、多个分离卷积单元和一个全连接层;
每个分离卷积单元包括一个深度可分离卷积层和一个标准卷积层;
所述深度可分离卷积层的不同的输入通道对应不同的卷积核,用于对不同的输入通道分别进行卷积运算;
所述标准卷积层的不同的输入通道对应相同的卷积核,用于对所述深度可分离卷积层各个通道输出的结果进行结合。
3.如权利要求2所述的车身颜色识别的方法,其特征在于,所述全连接层中包括分类器,所述分类器用于对所述颜色识别图片中的颜色进行分类。
4.如权利要求3所述的车身颜色识别的方法,其特征在于,所述采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型,包括:
将所述模型训练样本划分为训练样本和检测样本;
采用所述训练样本对预设轻量级卷积神经网络模型进行训练,并获得网络模型的权重和偏置值;
采用所述网络模型的权重和所述偏置值更新所述预设轻量级卷积神经网络模型;
采用检测样本对更新后的轻量级卷积神经网络模型进行检测,获得检测结果;
当所述检测结果大于或等于预设阈值时,所述更新后的轻量级卷积神经网络模型为目标神经网络模型;
当所述检测结果小于预设阈值时,重新采用新的训练样本或者所述训练样本中的其它样本对更新后的轻量级卷积神经网络模型进行训练,直到获得目标神经网络模型。
6.如权利要求1所述的车身颜色识别的方法,其特征在于,所述分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片,包括:
根据所述多个待检测车辆的图片中的车辆位置信息,分别截取所述多个待检测车辆的图片中具有车辆颜色特征的任意区域作为车辆颜色识别区域,获得型训练样本和颜色识别图片。
7.如权利要求1所述的车身颜色识别的方法,其特征在于,在所述获得模型训练样本和颜色识别图片之后,还包括:
对所述模型训练样本和所述颜色识别图片进行预处理,得到预处理后的模型训练样本和颜色识别图片。
8.如权利要求7所述的车身颜色识别的方法,其特征在于,所述对所述模型训练样本和所述颜色识别图片进行预处理,包括:
对所述模型训练样本和所述颜色识别图片进行尺寸缩放,并将尺寸缩放后的模型训练样本和颜色识别图片的各通道的每个像素值缩小N倍,得到预处理后的模型训练样本和颜色识别图片,所述N为小于1的正数。
9.一种车身颜色识别的装置,其特征在于,包括:
获取模块,用于获取多个待检测车辆的图片;
截取模块,用于分别截取所述多个待检测车辆的图片的车辆颜色识别区域,获得模型训练样本和颜色识别图片;
训练模块,用于采用所述模型训练样本对预设轻量级卷积神经网络模型进行训练,获得目标神经网络模型;
颜色识别模块,用于将所述颜色识别图片输入所述目标神经网络模型中,获得颜色识别结果。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874556.6A CN110751037A (zh) | 2019-09-17 | 2019-09-17 | 车身颜色识别的方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874556.6A CN110751037A (zh) | 2019-09-17 | 2019-09-17 | 车身颜色识别的方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751037A true CN110751037A (zh) | 2020-02-04 |
Family
ID=69276494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910874556.6A Pending CN110751037A (zh) | 2019-09-17 | 2019-09-17 | 车身颜色识别的方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751037A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325256A (zh) * | 2020-02-13 | 2020-06-23 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
CN111612855A (zh) * | 2020-04-09 | 2020-09-01 | 北京旷视科技有限公司 | 物体颜色识别方法、装置及电子设备 |
CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
CN111860219A (zh) * | 2020-06-30 | 2020-10-30 | 杭州科度科技有限公司 | 一种高速占道判断方法、装置及电子设备 |
CN111951601A (zh) * | 2020-08-05 | 2020-11-17 | 智慧互通科技有限公司 | 一种识别配送车辆停放位置的方法及装置 |
CN112016433A (zh) * | 2020-08-24 | 2020-12-01 | 高新兴科技集团股份有限公司 | 一种基于深度神经网络的车辆颜色识别方法 |
CN112201117A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市优必选科技股份有限公司 | 一种逻辑板识别方法、装置及终端设备 |
CN112215258A (zh) * | 2020-09-17 | 2021-01-12 | 九牧厨卫股份有限公司 | 一种马桶冲刷控制方法、系统及马桶 |
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
CN113239836A (zh) * | 2021-05-20 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 一种车辆车身颜色识别方法、存储介质和终端 |
WO2022227194A1 (zh) * | 2021-04-26 | 2022-11-03 | 平安科技(深圳)有限公司 | 基于yolo神经网络的车流量统计方法、装置及设备 |
CN116563770A (zh) * | 2023-07-10 | 2023-08-08 | 四川弘和数智集团有限公司 | 车辆颜色的检测方法、装置及设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570503A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 识别车身颜色的方法和系统 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109583349A (zh) * | 2018-11-22 | 2019-04-05 | 北京市首都公路发展集团有限公司 | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 |
CN110032949A (zh) * | 2019-03-22 | 2019-07-19 | 北京理工大学 | 一种基于轻量化卷积神经网络的目标检测与定位方法 |
-
2019
- 2019-09-17 CN CN201910874556.6A patent/CN110751037A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570503A (zh) * | 2016-05-26 | 2017-04-19 | 北京羽医甘蓝信息技术有限公司 | 识别车身颜色的方法和系统 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109583349A (zh) * | 2018-11-22 | 2019-04-05 | 北京市首都公路发展集团有限公司 | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 |
