CN111126224A - 车辆检测方法及分类识别模型训练方法 - Google Patents
车辆检测方法及分类识别模型训练方法 Download PDFInfo
- Publication number
- CN111126224A CN111126224A CN201911299561.5A CN201911299561A CN111126224A CN 111126224 A CN111126224 A CN 111126224A CN 201911299561 A CN201911299561 A CN 201911299561A CN 111126224 A CN111126224 A CN 111126224A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- data set
- image
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 86
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 38
- 238000003062 neural network model Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019993 champagne Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种车辆检测方法及分类识别模型训练方法,其中,车辆检测方法,包括:使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出目标车辆的目标属性参数,目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;根据目标属性参数在待候选库筛选出目标候选库,目标候选库中包括多个待选车辆的车辆信息,车辆信息包括车辆特征;使用特征提取模型对目标图像数据进行特征提取,以得到目标特征;将目标特征与目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出目标候选库中与目标车辆的相似度大于设定阈值的目标候选车辆。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种车辆检测方法及分类识别模型训练方法。
背景技术
随着车辆的普及导致很多人员的搜索会变成对车辆的搜索,但是相似车辆相对较多,因此,车辆的识别难度也相对较高。现有的实现方式,则是将获取的图像与图像库中的图像进行对比,这样的实现方式工作量大的情况下,出错概率也可能相对较高。
发明内容
有鉴于此,本申请实施例的目的在于提供一种车辆检测方法及分类识别模型训练方法。能够达到对目标图像中的车辆进行区域性的识别的效果。
第一方面,本申请实施例提供了一种车辆检测方法,包括:
使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数,所述目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;
根据所述目标属性参数在待候选库筛选出目标候选库,所述目标候选库中包括多个待选车辆的车辆信息,所述车辆信息包括车辆特征;
使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征;
将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
本申请实施例提供的车辆检测方法,采用先基于图像中的车辆的明显的固有属性,如,颜色或车型或车辆标识,对候选库进行筛选;再基于根据汽车属性筛选出的候选库,进行再次对比搜索,从而可以确定出目标候选车辆,可以实现在相对较小的候选库中进行精确筛选,减少图像筛选工作量。进一步地,在确定目标候选库中进行筛选的准确率也相对更高。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中:在所述使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数的步骤之前,所述方法还包括:
对包含有所述目标车辆的原始图像进行检测,以确定出所述目标车辆所在的车辆区域;
对所述原始图像进行剪裁,以得到所述车辆区域的图像;
将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据。
本申请实施例提供的车辆检测方法,先将原始图像进行剪裁,然后再对剪裁的目标图像数据进行一系列的处理,可以减少后续的步骤对一些多余的非车辆区域的识别,也可以通过车辆检测的准确率。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中:所述将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据的步骤,包括:
将所述车辆区域的图像进行色值填充,得到正方形图像;
将所述正方形图像进行缩放处理,以得到目标尺寸的目标图像数据。
本申请实施例提供的车辆检测方法,还可以得到目标尺寸的目标图像数据,可以更符合分类识别模型识别需求,从而可以提高对车辆颜色、车辆类型、车辆标识的识别的准确率。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述目标属性参数包括目标车辆颜色、目标车辆类型;所述根据所述目标属性参数在待候选库筛选出目标候选库的步骤,包括:
从所述待候选库中选出颜色与所述目标车辆颜色相同、且车辆类型与所述目标车辆类型相同的所有待选车辆,以形成所述目标候选库。
本申请实施例提供的车辆检测方法,由于车辆的车辆颜色及车辆类型被更改的概率相对较低,因此,先筛选出满足目标车辆的固有属性对应的目标候选库,可以对目标车辆有一个初步定位,然后,再进行进一步地的搜索,可以相对更好地实现识别。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,在所述根据所述目标属性参数在待候选库筛选出目标候选库的步骤之前,所述方法还包括:
将获取的所有的待选车辆图像使用所述特征提取模型进行特征提取,以得到每个所述待选车辆的车辆特征;
将每一所述待选车辆的车辆类型、车辆颜色、车辆特征进行关联存储形成一条车辆信息;
所有所述候选车辆的车辆信息形成所述待候选库。
本申请实施例提供的车辆检测方法,针对候选库中的车辆记录详细的车辆类型、车辆颜色、车辆特征等信息,从而可以有效地实现对待候选库筛选,以及后续的车辆特征进行比较,从而为车辆的搜索提供数据基础,提高车辆搜索的成功率。
结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,其中,车辆属性中包括多类属性组,每类属性组包括多项属性;所述使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数的步骤,包括:
使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,确定出每类属性组中的各项属性对应的置信度;
根据所述每类属性组中的各项属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,每类属性组中对应的子属性参数组成所述目标车辆的目标属性参数。
本申请实施例提供的车辆检测方法,还可以确定出多个结果时,可以再对多个属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,从而实现有效地对车辆属性的确认。
第二方面,本申请实施例提供一种分类识别模型训练方法,包括:
获取第一数据集,所述第一数据集中包括多张含有车辆视图的图像,所述第一数据集中的图像携带有图像标签;
将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集,所述第一训练数据集中的图像为符合设定规则的图像;
将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型,所述分类识别模型用于上述第一方面,或第一方面的任意一种实施方式中所述的方法中对目标图像数据的分类识别,所述第一神经网络模型包括残差网络和批标准化层。
本实施例提供的分类识别模型训练方法,通过在训练模型中增加批标准化层,进行归一化处理,可以增加算法的鲁棒性,即改善算法的泛化能力。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述获取第一数据集的步骤,包括:
按照车辆属性,分别获取每一属性对应的样本数据集,以得到第一数据集,其中,每一属性对应的样本数据集中的图像数量在第一指定数量范围内。
本实施例提供的分类识别模型训练方法,通过对每一属性对应的样本数据集的数量进行限定,可以使各属性对应的样本更加均衡,从而可以提高训练模型的均衡性,提高训练得到的分类识别模型的识别的准确率。
结合第二方面,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述第一神经网络模型中包括多个损失函数,每个对应损失函数用于训练过程中对对应的一车辆属性训练效果的评价,每一车辆属性对应的损失函数的权重由所述第一训练数据集中每一车辆属性对应的图像数量确定。
本实施例提供的分类识别模型训练方法,通过在各属性对应的样本量不同时,可以调整损失函数的权重,从而可以从损失函数方面调整样本数的均衡性,从而提高训练得到的分类识别模型的识别的准确率。
第三方面,本申请实施例提供一种特征提取模型训练方法,包括:
获取第二数据集,所述第二数据集中包括多张含有车辆视图的图像,所述第二数据集中的每张图像匹配有身份标签,每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像;
将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型,所述第二神经网络中包括特征提取器及分类器,所述特征提取器用于提取输入的图像的特征,所述分类器用于对所述特征提取器提取的特征进行分类训练;所述特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于上述第一方面,或第一方面中的任意一种实施方式所述的方法中对目标图像数据的特征提取。
本实施例提供的特征提取模型训练方法,通过第二神经网络模型的训练可以确定出一可以提取含有车辆图像的图像的车辆特征,为后续的车辆的确定奠定基础。
结合第三方面,本申请实施例提供了第三方面的第一种可能的实施方式,其中,所述第二神经网络模型包括所述特征提取器、全连接层及分类器,所述将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型的步骤,包括:
a.将所述第二数据集中任一图像输入所述特征提取器中进行特征提取,得到图像特征;
b.将所述图像特征输入所述全连接层及分类器进行分类处理,得到分类结果;
c.将所述分类结果与对应的身份标签确定分类准确率;
当所述分类准确率小于设定值时,调整所述特征提取器中的待确定参数后,再执行上述的步骤a-c;当所述准确率不小于设定值,退出循环,得到特征提取模型。
本实施例提供的特征提取模型训练方法,通过身份标签的识别训练,训练出在需要得到身份标签过程中提取特征的部分模型,从而确定出特征提取模型。
第四方面,本申请实施例提供一种车辆检测装置,包括:
分类模块,用于使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数,所述目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;
筛选模块,用于根据所述目标属性参数在待候选库筛选出目标候选库,所述目标候选库中包括多个待选车辆的车辆信息,所述车辆信息包括车辆特征;
提取模块,用于使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征;
比较模块,用于将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
第五方面,本申请实施例提供一种分类识别模型训练装置,包括:
第一获取模块,用于获取第一数据集,所述第一数据集中包括多张含有车辆视图的图像,所述第一数据集中的图像携带有图像标签;
处理模块,用于将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集,所述第一训练数据集中的图像为符合设定规则的图像;
第一训练模块,用于将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型,所述分类识别模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的分类识别,所述第一神经网络模型包括残差网络和批标准化层。
第六方面,本申请实施例提供一种特征提取模型训练装置,包括:
第二获取模块,用于获取第二数据集,所述第二数据集中包括多张含有车辆视图的图像,所述第二数据集中的每张图像匹配有身份标签,每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像;
第二训练模块,用于将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型,所述第二神经网络中包括特征提取器及分类器,所述特征提取器用于提取输入的图像的特征,所述分类器用于对所述特征提取器提取的特征进行分类训练;所述特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于上述的第一方面,或第一方面的任意一种实施方式中所述的方法中对目标图像数据的特征提取。
第七方面,本申请实施例还提供一种电子设备,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行上述第一方面、第二方面或第三方面,或第一方面、第二方面或第三方面的任一种可能的实施方式中的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面、第二方面或第三方面,或第一方面、第二方面或第三方面的任一种可能的实施方式中的方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的电子设备的方框示意图。
图2为本申请实施例提供的车辆检测方法的流程图。
图3为本申请实施例提供的车辆检测方法的其它部分流程图。
图4为本申请实施例提供的车辆检测装置的功能模块示意图。
图5为本申请实施例提供的分类识别模型训练方法的流程图。
图6为本申请实施例提供的分类识别模型训练装置的功能模块示意图。
图7为本申请实施例提供的特征提取模型训练方法的流程图。
图8为本申请实施例提供的特征提取模型训练装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
随着车辆的普及,车辆的信息库也会像人员信息库一样全面,各个车辆可能都会在车辆数据库进行保存,基于在更多场景中,车辆的搜索可能更加至关重要要,例如,刑侦破案、目标车辆的追寻等。基于此,本申请提供的一种车辆检测方法、分类识别模型训练方法、特征提取模型训练方法、装置等,可以基于车辆信息库,可以对需要识别的车辆进行检测识别。
实施例一
为便于对本实施例进行理解,首先对执行本申请实施例所公开的车辆检测方法、分类识别模型训练方法、特征提取模型训练方法的电子设备进行详细介绍。
如图1所示,是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子设备100的结构造成限定。例如,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中,存储器111可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。其中,存储器111用于存储计算机程序,处理器113在接收到执行指令后,执行上述计算机程序,本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中,或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(digital signalprocessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
上述的显示单元在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述车辆检测方法、分类识别模型训练方法、特征提取模型训练方法的实现过程。
实施例二
请参阅图2,是本申请实施例提供的车辆检测方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤201,使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数。
上述的目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种。
上述的车辆颜色可以包括,但是不限于:白色、黑色、红色、香槟色、银色、蓝色、黄色、绿色等。
车辆的型号可以包括,但不限于:轿车、SUV(sport utility vehicle,中文称:城郊实用汽车)、小型客车、救援车、皮卡车、跑车、MPV(multi-Purpose Vehicles,中文称:多用途汽车)等。
车辆标识可以是车品牌,例如,宝马、奔驰、本田、丰田、福特、保时捷、玛莎拉蒂、大众等,在此不再穷举。
其中,目标图像数据可以是经过车辆区域处理的图像、也可以是由一摄像头采集到的一图像、也可以是接收到其它终端采集到的图像等任意包含车辆区域的图像。
可选地,如图3所示,步骤201之前可以包括以下步骤。
步骤2001,对包含有所述目标车辆的原始图像进行检测,以确定出所述目标车辆所在的车辆区域。
在一个应用场景中,本实施例中的方法可以用于车辆追踪,上述的原始图像可以是其一路口采集的包含车辆区域的图像。
在另一应用场景中,本实施例中的方法可以用于兴趣车辆查询,则上述的原始图像可以是一用户终端上传的包含车辆区域的图像。
可选地,步骤2011可以使用一目标检测模型进行检测。
上述的目标检测模型可以使用多张包含车辆的图像数据,对一神经网络模型训练得到的模型。
步骤2002,对所述原始图像进行剪裁,以得到所述车辆区域的图像。
可选地,可以按照上述的原始图像中的车辆区域进行剪裁。示例性地,可以按照车辆区域的边缘进行剪裁,以剪裁出只剩下车辆区域的不规则图像。示例性地,也可以按照车辆区域进行剪裁,以剪裁出包含车辆区域的矩形图像。
步骤2003,将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据。
可选地,可以对车辆区域的图像进行缩放处理,以使目标图像数据的尺寸能够满足分类识别模型的需求。
示例性地,可以将车辆区域的图像缩放成112*112大小的图像。
可选地,还可以对车辆区域的图像进行亮度调整、饱和度调整、对比度调整、色调调整等,以增强目标图像数据的固有属性的可视化。
可选地,还可以对车辆区域的图像进行标准化处理。该标准化处理包括对当前图像的各个像素减去像素均值,然后再除以像素标准差。
上述的步骤2003可以被实施为:将所述车辆区域的图像进行色值填充,得到正方形图像;将所述正方形图像进行缩放处理,以得到目标尺寸的目标图像数据。
示例性地,通过剪裁得到的车辆区域的图像可能不是正方形图像,则可以对车辆区域的图像进行填充,以形成正方形图像。可选地,可以用零值对车辆区域的图像进行填充。然后,可以对填充后的车辆区域的图像进行缩放处理,以使目标图像数据的尺寸能够满足分类识别模型的需求。示例性地,可以缩放成112*112大小的图像。
通过上述过程,先将原始图像进行剪裁,以适应不同图像可能会存在车辆区域的大小一的情况,然后再对剪裁的目标图像数据进行一系列的处理,可以减少后续的步骤对一些多余的非车辆区域的识别,也可以通过车辆检测的准确率。
可选地,车辆属性中包括多类属性组。例如,颜色属性组、品牌属性组、类型属性组等。每类属性组包括多项属性。例如,颜色属性组可以包括的属性有:白色、红色、绿色等。品牌属性组可以包括的属性有:奔驰、宝马、大众等。类型属性组可以包括的属性有:SUV、小轿车、跑车、客运公交车等。
基于上述的属性分类,步骤201可以包括:
a.使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,确定出每类属性组中的各项属性对应的置信度;
b.根据所述每类属性组中的各项属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,每类属性组中对应的子属性参数组成所述目标车辆的目标属性参数。
上述步骤b可以包括多种实现方式,下面分别就不同的实现方式进行描述。
在第一实现方式中,可以选取各个每类属性组中的各项属性对应的置信度最高的属性作为目标车辆在该属性组的属性参数。例如,在颜色属性组中,目标车辆的红色的置信度为0.3,绿色的置信度为0.4,蓝色的置信度为0.4。在此实例中,目标车辆的颜色属性为绿色。
在第二实现方式中,若多个属性对应的置信度相等,则可以根据属性对应的权重确定。例如,类型属性组中小轿车、跑车、SUV的权重分别为4,3,2。例如,在类型属性组中,目标车辆的小轿车的置信度为0.4,跑车的置信度为0.4,SUV的置信度为0.2。在此实例中,由于小轿车比跑车的权重较高,在小轿车和跑车的置信度相同的情况下,目标车辆的类型属性为小轿车。
在第三实现方式中,若多个属性对应的置信度相等,可以随机舍弃部分结果,选取其中一结果。例如,在品牌属性组中,目标车辆的奔驰的置信度为0.4,大众的置信度为0.4。在此实例中,可以随机选取大众作为目标车辆的品牌属性。
本申请实施例提供的车辆检测方法,还可以确定出多个结果时,可以再对多个属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,从而实现有效地对车辆属性的确认。
步骤202,根据所述目标属性参数在待候选库筛选出目标候选库。
上述的目标候选库中包括多个待选车辆的车辆信息。车辆信息可以包括车辆特征。
示例性地,目标属性参数包括目标车辆颜色、目标车辆类型。
示例性地,步骤202可以包括:从所述待候选库中选出颜色与所述目标车辆颜色相同、且车辆类型与所述目标车辆类型相同的所有待选车辆,以形成所述目标候选库。
由于车辆的车辆颜色及车辆类型等固有属性被改装的概率相对较低,因此,先筛选出满足目标车辆的固有属性对应的目标候选库,可以对目标车辆有一个初步定位,然后,再进行进一步地的搜索,可以相对更好地实现车辆的识别。
示例性地,在步骤202之前,车辆检测方法还可以包括:将获取的所有的待选车辆图像使用特征提取模型进行特征提取,以得到每个所述待选车辆的车辆特征;将每一所述待选车辆的车辆类型、车辆颜色、车辆特征进行关联存储形成一条车辆信息;所有所述候选车辆的车辆信息形成所述待候选库。
其中,上述的待选车辆图像可以是各个路口的监控摄像头采集到的图像、也可以是各个售车店已售出的车辆的记录的图像、还可以是各个与车相关的应用程序中记录的车辆图像、还可以是用户主动上传的图像、还可以是车管所登记的图像等任何可以获得车辆图像的途径得到的图像。
可选地,上述的待选车辆的车辆类型、车辆颜色可以根据接收到的用户的标记数据确定。
本申请实施例提供的车辆检测方法,针对候选库中的车辆记录详细的车辆类型、车辆颜色、车辆特征等信息,从而可以有效地实现对待候选库筛选,以及后续的车辆特征进行比较,从而为车辆的搜索提供数据基础,提高车辆搜索的成功率。
步骤203,使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征。
步骤204,将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
示例性地,上述的目标特征及每一待选车辆对应的车辆特征表示一向量。可选地,可以计算目标特征与目标候选库中每一待选车辆对应的车辆特征的夹角,夹角越小,表示目标特征与每一待选车辆对应的车辆特征越相近,目标特征与每一待选车辆对应的车辆特征分别表示的车辆也就越相似。可以计算目标特征与目标候选库中每一待选车辆对应的车辆特征的夹角余弦值,余弦值越大,夹角越小。因此,可以选出目标候选库中的待选车辆对应的车辆特征与目标特征的夹角的余弦值大于设定值的所有待选车辆作为目标候选车辆。目标候选车辆的数量可以是一,也可以大于一。
本申请实施例提供的车辆检测方法,采用先基于图像中的车辆的明显的固有属性,如,颜色或车型或车辆标识,对候选库进行筛选;再基于根据汽车属性筛选出的候选库,进行再次对比搜索,从而可以确定出目标候选车辆,可以实现在相对较小的候选库中进行精确筛选,减少图像筛选工作量。进一步地,在确定目标候选库中进行筛选的准确率也相对更高。
实施例三
基于同一申请构思,本申请实施例中还提供了与车辆检测方法对应的车辆检测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述车辆检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图4,是本申请实施例提供的车辆检测装置的功能模块示意图。本实施例中的车辆检测装置中的各个模块用于执行上述方法实施例中的各个步骤。车辆检测装置包括:分类模块301、筛选模块302、提取模块303以及比较模块304;其中,
分类模块301,用于使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数,所述目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;
筛选模块302,用于根据所述目标属性参数在待候选库筛选出目标候选库,所述目标候选库中包括多个待选车辆的车辆信息,所述车辆信息包括车辆特征;
提取模块303,用于使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征;
比较模块304,用于将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
一种可能的实施方式中,本实施例中的装置还可以包括:得到模块,用于:
对包含有所述目标车辆的原始图像进行检测,以确定出所述目标车辆所在的车辆区域;
对所述原始图像进行剪裁,以得到所述车辆区域的图像;
将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据。
一种可能的实施方式中,得到模块,还用于:
将所述车辆区域的图像进行色值填充,得到正方形图像;
将所述正方形图像进行缩放处理,以得到目标尺寸的目标图像数据。
一种可能的实施方式中,目标属性参数包括目标车辆颜色、目标车辆类型;筛选模块,还用于:
从所述待候选库中选出颜色与所述目标车辆颜色相同、且车辆类型与所述目标车辆类型相同的所有待选车辆,以形成所述目标候选库。
一种可能的实施方式中,本实施例中的装置还可以包括:候选框组建模块,用于:
将获取的所有的待选车辆图像使用所述特征提取模型进行特征提取,以得到每个所述待选车辆的车辆特征;
将每一所述待选车辆的车辆类型、车辆颜色、车辆特征进行关联存储形成一条车辆信息;
所有所述候选车辆的车辆信息形成所述待候选库。
一种可能的实施方式中,车辆属性中包括多类属性组,每类属性组包括多项属性;分类模块301,还用于:
使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,确定出每类属性组中的各项属性对应的置信度;
根据所述每类属性组中的各项属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,每类属性组中对应的子属性参数组成所述目标车辆的目标属性参数。
实施例四
请参阅图5,是本申请实施例提供的分类识别模型训练方法的流程图。下面将对图5所示的具体流程进行详细阐述。
步骤401,获取第一数据集。
第一数据集中包括多张含有车辆视图的图像。
其中,第一数据集中的图像携带有图像标签。
图像标签根据分类识别模型需要分类的属性确定。若分类识别模型需要对车辆的颜色和车辆的类型分类,则第一数据集中的每一张图像可以包括颜色标签、类型标签。若分类识别模型需要对车辆的颜色和车辆的品牌分类,则第一数据集中的每一张图像可以包括颜色标签、品牌标签。
可选地,上述的图像标签可以是通过一些车辆检测模型进行检测得到标签,也可以根据接收到的标签数据对车辆检测模型进行检测得到标签进行复核。
步骤401可以包括:按照车辆属性,分别获取每一属性对应的样本数据集,以得到第一数据集,其中,每一属性对应的样本数据集中的图像数量在第一指定数量范围内。
上述的第一指定数量范围可以是根据待训练的第一神经网络模型的复杂度确定,例如,第一神经网络模型越复杂第一指定数量范围的下限越大等。在一个实例中,第一指定数量范围可以是10000-11000、10000-10500等范围。
通过对每一属性对应的样本数据集的数量进行限定,可以使各属性对应的样本更加均衡,从而可以提高训练模型的均衡性,提高训练得到的分类识别模型的识别的准确率。
可选地,上述的车辆属性可以选择车辆中不易被改变的固有属性。
示例性地,车辆属性可以包括:类型属性、颜色属性、品牌属性等。类型属性包括:轿车、SUV、小型客车、救援车等。颜色属性包括:红色、黄色、白色等。品牌属性包括:大众、丰田、本田等。
在可能的情况下,可以选择更多不同的车辆的图像。例如,不同拍摄时间拍摄的车辆图像、不同拍摄位置拍摄的图像、不同来源的车辆图像、车的不同部位的图像。示例性地,可以是各个路口的摄像头采集、各个用户上传的等。例如,拍摄时间可以是清晨、正午、傍晚、黑夜等时间。
步骤402,将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集。
第一训练数据集中的图像为符合设定规则的图像。符合设定规则图像可以是满足设定大小的图像,也可以是满足设定对比度的图像等。
可选地,可以将第一数据集中的图像按照实施例二中的步骤2001-2003中描述方式进行预处理,在此不再赘述。
在一个实例中,可以先将第一数据集中的图像以尺寸为160*160大小的图像进行保存。在需要训练时,将保存的160*160大小的图像缩放或剪裁为112*112大小的图像作为训练的输入数据。
步骤403,将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型。
本实施例中的分类识别模型可以用于上述第二实施例所提供的方法中对目标图像数据的分类识别。
第一神经网络模型包括残差网络和批标准化层。通过在第一神经网络模型中增加批标准化层,进行归一化处理,可以增加算法的鲁棒性,即改善算法的泛化能力。
可选地,第一神经网络模型中包括多个损失函数,每个对应损失函数用于训练过程中对对应的一车辆属性训练效果的评价,每一车辆属性对应的损失函数的权重由所述第一训练数据集中每一车辆属性对应的图像数量确定。
在一个实例中,第一训练数据集合中,红车:黄车:白车=2:1:3;则各个颜色属性对应的loss的加权可以为,红车:黄车:白车=3:6:2。
可选地,针对识别难度较大的属性可以使用Focal-loss损失函数,从而可以重点对识别难度较大的属性进行重点训练。
下面通过一个实例,描述本实施例提供的第一神经网络模型可能的结构。
如下表所示,在一个实例中第一神经网络模型可以包括如下结构:
其中,首先经过卷积层Conv3-64、卷积层Conv3-64-BN、最大池化Max pooling、卷积层Conv3-128、卷积层Conv3-128-BN、最大池化Max pooling、卷积层Conv3-256、卷积层Conv3-256-BN的处理;然后,针对其中一类属性分出:卷积层Conv3-128、卷积层Conv3-128-BN、全局平均池Global average pooling、全连接层FC、分类器softmax的处理;然后,针对另一类属性分出:卷积层Conv3-128、卷积层Conv3-128-BN、全局平均池Global averagepooling、全连接层FC、分类器softmax的处理。
本申请实施例提供的分类识别模型训练方法,采用联合训练的方式进行训练,根据不同任务学习的困难程度对两个损失函数赋予不同的权重并加权为一个loss。可选地,可以使用梯度下降算法进行训练。
此外,本申请实施例中的第一神经网络模型中,更改Focal loss(焦点损失函数)使其适用于多分类。示例性地,Focal loss超参数α可以设置为4,γ设置为为2,以使得置信度低于0.5的为困难样本。通过对Focal loss的更改,可以实现对困难样本的挖掘,从而使训练得到的分类识别模型能够更准确地对车辆图像中的各类属性进行识别。
上述的实例中是以分类识别模型用于识别两类属性组中的属性为例进行描述。示例性地,如果分类识别模型用于识别三类属性组中的属性,则可以在卷积层Conv3-256-BN之后分三支分别进行训练。
示例性地,针对分类器输出的各项属性的置信度,若存在至少两项属性的置信度最高,则可以随机选择其中一属性作为分类结果。
示例性地,针对分类器输出的各项属性的置信度,若存在至少两项属性的置信度最高,则可以随机选择其中一属性作为分类结果。则可以根据各项属性对应的权重选择权重较高的属性作为分类结果。
各项属性对应的权重可以是预先设置的权重。可选地,可以按照各项属性的出现率设置,出现率越高的属性对应的权重也可以越高。
本实施例提供的分类识别模型训练方法,通过在各属性对应的样本量不同时,可以调整损失函数的权重,从而可以从损失函数方面调整样本数的均衡性,从而提高训练得到的分类识别模型的识别的准确率。
实施例五
基于同一申请构思,本申请实施例中还提供了与分类识别模型训练方法对应的分类识别模型训练装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述分类识别模型训练方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图6,是本申请实施例提供的分类识别模型训练装置的功能模块示意图。本实施例中的分类识别模型训练装置中的各个模块用于执行上述方法实施例中的各个步骤。分类识别模型训练装置包括:第一获取模块501、处理模块502及第一训练模块503;其中,
第一获取模块501,用于获取第一数据集;
第一数据集中包括多张含有车辆视图的图像,所述第一数据集中的图像携带有图像标签。
处理模块502,用于将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集,所述第一训练数据集中的图像为符合设定规则的图像;
第一训练模块503,用于将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型,所述分类识别模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的分类识别,所述第一神经网络模型包括残差网络和批标准化层。
一种可能的实施方式中,第一获取模块501,还用于:
按照车辆属性,分别获取每一属性对应的样本数据集,以得到第一数据集,其中,每一属性对应的样本数据集中的图像数量在第一指定数量范围内。
一种可能的实施方式中,上述的第一神经网络模型中包括多个损失函数,每个对应损失函数用于训练过程中对对应的一车辆属性训练效果的评价,每一车辆属性对应的损失函数的权重由所述第一训练数据集中每一车辆属性对应的图像数量确定。
实施例六
请参阅图7,是本申请实施例提供的特征提取模型训练方法的流程图。下面将对图7所示的具体流程进行详细阐述。
步骤601,获取第二数据集。
第二数据集中包括多张含有车辆视图的图像。
第二数据集中的每张图像匹配有身份标签。其中,身份标签用于唯一标识一辆车对应的多张图像。
每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像。第二指定数量范围可以是1800-2200,例如,每一身份标签对应的车辆的图像的数量可以是2000。
示例性地,本申请实施例中的特征提取模型训练方法可以类似ReID,通过对车辆的身份标签进行学习,从而得到用于提取特征的模型。
可以收集同一车辆不同摄像头不同角度的图像。同一车辆对应一个身份标签。
使用车辆检测模型收集同一车辆不同摄像头不同角度的图像并完成标注,具体实施时以车牌识别加人工复检的方式确定同一车辆。在一个实例中,可以收集300辆车辆样本,每一辆车包含2000张不同图像。在一个实例中,身份标签可以为0-299。
步骤602,将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型。
第二神经网络中包括特征提取器及分类器,其中,特征提取器用于提取输入的图像的特征,分类器用于对所述特征提取器提取的特征进行分类训练。本实施例中,分类器仅用于对训练得到特征提取模型的辅助训练,训练后的分类器并不作为特征提取模型的一部分。
本实施例中,特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于上述第一方面,或第一方面中的任意一种实施方式所述的方法中对目标图像数据的特征提取。
本实施例提供的特征提取模型训练方法,通过第二神经网络模型的训练可以确定出一可以提取含有车辆图像的图像的车辆特征,为后续的车辆的确定奠定基础。
示例性地,第二神经网络模型可以包括所述特征提取器、全连接层、分类器,步骤602可以包括:
a.将所述第二数据集中任一图像输入所述特征提取器中进行特征提取,得到图像特征;
b.将所述图像特征输入所述全连接层及分类器进行分类处理,得到分类结果;
c.将所述分类结果与对应的身份标签确定分类准确率;
当所述分类准确率小于设定值时,调整所述特征提取器中的待确定参数后,再执行上述的步骤a-c;当所述准确率不小于设定值,退出循环,得到特征提取模型。
由于传统的Softmax在扩大决策边界方面表现不佳,故本申请实施例使用additive angular margin loss(附加角度损失函数),通过归一化后的特征向量与分类结果对应所属类别的向量之间的夹角来确定决策边界。
可选地,还可以通过在additive angular margin loss中添加角度惩罚因子来最大化分类界限。
在一个实例中,additive angular margin loss可以表示为:
其中,m表示角度惩罚因子,s表示规模参数,θj表示归一化后的特征向量与分类结果对应所属类别的向量中第j组向量的之间的夹角,θyi表示归一化后的特征向量与分类结果对应所属类别的向量中第i组向量的之间的夹角。
本实施例提供的特征提取模型训练方法,通过身份标签的识别训练,训练出在需要得到身份标签过程中提取特征的部分模型,从而确定出特征提取模型。
实施例七
基于同一申请构思,本申请实施例中还提供了与特征提取模型训练方法对应的特征提取模型训练装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述特征提取模型训练方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图8,是本申请实施例提供的特征提取模型训练装置的功能模块示意图。本实施例中的特征提取模型训练装置中的各个模块用于执行上述方法实施例中的各个步骤。特征提取模型训练装置包括:第二获取模块701、第二训练模块702;其中,
第二获取模块701,用于获取第二数据集,所述第二数据集中包括多张含有车辆视图的图像,所述第二数据集中的每张图像匹配有身份标签,每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像;
第二训练模块702,用于将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型,所述第二神经网络中包括特征提取器及分类器,所述特征提取器用于提取输入的图像的特征,所述分类器用于对所述特征提取器提取的特征进行分类训练;所述特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于第二实施例提供的方法中对目标图像数据的特征提取。
一种可能的实施方式中,上述的第二神经网络模型包括所述特征提取器、全连接层及分类器,第二训练模块702,还用于:
a.将所述第二数据集中任一图像输入所述特征提取器中进行特征提取,得到图像特征;
b.将所述图像特征输入所述全连接层及分类器进行分类处理,得到分类结果;
c.将所述分类结果与对应的身份标签确定分类准确率;
当所述分类准确率小于设定值时,调整所述特征提取器中的待确定参数后,再执行上述的a-c;当所述准确率不小于设定值,退出循环,得到特征提取模型。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的车辆检测方法、分类识别模型训练方法或特征提取模型训练方法的步骤。
本申请实施例所提供的车辆检测方法、分类识别模型训练方法或特征提取模型训练方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的车辆检测方法、分类识别模型训练方法或特征提取模型训练方法的步骤,具体可参见上述方法实施例,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,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种车辆检测方法,其特征在于,包括:
使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数,所述目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;
根据所述目标属性参数在待候选库筛选出目标候选库,所述目标候选库中包括多个待选车辆的车辆信息,所述车辆信息包括车辆特征;
使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征;
将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
2.根据权利要求1所述的方法,其特征在于,在所述使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数的步骤之前,所述方法还包括:
对包含有所述目标车辆的原始图像进行检测,以确定出所述目标车辆所在的车辆区域;
对所述原始图像进行剪裁,以得到所述车辆区域的图像;
将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述车辆区域的图像进行处理,以得到符合设定条件的目标图像数据的步骤,包括:
将所述车辆区域的图像进行色值填充,得到正方形图像;
将所述正方形图像进行缩放处理,以得到目标尺寸的目标图像数据。
4.根据权利要求1所述的方法,其特征在于,所述目标属性参数包括目标车辆颜色、目标车辆类型;所述根据所述目标属性参数在待候选库筛选出目标候选库的步骤,包括:
从所述待候选库中选出颜色与所述目标车辆颜色相同、且车辆类型与所述目标车辆类型相同的所有待选车辆,以形成所述目标候选库。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述目标属性参数在待候选库筛选出目标候选库的步骤之前,所述方法还包括:
将获取的所有的待选车辆图像使用所述特征提取模型进行特征提取,以得到每个所述待选车辆的车辆特征;
将每一所述待选车辆的车辆类型、车辆颜色、车辆特征进行关联存储形成一条车辆信息;
所有所述候选车辆的车辆信息形成所述待候选库。
6.根据权利要求1所述的方法,其特征在于,车辆属性中包括多类属性组,每类属性组包括多项属性;所述使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数的步骤,包括:
使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,确定出每类属性组中的各项属性对应的置信度;
根据所述每类属性组中的各项属性对应的置信度确定出所述目标车辆在每类属性组中对应的属性参数,每类属性组中对应的子属性参数组成所述目标车辆的目标属性参数。
7.一种分类识别模型训练方法,其特征在于,包括:
获取第一数据集,所述第一数据集中包括多张含有车辆视图的图像,所述第一数据集中的图像携带有图像标签;
将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集,所述第一训练数据集中的图像为符合设定规则的图像;
将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型,所述分类识别模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的分类识别,所述第一神经网络模型包括残差网络和批标准化层。
8.根据权利要求7所述的方法,其特征在于,所述获取第一数据集的步骤,包括:
按照车辆属性,分别获取每一属性对应的样本数据集,以得到第一数据集,其中,每一属性对应的样本数据集中的图像数量在第一指定数量范围内。
9.根据权利要求7所述的方法,其特征在于,所述第一神经网络模型中包括多个损失函数,每个对应损失函数用于训练过程中对对应的一车辆属性训练效果的评价,每一车辆属性对应的损失函数的权重由所述第一训练数据集中每一车辆属性对应的图像数量确定。
10.一种特征提取模型训练方法,其特征在于,包括:
获取第二数据集,所述第二数据集中包括多张含有车辆视图的图像,所述第二数据集中的每张图像匹配有身份标签,每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像;
将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型,所述第二神经网络中包括特征提取器及分类器,所述特征提取器用于提取输入的图像的特征,所述分类器用于对所述特征提取器提取的特征进行分类训练;所述特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的特征提取。
11.根据权利要求10所述的方法,其特征在于,所述第二神经网络模型包括所述特征提取器、全连接层及分类器,所述将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型的步骤,包括:
a.将所述第二数据集中任一图像输入所述特征提取器中进行特征提取,得到图像特征;
b.将所述图像特征输入所述全连接层及分类器进行分类处理,得到分类结果;
c.将所述分类结果与对应的身份标签确定分类准确率;
当所述分类准确率小于设定值时,调整所述特征提取器中的待确定参数后,再执行上述的步骤a-c;当所述准确率不小于设定值,退出循环,得到特征提取模型。
12.一种车辆检测装置,其特征在于,包括:
分类模块,用于使用分类识别模型对包含目标车辆的目标图像数据进行分类识别,以确定出所述目标车辆的目标属性参数,所述目标属性参数包括车辆颜色、车辆类型、车辆标识中的至少一种;
筛选模块,用于根据所述目标属性参数在待候选库筛选出目标候选库,所述目标候选库中包括多个待选车辆的车辆信息,所述车辆信息包括车辆特征;
提取模块,用于使用特征提取模型对所述目标图像数据进行特征提取,以得到目标特征;
比较模块,用于将所述目标特征与所述目标候选库中每一待选车辆对应的车辆特征进行比较,以确定出所述目标候选库中与所述目标车辆的相似度大于设定阈值的目标候选车辆。
13.一种分类识别模型训练装置,其特征在于,包括:
第一获取模块,用于获取第一数据集,所述第一数据集中包括多张含有车辆视图的图像,所述第一数据集中的图像携带有图像标签;
处理模块,用于将所述第一数据集中的每一图像数据按照预设处理规则进行处理,以得到第一训练数据集,所述第一训练数据集中的图像为符合设定规则的图像;
第一训练模块,用于将所述第一训练数据集输入第一神经网络模型进行训练,以得到分类识别模型,所述分类识别模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的分类识别,所述第一神经网络模型包括残差网络和批标准化层。
14.一种特征提取模型训练装置,其特征在于,包括:
第二获取模块,用于获取第二数据集,所述第二数据集中包括多张含有车辆视图的图像,所述第二数据集中的每张图像匹配有身份标签,每一个身份标签在所述第二数据集中对应有第二指定数量范围内的图像;
第二训练模块,用于将所述第二数据集输入第二神经网络模型进行训练,以得到特征提取模型,所述第二神经网络中包括特征提取器及分类器,所述特征提取器用于提取输入的图像的特征,所述分类器用于对所述特征提取器提取的特征进行分类训练;所述特征提取模型包括训练后的所述特征提取器;所述特征提取模型用于执行权利要求1-6任意一项所述的方法中对目标图像数据的特征提取。
15.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的方法的步骤。
16.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至11任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299561.5A CN111126224A (zh) | 2019-12-17 | 2019-12-17 | 车辆检测方法及分类识别模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299561.5A CN111126224A (zh) | 2019-12-17 | 2019-12-17 | 车辆检测方法及分类识别模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126224A true CN111126224A (zh) | 2020-05-08 |
Family
ID=70499136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299561.5A Pending CN111126224A (zh) | 2019-12-17 | 2019-12-17 | 车辆检测方法及分类识别模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126224A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612015A (zh) * | 2020-05-26 | 2020-09-01 | 创新奇智(西安)科技有限公司 | 车辆识别方法、装置及电子设备 |
CN111626578A (zh) * | 2020-05-18 | 2020-09-04 | 上海东普信息科技有限公司 | 物流货车的调配方法、装置、设备及存储介质 |
CN111861680A (zh) * | 2020-08-06 | 2020-10-30 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
CN111985304A (zh) * | 2020-07-03 | 2020-11-24 | 深圳英飞拓智能技术有限公司 | 巡防告警方法、系统、终端设备及存储介质 |
CN112184640A (zh) * | 2020-09-15 | 2021-01-05 | 中保车服科技服务股份有限公司 | 一种图像检测模型的构建及图像检测方法和装置 |
CN112927502A (zh) * | 2021-01-21 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN112991311A (zh) * | 2021-03-29 | 2021-06-18 | 深圳大学 | 车辆超重检测方法、装置、系统及终端设备 |
CN113011540A (zh) * | 2021-03-01 | 2021-06-22 | 北京骑胜科技有限公司 | 识别方法、装置、可读存储介质和电子设备 |
CN113221982A (zh) * | 2021-04-28 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法、车辆识别模型创建方法及相关组件 |
CN113590609A (zh) * | 2021-06-22 | 2021-11-02 | 北京旷视科技有限公司 | 数据分库方法及装置、存储介质及电子设备 |
CN113657180A (zh) * | 2021-07-23 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆识别方法、服务器和计算机可读存储介质 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN114612696A (zh) * | 2020-12-04 | 2022-06-10 | 北京达佳互联信息技术有限公司 | 目标图像筛选方法、装置、电子设备及存储介质 |
CN115457573A (zh) * | 2022-11-09 | 2022-12-09 | 北京闪马智建科技有限公司 | 一种字符的确定方法、装置、存储介质及电子装置 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
WO2023024790A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海商汤智能科技有限公司 | 车辆识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
CN116664966A (zh) * | 2023-03-27 | 2023-08-29 | 北京鹰之眼智能健康科技有限公司 | 一种红外图像处理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529530A (zh) * | 2016-10-28 | 2017-03-22 | 上海大学 | 一种基于单目视觉的前方车辆检测方法 |
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN107832794A (zh) * | 2017-11-09 | 2018-03-23 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法、车系识别方法及计算设备 |
CN108304754A (zh) * | 2017-03-02 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置 |
CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
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 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
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 |
CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
-
2019
- 2019-12-17 CN CN201911299561.5A patent/CN111126224A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529530A (zh) * | 2016-10-28 | 2017-03-22 | 上海大学 | 一种基于单目视觉的前方车辆检测方法 |
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN108304754A (zh) * | 2017-03-02 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置 |
CN107832794A (zh) * | 2017-11-09 | 2018-03-23 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法、车系识别方法及计算设备 |
CN108549926A (zh) * | 2018-03-09 | 2018-09-18 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
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 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
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 |
CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
曹桂梅: "基于深度学习的航拍车辆实时检测方法" * |
袁配配 等: "基于深度学习的行人属性识别" * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626578A (zh) * | 2020-05-18 | 2020-09-04 | 上海东普信息科技有限公司 | 物流货车的调配方法、装置、设备及存储介质 |
CN111612015B (zh) * | 2020-05-26 | 2023-10-31 | 创新奇智(西安)科技有限公司 | 车辆识别方法、装置及电子设备 |
CN111612015A (zh) * | 2020-05-26 | 2020-09-01 | 创新奇智(西安)科技有限公司 | 车辆识别方法、装置及电子设备 |
CN111985304A (zh) * | 2020-07-03 | 2020-11-24 | 深圳英飞拓智能技术有限公司 | 巡防告警方法、系统、终端设备及存储介质 |
CN111861680A (zh) * | 2020-08-06 | 2020-10-30 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
CN111861680B (zh) * | 2020-08-06 | 2024-03-29 | 南京三百云信息科技有限公司 | 基于配置的车型确定方法、装置以及电子终端 |
CN112184640A (zh) * | 2020-09-15 | 2021-01-05 | 中保车服科技服务股份有限公司 | 一种图像检测模型的构建及图像检测方法和装置 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN114612696A (zh) * | 2020-12-04 | 2022-06-10 | 北京达佳互联信息技术有限公司 | 目标图像筛选方法、装置、电子设备及存储介质 |
CN112927502A (zh) * | 2021-01-21 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN113011540A (zh) * | 2021-03-01 | 2021-06-22 | 北京骑胜科技有限公司 | 识别方法、装置、可读存储介质和电子设备 |
CN112991311A (zh) * | 2021-03-29 | 2021-06-18 | 深圳大学 | 车辆超重检测方法、装置、系统及终端设备 |
CN112991311B (zh) * | 2021-03-29 | 2021-12-10 | 深圳大学 | 车辆超重检测方法、装置、系统及终端设备 |
CN113221982A (zh) * | 2021-04-28 | 2021-08-06 | 深圳市捷顺科技实业股份有限公司 | 一种车辆识别方法、车辆识别模型创建方法及相关组件 |
CN113590609A (zh) * | 2021-06-22 | 2021-11-02 | 北京旷视科技有限公司 | 数据分库方法及装置、存储介质及电子设备 |
CN113657180A (zh) * | 2021-07-23 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆识别方法、服务器和计算机可读存储介质 |
WO2023024790A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海商汤智能科技有限公司 | 车辆识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
CN115457573B (zh) * | 2022-11-09 | 2023-04-28 | 北京闪马智建科技有限公司 | 一种字符的确定方法、装置、存储介质及电子装置 |
CN115457573A (zh) * | 2022-11-09 | 2022-12-09 | 北京闪马智建科技有限公司 | 一种字符的确定方法、装置、存储介质及电子装置 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN116664966A (zh) * | 2023-03-27 | 2023-08-29 | 北京鹰之眼智能健康科技有限公司 | 一种红外图像处理系统 |
CN116664966B (zh) * | 2023-03-27 | 2024-02-20 | 北京鹰之眼智能健康科技有限公司 | 一种红外图像处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN109740478B (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
CN108549870A (zh) | 一种对物品陈列进行鉴别的方法及装置 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
Wang et al. | An effective method for plate number recognition | |
CN109583305B (zh) | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 | |
CN109829467A (zh) | 图像标注方法、电子装置及非暂态电脑可读取储存媒体 | |
CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN106570439B (zh) | 一种车辆检测方法及装置 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN110765954A (zh) | 一种车辆重识别方法、设备及存储装置 | |
Negri et al. | An oriented-contour point based voting algorithm for vehicle type classification | |
Li et al. | Robust vehicle detection in high-resolution aerial images with imbalanced data | |
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 | |
CN111783654B (zh) | 车辆重识别方法、装置及电子设备 | |
Maldonado-Bascon et al. | Traffic sign recognition system for inventory purposes | |
CN111209799A (zh) | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
CN105184286A (zh) | 一种车辆检测方法及检测装置 | |
CN107533547A (zh) | 产品索引编排方法及其系统 | |
CN115205615A (zh) | 一种车辆清洁度检测方法、装置和计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |