CN110991506A - 一种车辆品牌识别方法、装置、设备及存储介质 - Google Patents

一种车辆品牌识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110991506A
CN110991506A CN201911162370.4A CN201911162370A CN110991506A CN 110991506 A CN110991506 A CN 110991506A CN 201911162370 A CN201911162370 A CN 201911162370A CN 110991506 A CN110991506 A CN 110991506A
Authority
CN
China
Prior art keywords
vehicle
image
shot
window face
post
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.)
Granted
Application number
CN201911162370.4A
Other languages
English (en)
Other versions
CN110991506B (zh
Inventor
林焕凯
贺迪龙
王祥雪
侯玉清
汪刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN201911162370.4A priority Critical patent/CN110991506B/zh
Publication of CN110991506A publication Critical patent/CN110991506A/zh
Application granted granted Critical
Publication of CN110991506B publication Critical patent/CN110991506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆品牌识别方法、装置、设备及存储介质，通过根据后拍车窗脸图像样本，基于第一损失函数和第二损失函数，对循环注意力卷积神经网络进行二次训练，获得车辆品牌识别模型；循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层；车辆品牌识别模型中的各个分类子网络以第二损失函数为损失函数；对接收到的车辆初始图像进行预处理，获得后拍车辆图像；对后拍车辆图像进行车窗脸检测，获得后拍车辆图像中的车窗脸区域图像；根据车窗脸区域图像，通过车辆品牌识别模型，获得车窗脸区域图像的车辆品牌识别结果；本发明能有效克服车标样本数据分布不均衡以及车辆角度复杂多变的问题，提高车标识别的准确率。

Description

一种车辆品牌识别方法、装置、设备及存储介质
技术领域
本发明属于图像处理技术领域，尤其涉及一种车辆品牌识别方法、装置、设备及存储介质。
背景技术
车辆识别系统是智能交通系统的重要组成部分，而对车辆品牌款式进行识别能够有效地辅助进行车辆检索和比对，进而有助于对车辆违法违章行为进行检测。因此，在交通监控场景下对车辆品牌款式识别方法的研究具有广泛的应用价值。
而车辆品牌识别又称车辆制造商识别,主要通过定位车标，并车标的类型来进行判断，从而识别出车辆品牌。但是由于车标识别方法对车标定位有较高依赖,定位好坏直接影响最后的识别结果，为避免这一问题，目前常用的方法是使用多示例学习方法为每种品牌车辆找到最具有区分性的特征，可以是车灯、车标、车辆边缘部位特征或其组合,从而进行车辆品牌识别。
但是，对于非限定角度的监控场景，例如虚拟卡口监控系统，存在以下问题：1、在实际复杂场景下，车辆角度复杂多变，导致采集良好的车辆数据难。2、车辆的严重遮挡问题以及复杂场景下光照情况差异较大、图像分辨差异较大、部分车辆分辨率极低的问题。3、车辆数据分布严重不均衡的问题。基于上述问题，导致对于非限定角度的监控场景应用现有的车牌识别方法进行车牌识别时，识别的准确率较低。
发明内容
针对上述问题，本发明的目的在于提供一种车辆品牌识别方法、装置、设备及存储介质，其能有效克服车标样本数据分布不均衡以及车辆角度复杂多变的问题，提高车标识别的准确率。
第一方面，本发明实施例提供了一种车辆品牌识别方法，包括：
根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；
根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；
对接收到的车辆初始图像进行预处理，获得后拍车辆图像；
对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；
根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
相对于现有技术，本发明实施例的有益效果在于：
基于第一损失函数，对预先建立的循环注意力卷积神经网络进行训练，然后将第一损失函数替换为第二损失函数，再次对该循环注意力神经网络进行训练，通过使用两个损失函数对循环注意力神经网络进行进行交替训练，能更好的获取车辆品牌信息，从而避免由于车标样本数据分布不均衡以及车辆角度复杂多变的问题引起的识别错误的情况，提高车标识别的准确率。此外，本发明实施例采用resnet网络代替现有的循环注意力卷积神经网络中的VGG网络，作为各个分类子网络的卷积层，对于后拍车辆图像的车辆品牌识别场景，能进一步提高车辆品牌识别的精度。
作为上述方案的改进，所述第一损失函数为softmax函数。
作为上述方案的改进，所述第二损失函数为focalloss函数。
作为上述方案的改进，所述对接收到的车辆初始图像进行预处理，获得后拍车辆图像，具体包括：
对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像；其中，所述车辆图像包括前拍车辆图像，侧拍车辆图像以及后拍车辆图像；
通过预先训练的分类模型对所述车辆图像进行分类识别，从所述车辆图像中抽取出后拍车辆图像。
相对于现有技术，本发明实施例的有益效果在于：
先对卡口系统拍摄到的车辆初始图像进行车辆区域识别和裁剪，再进行后续处理，不仅可以降低图像噪声对后续分类过程的干扰，同时还可以减少计算量，提高车牌识别效率。
作为上述方案的改进，所述对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像，具体包括：
将所述车辆初始图像输入到预先训练的SSD网络中进行车辆区域检测和裁剪，获得所述车辆图像。
作为上述方案的改进，所述对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像，包括：
将所述后拍车辆图像输入到预先训练的Refinedet网络进行车窗脸区域检测和裁剪，获得所述车窗脸区域图像。
相对于现有技术，本发明实施例的有益效果在于：
对所述车窗脸区域进行裁剪，不仅可以降低图像噪声对后续车辆品牌识别过程的干扰，还使得图像尺寸减小，便于处理。
作为上述方案的改进，
所述通过所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型之前，还包括：
对经过第一训练后的循环注意力卷积神经网络的参数进行调整；其中，所述参数包括：基础学习率、最大迭代次数、迭代间隔以及学习率变化的比率。
第二方面，本发明实施提供了一种车辆品牌识别装置，包括：
第一训练模块，用于根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；
第二训练模块，用于根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；
预处理模块，用于对接收到的车辆初始图像进行预处理，获得后拍车辆图像；
车窗脸获得模块，对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；
识别模块，用于根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
第三方面，本发明实施例提供了一种车辆品牌识别设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述的车辆品牌识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质所述计算机可读存储介质，包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任意一项所述的车辆品牌识别方法。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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1是本发明第一实施例提供的一种车辆品牌识别方法的流程示意图；
图2是本发明提供的循环注意力卷积神经网络的框架图；
图3是本发明第二实施例提供的一种车辆品牌识别装置的示意框图；
图4是本发明第三实施例提供的一种车辆品牌识别设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提供的一种车辆品牌识别方法，包括以下步骤：
S11、根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数。
优选地，所述第一损失函数为softmax函数。
需要说明的的是，循环注意力卷积神经网络是一种结合注意力机制和循环神经网络的网络，其中，循环神经网络是一种具有短期记忆能力的神经网络，在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构；通过在循环神经网络中增加注意力机制，通过自上而下地信息选着机制过滤掉大量无关信息。注意力机制和循环神经网络是本领域的现有技术，在此不进行详细的说明。
在本发明实施中，使用resnet网络代替现有的循环神经网络中的VGG网络作为各个分类子网络的卷积层，并以softmax函数作为各个分类子网络的损失函数，结合注意力机制，构建出循环注意力卷积神将网络(RA-CNN、Recurrent Attention ConvolutionalNeural Network)，该循环注意力卷积神将网络不需要对数据做类似bounding box的标注就能取得和采用类似bounding box标注的算法效果，能实现很好的细粒度(fine-grained)分类效果。
本发明实施例中所述后拍车窗脸图像样本是指从车辆后方拍摄的图像中裁剪出的至少包括车标、车窗脸等信息的车窗脸图片其中，所述后拍车窗脸图像样本中的车窗脸在图像中倾斜的角度小于或等于30°。需要强调的是，本发明实施例对所述后拍车窗脸图像样本的采集方式不做具体的限定，例如可以是通过卡口系统抓拍后拍车窗脸图像样本。对于车窗脸在图像中倾斜的角度超过30°的后拍车窗脸图像样本可以通过放射变换等算法进行车窗脸校正，又或者将采集到的后拍车窗脸图像样本中车窗脸在图像中倾斜的角度超过30°的图像剔除，从而保证输入到循环注意力卷积神经网络的图像中车窗脸在图像中倾斜的角度小于或等于30°，以达到更好的网络训练效果。本发明实施例所述的循环注意力卷积神经网络分为3个尺度，各尺度的分裂子网络的结构相同，参数不同。上一分类子网络的卷积特征经过注意力建议网络(APN)得到区域注意力，注意力区域缩放之后继续作为下一分类子网络的输入，递归执行，最终将三个分类子网络的卷积特征进行融合，融合之后的特征经过全连接层和softmax层实现分类，其流程网络如图2所示。网络的损失函数由两部分组成：尺度内分类损失(softmax)和尺度间排序损失(ranking loss)，尺度间排序损失作为训练APN的监督信息，可以保证网络在无人工标注的条件下自学习到有判别力的区域注意力。分类子网络特征提取部分具体采用resnet18，区域建议子网络的输出为(tx,ty,tl)，表示注意力建议区域的中心坐标和长度的一半。
通过将述后拍车窗脸图像样本放入循环注意力卷积神经网络中进行分类，在原图像上搜索最后一个卷积层响应值最高的区域，以同样的方式在其他尺度获得一个更小的区域，用这些选择的区域预训练区域建议网络(APN)。迭代训练分类子网络和区域建议子网络，具体地，首先固定APN网络，在三个尺度优化softmax损失，直到收敛，即先固定APN网络的参数，利用损失函数Lrank(ranking loss)采取梯度下降方法来更新APN网络参数，然后利用损失函数Lcls(softmax)采取梯度下降方法来更新分类子网络参数。然后固定分类子网络的参数，优化排序损失(ranking loss函数)，即采用梯度下降法，使优化排序损失(rankingloss)达到最小。通过上述两部分的迭代学习，直到两种损失(softmax、ranking loss)都不再改变。
其中，步骤S11涉及到的两种损失函数的公式表达如下：
Figure BDA0002285072390000071
尺度间排序损失函数((ranking loss)的公式表达如下：
Figure BDA0002285072390000072
S12、根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数。
优选地，所述第二损失函数为focalloss函数。
优选地，所述通过所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型之前，还包括：
对经过第一训练后的循环注意力卷积神经网络的参数进行调整；其中，所述参数包括：基础学习率、最大迭代次数、迭代间隔以及学习率变化的比率。
在本发明实施例中，通过经过步骤S11训练后的循环注意力卷积神经网络对自身的参数做适当的调整，以提高循环注意力卷积神经网络的识别正确率。此外通过将经过步骤S11训练后的循环注意力卷积神经网络中的softmax函数替换成focalloss函数，解决数据分布不均衡问题。S13、对接收到的车辆初始图像进行预处理，获得后拍车辆图像。
在本发明实施例中，对所述车辆初始图像的获取方式不做具体的限定，例如可以是通过卡口系统抓拍车辆初始图像。
S14、对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像。
在本发明实施例中，为了保证后拍车辆图像信息完整，要求获得的所述后拍车辆图像中至少包含车牌信息。具体还可以包括车窗脸、车标等信息。
S15、根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
在本发明实施例中，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行训练，然后将第一损失函数替换为第二损失函数，再次对该循环注意力神经网络进行训练，通过使用两个损失函数对循环注意力神经网络进行进行交替训练，能更好的获取车辆品牌信息，从而避免由于车标样本数据分布不均衡以及车辆角度复杂多变的问题引起的识别错误的情况，提高车标识别的准确率。此外，本发明实施例采用resnet网络代替现有的循环注意力卷积神经网络中的VGG网络，作为各个分类子网络的卷积层，对于后拍车辆图像的车辆品牌识别场景，能进一步提高车辆品牌识别的精度。本发明实施例提供的车辆品牌识别方法实时性强且可满足实际的应用需求。
在一种可选的实施例中，所述对接收到的车辆初始图像进行预处理，获得后拍车辆图像，包括：
对所述车辆初始图像进行车辆识别，并对识别出的车辆进行裁剪，获得车辆图像；其中，所述车辆图像包括前拍车辆图像，侧拍车辆图像以及后拍车辆图像；
根据所述车辆图像，通过预先训练的分类模型，获得所述后拍车辆图像。
在本发明实施例中，先对卡口系统拍摄到的车辆初始图像进行车辆区域识别和裁剪，再进行后续处理，不仅可以降低图像噪声对后续分类过程的干扰，同时还可以减少计算量，提高车牌识别效率。
在一种可选的实施例中，所述对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像，具体包括：
将所述车辆初始图像输入到预先训练的SSD网络中进行车辆区域检测和裁剪，获得所述车辆图像。
本发明实施例采用的SSD网络进行车辆区域检测和裁剪，能实现车辆的快速识别定位。
在一种可选的实施例中，所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像，包括：
将所述后拍车辆图像输入到预先训练的Refinedet网络进行车窗脸区域检测和裁剪，获得所述车窗脸区域图像。
在本发明实施例中，车辆的车窗脸在所述后拍车辆图像中倾斜的角度不得超过30°，Refinedet网络是一种目标检测网络，通过Refinedet网络对所述车窗脸区域进行裁剪，不仅可以降低图像噪声对后续车辆品牌识别过程的干扰，还使得图像尺寸减小，便于处理。同时Refinedet网络具有精度高、速度快的特点。
相对于现有技术，本发明实施例的有益效果在于：
本发明采用注意力机制使得网络更集中学习车辆品牌特征，提高分类效果；同时使用两个损失函数进行交替训练网络，以更好的获取车辆品牌信息。
本发明将RA-CNN网络中的VGG改为resnet网络，同时在网络一次训练结束后进行参数微调，并在第二次训练中使用了focalloss函数作为分类子网络的损失函数，使得网络识别的准确率得到一定的提升，同时经过测试验证，对于128*128分辨率的单张图片处理整体耗时为15ms左右，基本上可以满足现实场景应用的需求。
参见图3，其是本发明第二实施例提供的一种车辆品牌识别装置的示意框图，所述装置包括：
第一训练模块1，用于根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；
第二训练模块2，用于根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；
预处理模块3，用于对接收到的车辆初始图像进行预处理，获得后拍车辆图像；
车窗脸获得模块4，对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；
识别模块5，用于根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
在一种可选的实施例中，所述第一损失函数为softmax函数。
在一种可选的实施例中，所述第二损失函数为focalloss函数。
在一种可选的实施例中，所述预处理模块3包括：
裁剪单元，用于对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像；其中，所述车辆图像包括前拍车辆图像，侧拍车辆图像以及后拍车辆图像；
图像分类单元，用于通过预先训练的分类模型对所述车辆图像进行分类识别，从所述车辆图像中抽取出后拍车辆图像。
在一种可选的实施例中，所述裁剪单元，包括：
SDD网络识别单元，用于将所述车辆初始图像输入到预先训练的SSD网络中进行车辆区域检测和裁剪，获得所述车辆图像。
在一种可选的实施例中，所述车窗脸获得模块4包括：
Refinedet网络识别单元，用于将所述后拍车辆图像输入到预先训练的Refinedet网络进行车窗脸区域检测和裁剪，获得所述车窗脸区域图像。
在一种可选的实施例中，所述装置还包括：
参数调整模块，用于对经过第一训练后的循环注意力卷积神经网络的参数进行调整；其中，所述参数包括：基础学习率、最大迭代次数、迭代间隔以及学习率变化的比率。
需要说明的是，本发明实施例提供的一种车辆品牌识别装置用于执行上述一种车辆品牌识别方法的所有方法流程，两者的工作原理和有益效果一一对应，因而不再赘述。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图4，是本发明第三实施例提供的一种车辆品牌识别设备的结构框图，如图4所示，该车辆品牌识别设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的车辆品牌识别方法，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如第一训练模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元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在所述车辆品牌识别设备中的执行过程。
所述车辆品牌识别设备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。所述车辆品牌识别设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车辆品牌识别设备的示例，并不构成对车辆品牌识别设备的限定，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。
所称处理器11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，所述处理器11是所述车辆品牌识别设备的控制中心，利用各种接口和线路连接整个车辆品牌识别设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述车辆品牌识别设备的各种功能。所述存储器15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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15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，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述车辆品牌识别设备集成的模块/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。
本方发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的车辆品牌识别方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车辆品牌识别方法，其特征在于，包括：
根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；
根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；
对接收到的车辆初始图像进行预处理，获得后拍车辆图像；
对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；
根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
2.根据权利要求1所述的车辆品牌识别方法，其特征在于，所述第一损失函数为softmax函数。
3.根据权利要求1或2所述的车辆品牌识别方法，其特征在于，所述第二损失函数为focalloss函数。
4.根据权利要求1所述的车辆品牌识别方法，其特征在于，所述对接收到的车辆初始图像进行预处理，获得后拍车辆图像，具体包括：
对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像；其中，所述车辆图像包括前拍车辆图像，侧拍车辆图像以及后拍车辆图像；
通过预先训练的分类模型对所述车辆图像进行分类识别，从所述车辆图像中抽取出后拍车辆图像。
5.根据权利要求4所述的车辆品牌识别方法，其特征在于，所述对所述车辆初始图像进行车辆区域识别，并对识别出的车辆区域进行裁剪，获得车辆图像，具体包括：
将所述车辆初始图像输入到预先训练的SSD网络中进行车辆区域检测和裁剪，获得所述车辆图像。
6.根据权利要求1所述的车辆品牌识别方法，其特征在于，所述对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像，包括：
将所述后拍车辆图像输入到预先训练的Refinedet网络进行车窗脸区域检测和裁剪，获得所述车窗脸区域图像。
7.根据权利要求1所述的车辆品牌识别方法，其特征在于，所述通过所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型之前，还包括：
对经过第一训练后的循环注意力卷积神经网络的参数进行调整；其中，所述参数包括：基础学习率、最大迭代次数、迭代间隔以及学习率变化的比率。
8.一种车辆品牌识别装置，其特征在于，包括：
第一训练模块，用于根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；
第二训练模块，用于根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；
预处理模块，用于对接收到的车辆初始图像进行预处理，获得后拍车辆图像；
车窗脸获得模块，对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；
识别模块，用于根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。
9.一种车辆品牌识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的车辆品牌识别方法方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的车辆品牌识别方法。
CN201911162370.4A 2019-11-22 2019-11-22 一种车辆品牌识别方法、装置、设备及存储介质 Active CN110991506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911162370.4A CN110991506B (zh) 2019-11-22 2019-11-22 一种车辆品牌识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911162370.4A CN110991506B (zh) 2019-11-22 2019-11-22 一种车辆品牌识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110991506A true CN110991506A (zh) 2020-04-10
CN110991506B CN110991506B (zh) 2023-05-23

Family

ID=70086128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911162370.4A Active CN110991506B (zh) 2019-11-22 2019-11-22 一种车辆品牌识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110991506B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754784A (zh) * 2020-06-23 2020-10-09 高新兴科技集团股份有限公司 基于注意力机制的多层网络的车辆主子品牌识别方法
CN111797713A (zh) * 2020-06-16 2020-10-20 浙江大华技术股份有限公司 车牌识别方法及拍照设备
CN112329772A (zh) * 2020-11-06 2021-02-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN112633269A (zh) * 2020-12-28 2021-04-09 上海明略人工智能(集团)有限公司 一种Logo识别方法及系统
CN112712093A (zh) * 2021-01-11 2021-04-27 中国铁道科学研究院集团有限公司电子计算技术研究所 安检图像识别方法、装置、电子设备及存储介质
CN113780478A (zh) * 2021-10-26 2021-12-10 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN116311568A (zh) * 2023-05-16 2023-06-23 广州铭创通讯科技有限公司 一种基于etc的停车场人脸识别快速扣费方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229430A (zh) * 2018-01-30 2018-06-29 浙江大学 一种融合注意力图的商品分类方法
CN109033175A (zh) * 2018-06-25 2018-12-18 高新兴科技集团股份有限公司 一种以图搜车的方法及系统
CN109657552A (zh) * 2018-11-16 2019-04-19 北京邮电大学 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN109816001A (zh) * 2019-01-10 2019-05-28 高新兴科技集团股份有限公司 一种基于深度学习的车辆多属性识别方法、装置和设备
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110414451A (zh) * 2019-07-31 2019-11-05 深圳市捷顺科技实业股份有限公司 一种基于端对端的车牌识别方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229430A (zh) * 2018-01-30 2018-06-29 浙江大学 一种融合注意力图的商品分类方法
CN109033175A (zh) * 2018-06-25 2018-12-18 高新兴科技集团股份有限公司 一种以图搜车的方法及系统
CN109657552A (zh) * 2018-11-16 2019-04-19 北京邮电大学 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN109816001A (zh) * 2019-01-10 2019-05-28 高新兴科技集团股份有限公司 一种基于深度学习的车辆多属性识别方法、装置和设备
CN110378236A (zh) * 2019-06-20 2019-10-25 西安电子科技大学 基于深度学习的车辆身份识别模型构建、识别方法和系统
CN110414451A (zh) * 2019-07-31 2019-11-05 深圳市捷顺科技实业股份有限公司 一种基于端对端的车牌识别方法、装置、设备及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797713A (zh) * 2020-06-16 2020-10-20 浙江大华技术股份有限公司 车牌识别方法及拍照设备
CN111754784A (zh) * 2020-06-23 2020-10-09 高新兴科技集团股份有限公司 基于注意力机制的多层网络的车辆主子品牌识别方法
CN111754784B (zh) * 2020-06-23 2022-05-24 高新兴科技集团股份有限公司 基于注意力机制的多层网络的车辆主子品牌识别方法
CN112329772A (zh) * 2020-11-06 2021-02-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN112329772B (zh) * 2020-11-06 2024-03-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN112633269A (zh) * 2020-12-28 2021-04-09 上海明略人工智能(集团)有限公司 一种Logo识别方法及系统
CN112633269B (zh) * 2020-12-28 2024-03-15 上海明略人工智能(集团)有限公司 一种Logo识别方法及系统
CN112712093A (zh) * 2021-01-11 2021-04-27 中国铁道科学研究院集团有限公司电子计算技术研究所 安检图像识别方法、装置、电子设备及存储介质
CN112712093B (zh) * 2021-01-11 2024-04-05 中国铁道科学研究院集团有限公司电子计算技术研究所 安检图像识别方法、装置、电子设备及存储介质
CN113780478A (zh) * 2021-10-26 2021-12-10 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN113780478B (zh) * 2021-10-26 2024-05-28 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN116311568A (zh) * 2023-05-16 2023-06-23 广州铭创通讯科技有限公司 一种基于etc的停车场人脸识别快速扣费方法及装置

Also Published As

Publication number Publication date
CN110991506B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110991506A (zh) 一种车辆品牌识别方法、装置、设备及存储介质
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
US11238310B2 (en) Training data acquisition method and device, server and storage medium
CN111161311A (zh) 一种基于深度学习的视觉多目标跟踪方法及装置
CN110163813B (zh) 一种图像去雨方法、装置、可读存储介质及终端设备
CN110379020B (zh) 一种基于生成对抗网络的激光点云上色方法和装置
CN111898523A (zh) 一种基于迁移学习的遥感图像特种车辆目标检测方法
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN107993191A (zh) 一种图像处理方法和装置
CN109145766A (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
CN107341523A (zh) 基于深度学习的快递单信息识别方法和系统
CN110718235A (zh) 异常声音检测的方法、电子设备及存储介质
CN110598621A (zh) 车辆品牌识别方法、装置、设备及计算机可读存储介质
CN112307886A (zh) 行人重识别方法和装置
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN110502962B (zh) 视频流中目标的检测方法、装置、设备和介质
CN106295645A (zh) 一种车牌字符识别方法和装置
CN109871829A (zh) 一种基于深度学习的检测模型训练方法和装置
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN111126459A (zh) 一种车辆细粒度识别的方法及装置
CN109874104A (zh) 用户位置定位方法、装置、设备及介质
CN112101114B (zh) 一种视频目标检测方法、装置、设备以及存储介质
CN110148117A (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN107563324B (zh) 一种复合核结构的超限学习机高光谱图像分类方法及装置
CN111178153A (zh) 一种交通标志检测方法及系统

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
GR01 Patent grant
GR01 Patent grant