CN110032949A (zh) * | 2019-03-22 | 2019-07-19 | 北京理工大学 | 一种基于轻量化卷积神经网络的目标检测与定位方法 |
Non-Patent Citations (5)
Title |
---|
ANDREW G. HOWARD ET AL: "("MobileNets:Efficient Convolutional Neural Networks for Mobile Vision Applications"", 《ARXIV》 * |
AVRAHAM RUDERMAN ET AL: ""Pooling is neither necessary nor sufficient for appropriate deformation stability in CNNs"", 《ARXIV》 * |
康琦等: "《机器学习中的不平衡分类方法》", 31 October 2017 * |
李世平等: "《跨栏河建筑物 安全状态感知、融合与预测》", 30 June 2019 * |
杨光明等: "《水土金属结构健康诊断理论、方法及应用》", 30 November 2013 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325256A (zh) * | 2020-02-13 | 2020-06-23 | 上海眼控科技股份有限公司 | 车辆外观检测方法、装置、计算机设备和存储介质 |
CN111612855A (zh) * | 2020-04-09 | 2020-09-01 | 北京旷视科技有限公司 | 物体颜色识别方法、装置及电子设备 |
CN111612855B (zh) * | 2020-04-09 | 2024-06-14 | 北京旷视科技有限公司 | 物体颜色识别方法、装置及电子设备 |
CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
CN111652102B (zh) * | 2020-05-27 | 2024-06-14 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
CN111860219B (zh) * | 2020-06-30 | 2024-01-05 | 杭州科度科技有限公司 | 一种高速占道判断方法、装置及电子设备 |
CN111860219A (zh) * | 2020-06-30 | 2020-10-30 | 杭州科度科技有限公司 | 一种高速占道判断方法、装置及电子设备 |
CN111951601A (zh) * | 2020-08-05 | 2020-11-17 | 智慧互通科技有限公司 | 一种识别配送车辆停放位置的方法及装置 |
CN112016433A (zh) * | 2020-08-24 | 2020-12-01 | 高新兴科技集团股份有限公司 | 一种基于深度神经网络的车辆颜色识别方法 |
CN112215258A (zh) * | 2020-09-17 | 2021-01-12 | 九牧厨卫股份有限公司 | 一种马桶冲刷控制方法、系统及马桶 |
CN112215258B (zh) * | 2020-09-17 | 2022-10-18 | 九牧厨卫股份有限公司 | 一种马桶冲刷控制方法、系统及马桶 |
CN112201117A (zh) * | 2020-09-29 | 2021-01-08 | 深圳市优必选科技股份有限公司 | 一种逻辑板识别方法、装置及终端设备 |
CN112507801A (zh) * | 2020-11-14 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 车道路面数字颜色识别方法、限速信息识别方法及系统 |
WO2022227194A1 (zh) * | 2021-04-26 | 2022-11-03 | 平安科技(深圳)有限公司 | 基于yolo神经网络的车流量统计方法、装置及设备 |
CN113239836A (zh) * | 2021-05-20 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 一种车辆车身颜色识别方法、存储介质和终端 |
CN116563770B (zh) * | 2023-07-10 | 2023-09-29 | 四川弘和数智集团有限公司 | 车辆颜色的检测方法、装置及设备和介质 |
CN116563770A (zh) * | 2023-07-10 | 2023-08-08 | 四川弘和数智集团有限公司 | 车辆颜色的检测方法、装置及设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751037A (zh) | 车身颜色识别的方法及终端设备 | |
CN110097051B (zh) | 图像分类方法、装置及计算机可读存储介质 | |
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
Huang et al. | Vehicle logo recognition system based on convolutional neural networks with a pretraining strategy | |
CN111310775A (zh) | 数据训练方法、装置、终端设备及计算机可读存储介质 | |
CN112528878A (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
Mathur et al. | Crosspooled FishNet: transfer learning based fish species classification model | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN104200228B (zh) | 一种安全带识别方法与系统 | |
CN112036455B (zh) | 一种图像识别方法、智能终端和存储介质 | |
CN109714526B (zh) | 智能摄像头及控制系统 | |
CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、系统及设备 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
Mu et al. | Salient object detection using a covariance-based CNN model in low-contrast images | |
CN111860496A (zh) | 车牌识别方法、装置、设备及计算机可读存储介质 | |
CN113283404B (zh) | 行人属性识别方法、装置、电子设备及存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Applicant after: Entropy Technology Co.,Ltd. Address before: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia Applicant before: ZKTECO Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |