CN111144372A - 车辆检测方法、装置、计算机设备和存储介质 - Google Patents

车辆检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111144372A
CN111144372A CN201911419333.7A CN201911419333A CN111144372A CN 111144372 A CN111144372 A CN 111144372A CN 201911419333 A CN201911419333 A CN 201911419333A CN 111144372 A CN111144372 A CN 111144372A
Authority
CN
China
Prior art keywords
vehicle
model
detected
area image
vehicle model
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
Application number
CN201911419333.7A
Other languages
English (en)
Inventor
周康明
高凯珺
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201911419333.7A priority Critical patent/CN111144372A/zh
Publication of CN111144372A publication Critical patent/CN111144372A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种车辆检测方法、装置、计算机设备和存储介质。所述方法包括：识别待检测图像，得到待检测车辆的车辆区域图像；采用车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；获取待检测车辆的参考信息，根据参考信息确定待检测车辆的参考车辆型号；将待检测车辆的车辆型号与参考车辆型号进行比较，生成车辆型号的检测结果。采用本方法通过预先生成车辆型号与车辆基本信息的映射表，并根据该映射表对样本进行标注生成训练样本集，可以提高模型训练效率，且便于数据维护。

Description

车辆检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆检测技术领域，特别是涉及一种车辆检测方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，机动车保有量迅猛增长，从而使得机动车车辆年检的工作量也随之迅速增大。
车辆年检中，需要核对车辆的型号。传统技术中，对于车辆型号的检验，往往需要检验人员从目前已有的众多车辆品牌及其车系中分辨出正在检验的车辆的型号。这种传统的方式需要检验人员具备大量的经验与知识储备，对检验人员要求较高。随着计算机技术的进步，产生了一些基于自动检测的车辆型号识别方法，这些车辆型号识别方法往往需要识别出每辆车的实际型号，然后再另外根据所识别出的实际型号进行核对检测。但是由于车辆型号数量较多，使用这些方法进行检测存在耗时较大的问题，从而导致车辆检测效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够加快车辆型号检测效率的车辆检测方法、装置、计算机设备和存储介质。
为了实现上述目的，一方面，本申请实施例提供了一种车辆检测方法，所述方法包括：
识别待检测图像，得到待检测车辆的车辆区域图像；
采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；
获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号；
将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
在其中一个实施例中，相同类别的车辆型号用于定义外观相同的车辆，不同类别的车辆型号用于定义外观不同的车辆。
在其中一个实施例中，获取待检测车辆的参考信息，包括：
获取待检测车辆的车牌号码；
根据车牌号码，查找到对应的参考信息。
在其中一个实施例中，参考信息为参考图像；根据参考信息，确定待检测车辆的参考车辆型号，包括：
采用车辆检测模型识别参考图像，得到参考车辆区域图像；
采用车辆型号识别模型识别参考车辆区域图像，得到待检测车辆的参考车辆型号。
在其中一个实施例中，参考信息为待检测车辆的车辆基本信息；根据参考信息，确定待检测车辆的参考车辆型号，包括：
获取预先存储的待检验车辆的车辆基本信息；
根据待检验车辆的车辆基本信息，从映射表中查找到对应的参考车辆型号。
在其中一个实施例中，车辆型号识别模型的生成方式，包括：
获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息；
根据每张车辆区域图像样本各自对应的车辆基本信息以及映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集；
将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型。
在其中一个实施例中，待训练的车辆型号识别模型采用卷积神经网络，卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
在其中一个实施例中，将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型，包括：
使用多个损失函数对待训练的车辆型号识别模型分别进行训练；
对每个损失函数得到的损失值进行加权和得到最终损失值；
确定最终损失值中的最小值，将最小值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。
在其中一个实施例中，获取多张车辆区域图像样本，包括：
获取多张原始车辆区域图像样本；
根据每张原始车辆区域图像样本的尺寸信息，对每张原始车辆区域图像样本进行填充，生成预设尺寸比例的多张车辆区域图像样本，预设尺寸比例为1:1。
另一方面，本申请实施例还提供了一种车辆检测装置，所述装置包括：
车辆区域检测模块，用于识别待检测图像，得到待检测车辆的车辆区域图像；
车辆型号识别模块，用于采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；
参考车辆型号确定模块，用于获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号；
结果生成模块，用于将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
又一方面，本申请实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
又一方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
上述车辆检测方法、装置、计算机设备和存储介质，通过预先生成车辆型号与车辆基本信息的映射表，并根据该映射表对多张车辆区域图像样本的车辆型号进行标注生成训练样本集，使用该训练样本集训得到车辆型号识别模型，可以加快训练过程，从而提高训练效率；通过采用基于深度学习的自动化检测方法得到待检测车辆的车辆型号，并将该车辆型号与参考车辆型号进行比较得到车辆型号检测的检测结果，可以提高车辆型号检测的效率，且提高车辆型号检测的精度。
附图说明
图1为一个实施例中车辆检测方法的应用环境图；
图2为一个实施例中车辆检测方法的流程示意图；
图3为一个实施例中对车辆型号识别模型进行训练的流程示意图；
图4为另一个实施例中对车辆型号识别模型进行训练的流程示意图；
图5为一个实施例中车辆检测方法的流程示意图；
图6为一个实施例中车辆检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的车辆检测方法，可以应用于如图1所示的应用环境中。该应用环境包括终端102、服务器104和图像采集装置106。终端102可以是指具有较强的数据存储和计算能力的电子设备。其中，终端102通过网络与服务器104通过网络进行通信。图像采集装置106可以是终端102中的，也可以是单独的设备。终端102中设置有已完成训练的车辆检测模型和车辆型号识别模型。服务器104中可以预先保存有待检测车辆的参考信息，当对待检测车辆的车辆型号进行检测的过程中，便于根据待检测车辆的相关信息从服务器104中查找到对应的参考信息。服务器104中可以预先保存车辆型号与车辆基本信息的映射表，对车辆型号识别模型进行训练使用到的训练样本集可以是调取保存在服务器104中的该映射表对车辆区域图像样本进行标注生成。具体地，终端102采用基于深度学习的车辆检测模型识别待检测图像，得到待检测车辆的车辆区域图像。终端102采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号。可以预先使用其他终端训练得到车辆型号识别模型，训练使用到的训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成。终端102获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号。终端102将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑和便携式移动设备，服务器104可以是现场服务器或者远程服务器。
在一个实施例中，如图2所示，提供了一种车辆检测方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤210，识别待检测图像，得到待检测车辆的车辆区域图像。
其中，可以采用基于深度学习的车辆检测模型识别待检测图像，待检测图像是指待进行车辆型号识别的图像。待检测图像可以是由图像采集装置采集得到，图像采集装置可以是照相机或者智能手机等。在采集待检测图像时，可以通过图像采集装置在待检测车辆的前、后、左、右等方向进行拍摄，采集到待检测图像。车辆区域图像是指包含完整待检测车辆区域的图像。车辆检测模型可以是目标检测模型，例如RefineDet(一种基于单阶段的检测器)、Faster R-CNN(一种目标检测网络)、SSD(Single Shot Multibox Detector)和YOLO(You Only Look Once)等，在此不做限定。具体地，在获取待检测图像后，采用训练好的车辆检测模型检测待检测图像中是否存在车辆区域，若检测存在车辆区域，则通过裁剪等方式将车辆区域提取出来并保存，得到对应的车辆区域图像。进一步地，在本实施例中，若通过车辆检测模型检测待检测图像中不存在车辆区域，那么可以判断该待检测图像不符合要求，则生成检测不通过的检测结果并结束本次检测流程。终端可以通过弹出提示信息等方式提醒检验人员重新采集图像。
步骤220，采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成。
其中，车辆基本信息可以是指车辆实际型号的相关信息，例如，车辆品牌、车系、子系和发布年份等。车辆型号识别模型可以是任何基于深度学习的分类识别模型，例如，GoogLeNet(一种图像分类网络)、ResNet(残差网络)等。具体地，预先根据车辆基本信息与车辆型号生成相应的映射表并存储。在对车辆型号识别模型进行训练前，获取多张车辆区域图像样本，以及与各车辆区域图像样本对应的车辆基本信息。该多张车辆区域图像样本可以是通过训练好的车辆检测模型检测车辆图像样本得到的。在对多张车辆区域图像样本进行标注时，可以通过调取预先生成的车辆型号与车辆基本信息的映射表，根据各车辆区域图像样本对应的车辆基本信息查找到对应的车辆型号，从而可以对各车辆区域图像样本直接进行标注生成训练样本集，过程简单且出错率小，提高了对模型进行训练的效率和准确率。在使用训练样本集训练得到车辆型号识别模型后，可以使用该车辆型号识别模型识别出待检测车辆的车辆型号。
步骤230，获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号。
其中，参考车辆型号是指待检测车辆的准确的车辆型号。参考信息是指能够获取待检测车辆的准确车辆型号的相关信息，例如，参考信息可以是指存储在数据库中的该待检测车辆的历史档案照片，或者该待检测车辆的车辆基本信息。具体地，参考信息可以通过根据车辆的车架号、车牌号码等能够唯一性代表待检测车辆的相关信息从数据库中调取出来，或者通过拍摄与该待检测车辆对应的行驶证等证件中的车辆照片采集得到。当获取待检测车辆的参考信息后，可以根据参考信息的格式属性采取对应的参考车辆型号获取方式。例如，若参考信息为参考图像，那么可以通过步骤210-220得到参考车辆型号，在此不做进一步说明。
步骤240，将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
具体地，可以将获取到的待检测车辆的车辆型号与参考车辆型号进行比较，若两者一致，那么可以判断待检测车辆的型号是正确的，则生成车辆型号检测通过的检测结果。反之，若待检测车辆的车辆型号与参考车辆型号不一致，那么可以判断待检测车辆的型号是错误的，则生成车辆型号检测不通过的检测结果。
上述车辆检测方法中，通过预先根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成训练样本集，使用该训练样本集训得到车辆型号识别模型，可以加快训练过程的效率；通过采用基于深度学习的自动化检测方法得到待检测车辆的车辆型号，并将该车辆型号与参考车辆型号进行比较得到车辆型号检测的检测结果，可以提高车辆型号检测的效率，且提高车辆型号检测的精度。
在一个实施例中，以车辆检测模型为RefineDet模型为例进行说明。将待检测图像输入至RefineDet模型进行检测，并使用ResNet101作为特征提取的初始基础网络。RefineDet模型对待检测图像进行检测输出若干个与矩形区域对应的一维数组[class,x,y,width,height]以及矩形区域的得分，其中，class代表对象类别，可以通过Softmax分类器得到，是车辆则可以为1，不是则可以为0；[x,y,width,height]代表目标对象所在矩形区域的位置信息，可以使用bounding box regression(边框回归)得到，[x,y]代表矩形区域左上角点坐标，width代表矩形区域宽度，height代表矩形区域高度。最后，可以通过非极大抑制算法(NMS，Non Maximum Suppression)产生车辆区域的位置信息，并根据该位置信息提取得到车辆区域图像。本实施例中，通过使用RefineDet模型作为车辆检测模型，可以帮助提高车辆型号的检测效率和检测精度。
以下对本实施例中使用到的RefineDet模型的训练过程进行说明，训练过程包括三个阶段，训练数据准备、数据标注以及模型训练。在训练数据准备阶段，获取不同拍摄条件(如光照、角度)的多张车辆图像样本。数据标注阶段，采用矩形框将每张车辆图像样本中的车辆区域标注出来，矩形框区域内需完整包含车辆区域，生成训练样本集。使用该训练样本集对待训练的RefineDet模型进行训练，可以选取训练过程中鲁棒性最好的模型作为最终使用的RefineDet模型。
在一个实施例中，相同类别的车辆型号用于定义外观相同的车辆，不同类别的车辆型号用于定义外观不同的车辆。
其中，区别于传统意义上的车辆型号，本实施例中的车辆型号是根据车辆外观进行划分归类后的车辆型号，即，将车辆外观相同的车辆划分到同一种类别的车辆型号中，将车辆外观不同的车辆划分到不同种类别的车辆型号中。一种车辆型号可以对应多辆车，因此，可以预先制作车辆型号与对应车辆的车辆基本信息的映表，从而便于后续对车辆型号识别模型进行训练时使用，且便于对车辆的型号等信息进行归类管理。请参照下表1，示例性地示出了根据车辆外观对车辆型号进行归类得到的映射表：
表1：车辆型号与车辆基本信息的映射表
Figure BDA0002351948240000101
通过车辆型号类别识别模型识别车辆区域图像可以得到待检测车辆的车辆型号的类别。将该车辆型号的类别与参考车辆型号的类别进行比较，若两者一致，那么可以判断待检测车辆的型号是正确的，则生成车辆型号检测通过的检测结果。反之，若待检测车辆的车辆型号与参考车辆型号不一致，那么可以判断待检测车辆的型号是错误的，则生成车辆型号检测不通过的检测结果。例如，继续参照表1，若获取待检测车辆的车辆型号与参考车辆型号的类别都为“1”，那么该待检测车辆的车辆型号检测通过；反之，则检测不通过。
本实施例中，通过预先根据车辆外观将车辆型号进行归类，将车辆外观相同的车辆划分到同一种车辆型号中，将车辆外观不同的车辆划分到不同的车辆型号中，生成车辆型号与车辆基本信息的映射表，可以减少车辆型号的识别类别，从而提高后续识别车辆型号的效率；且由于车辆型号类别的减少，对训练车辆型号识别模型所使用到的样本进行标注需要的时间以及训练模型所使用的时间也会相应减少，从而可以加快模型训练的效率。
在一个实施例中，获取待检测车辆的参考信息，包括：获取待检测车辆的车牌号码；根据车牌号码，查找到对应的参考信息。
具体地，车牌号码可以是检验人员通过终端手动输入的，也可以是对图像采集装置采集到的车牌图像进行识别得到的，在此不做限定。参考信息可以预先存储在数据库中，且与待检测车辆的车牌号码具有对应关系。终端在获取车牌号码后，可以根据该车牌号码从车牌号码与参考信息的对应关系中，自动查找到待检测车辆的参考信息。本实施例中，通过预先建立参考信息与车牌号码的对应关系，在对待检测车辆的车辆型号进行检测的过程中使终端能够直接获取参考信息，从而增加了车辆型号检测的自动化程度，提到了车辆型号检测的效率和准确性。
在一个实施例中，参考信息为参考图像；根据参考信息，确定待检测车辆的参考车辆型号，包括：采用车辆检测模型识别参考图像，得到参考车辆区域图像；采用车辆型号识别模型识别参考车辆区域图像，得到待检测车辆的参考车辆型号。
具体地，参考图像可以是根据车牌号码从待检测车辆的历史档案查找到准确照片，也可以是现场拍摄车辆相关证件，例如行驶证背面的车辆照片得到的。在获取参考图像后，可以采用步骤210-220中所描述的方法，通过基于深度学习的车辆检测模型和车辆型号识别模型得到参考车辆型号，在此将不做进一步阐述。
在一个实施例中，参考信息为待检测车辆的车辆基本信息；根据参考信息，确定待检测车辆的参考车辆型号，包括：获取预先存储的待检验车辆的车辆基本信息；根据待检验车辆的车辆基本信息，从车辆信息映射表中，查找到对应的参考车辆型号。
具体地，数据库中事先存储有车牌号码与对应的车辆基本信息。待检测车辆的车辆基本信息可以根据车牌号码从数据库中查找到。在查找到待检测车辆的车辆基本信息后，可以在车辆型号与车辆基本信息的映射表中直接查找到对应的参考车辆型号。本实施例中，通过根据车辆基本信息从车辆型号与车辆基本信息的映射表中直接查找到参考车辆型号，实施过程简单，从而提高了车辆型号检测的效率。
在一个实施例中，如图3所示，车辆型号识别模型的生成方式，包括：
步骤310，获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息。
步骤320，根据每张车辆区域图像样本各自对应的车辆基本信息以及映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集。
其中，多张车辆区域图像样本可以是通过训练好的车辆检测模型检测对不同拍摄条件(如光照、角度)下的多张车辆图像样本进行检测并提取得到。每张车辆区域图像样本对应其车辆基本信息，可以根据该车辆基本信息从车辆型号和车辆基本信息的映射表中查询到与各车辆区域图像样本对应的车辆型号。进而对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集。
步骤330，将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型。
具体地，将得到的训练样本集输入至待训练的车辆型号识别模型，根据设置好的超参数、损失函数等对待训练的车辆型号识别模型进行迭代训练，可以将训练过程中损失值最小的模型或者鲁棒性最好的模型作为最终使用的车辆型号识别模型。
在一个实施例中，待训练的车辆型号识别模型采用卷积神经网络，卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
具体地，本实施例中的车辆型号识别模型为卷积神经网络。以卷积神经网络为Resnet-18残差网络为例进行说明。Resnet-18网络的主体部分可以分为4个自底向上的conv模块(卷积模块)：conv2_x，conv3_x，conv4_x，conv5_x，每个卷积模块原始输出的特征图的通道数依次分别为64,128,256,512。由于车辆型号的数量有限，为了防止对车辆型号识别模型进行训练时过拟合，可以减少Resnet-18残差网络的卷积层通道数，依模型训练情况将顶层conv5_x对应的卷积层通道数由原来的512减少至任意值。在本实施例中，优选将顶层conv5_x的通道数减少到256。可以理解的是，对卷积层通道数的修改可以不限于只对顶层conv5_x进行修改，可以依实际训练需求对其他卷积模块的通道数进行变更。除了Resnet-18残差网络，针对其他卷积神经网络，例如，Resnet-34、Resnet-50等也可以参照本实施例中的方法对其通道数进行变更，以防止训练过程中过拟合。
在一个实施例中，如图4所示，将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型，包括：
步骤331，使用多个损失函数对待训练的车辆型号识别模型分别进行训练。
具体地，在本实施例中，训练过程可以使用SoftmaxWithLoss(交叉熵损失函数)和CenterLoss(中心损失函数)两种损失函数共同进行训练。使用该两种损失函数对待训练的车辆型号识别模型分别进行训练，得到各自对应的损失值。由于CenterLoss损失函数对于类别种类较多但同一类样本之间差异很小的场景，能带来效果的提升。对于车辆型号，总车辆型号数可能超过1000种，而同一车辆型号的样式差不多，因此采用SoftmaxWithLoss和CenterLoss结合更加适合对车辆型号识别模型进行训练。
步骤332，对每个损失函数得到的损失值进行加权和得到最终损失值，将最小的最终损失值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。
其中，最终损失值是指能够用于判断模型性能的损失值。具体地，在得到每个损失函数各自对应的损失值后，通过预设的权重对损失值进行加权和得到最终损失值，将最小的最终损失值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。本实施例中，优选地的设置SoftmaxWithLoss和CenterLoss的权重为1:1。可以理解的是，根据模型实际训练效果评估，也可以选择损失值不是最小，但是鲁棒性最好的模型作为最终使用的车辆型号识别模型。
在一个实施例中，获取多张车辆区域图像样本，包括：获取多张原始车辆区域图像样本；根据每张原始车辆区域图像样本的尺寸信息，对每张原始车辆区域图像样本进行填充，生成预设尺寸比例的多张车辆区域图像样本，预设尺寸比例为1:1。
其中，原始车辆区域图像样本是指由图像采集装置采集后，未经处理过的图像样本。具体地，为了保证车辆区域图像样本在待训练的车辆型号识别模型中不产生形变，可以根据车辆区域图像样本的尺寸信息，对车辆区域图像样本进行填充，使车辆区域图像样本成为正方形。示例性地，尺寸信息包含车辆区域图像样本的宽度和高度(车辆区域图像样本的上下两边作为宽，左右两边作为高)。获取车辆区域图像样本的宽度和高度，判断宽度和高度的尺寸大小。若宽度大于高度，则在车辆区域图像样本的上下两边填充等高的灰色区域，即RGB为(128,128,128)，使得宽度等于高度；若宽度小于高度，则在车辆区域图像样本的左右两边填充等宽的灰色区域，即RGB为(128,128,128)，使得宽度等于高度；若宽度等于高度，则不处理。本实施例中，通过对原始车辆区域图像样本进行填充，使得对待训练的车辆型号识别模型进行训练的图像样本为正方形，可以保证车辆区域图像样本在模型中不产生形变，从而提高了模型训练的准确率，进而提高了对待检测车辆的车辆型号进行识别的精度。
在一个实施例中，如图5所示，通过一个具体的实施例说明车辆检测方法，包括：
步骤501，获取待检测图像。
步骤502，采用基于深度学习的车辆检测模型识别待检测图像中的车辆区域。
步骤503，判断待检测图像中是否存在车辆区域。若存在，则得到待检测车辆的车辆区域图像，并进入步骤504；否则，进入步骤511。
步骤504，采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号。
其中，车辆型号用于定义外观相同的车辆。预先生成车辆型号与车辆基本信息的映射表并存储至数据库中。车辆型号识别模型是使用训练样本集训练得到的，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成的。在训练过程中可以使用SoftmaxWithLoss和CenterLoss两种损失函数共同训练。
步骤505，获取待检测车辆的车牌号码。
步骤506，根据车牌号码，查找到对应的参考信息。参考信息包括参考图像和待检测车辆的车辆基本信息。
步骤507，若参考信息为参考图像，则参照步骤502-503得到参考车辆型号。
步骤508，若参考信息为车辆基本信息，则根据待检验车辆的车辆基本信息，从映射表中，查找到对应的参考车辆型号。
步骤509，比较待检测车辆的车辆型号和参考车辆型号。若两者一致，则进入步骤510，生成检测通过的检测结果；否则，进入步骤511，生成检测不通过的检测结果。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种车辆检测装置600，包括：车辆区域检测模块601、车辆型号识别模块602、参考车辆型号确定模块603和结果生成模块604，其中：
车辆区域检测模块601，用于识别待检测图像，得到待检测车辆的车辆区域图像；
车辆型号识别模块602，用于采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；
参考车辆型号确定模块603，用于获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号；
结果生成模块604，用于将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
在一个实施例中，相同类别的车辆型号用于定义外观相同的车辆，不同类别的车辆型号用于定义外观不同的车辆。
在一个实施例中，车辆检测装置600，还包括：
获取模块，用于获取待检测车辆的车牌号码；查找模块，用于根据车牌号码，查找到对应的参考信息。
在一个实施例中，参考信息为参考图像；参考车辆型号确定模块603，具体用于采用车辆检测模型识别参考图像，得到参考车辆区域图像；采用车辆型号识别模型识别参考车辆区域图像，得到待检测车辆的参考车辆型号。
在一个实施例中，参考信息为待检测车辆的车辆基本信息；参考车辆型号确定模块603，具体用于获取预先存储的待检验车辆的车辆基本信息；根据待检验车辆的车辆基本信息，从映射表中查找到对应的参考车辆型号。
在一个实施例中，获取模块，还用于获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息；车辆检测装置600还包括数据标注模块，用于根据每张车辆区域图像样本各自对应的车辆基本信息以及映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集；模型训练模块，用于将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型。
在一个实施例中，待训练的车辆型号识别模型采用卷积神经网络，卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
在一个实施例中，模型训练模块，具体用于使用多个损失函数对待训练的车辆型号识别模型分别进行训练；对每个损失函数得到的损失值进行加权和得到最终损失值；确定最终损失值中的最小值，将最小值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。
在一个实施例中，获取模块还用于获取多张原始车辆区域图像样本；车辆检测装置600还包括图像预处理模块，用于根据每张原始车辆区域图像样本的尺寸信息，对每张原始车辆区域图像样本进行填充，生成预设尺寸比例的多张车辆区域图像样本，预设尺寸比例为1:1。
关于车辆检测装置的具体限定可以参见上文中对于车辆检测方法的限定，在此不再赘述。上述车辆检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
识别待检测图像，得到待检测车辆的车辆区域图像；采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号；将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
在一个实施例中，相同类别的车辆型号用于定义外观相同的车辆，不同类别的车辆型号用于定义外观不同的车辆。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待检测车辆的车牌号码；根据车牌号码，查找到对应的参考信息。
在一个实施例中，参考信息为参考图像；处理器执行计算机程序时还实现以下步骤：
采用车辆检测模型识别参考图像，得到参考车辆区域图像；采用车辆型号识别模型识别参考车辆区域图像，得到待检测车辆的参考车辆型号。
在一个实施例中，参考信息为待检测车辆的车辆基本信息；处理器执行计算机程序时还实现以下步骤：
获取预先存储的待检验车辆的车辆基本信息；根据待检验车辆的车辆基本信息，从映射表中查找到对应的参考车辆型号。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息；根据每张车辆区域图像样本各自对应的车辆基本信息以及映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集；将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型。
在一个实施例中，待训练的车辆型号识别模型采用卷积神经网络，卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
使用多个损失函数对待训练的车辆型号识别模型分别进行训练；对每个损失函数得到的损失值进行加权和得到最终损失值；确定最终损失值中的最小值，将最小值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多张原始车辆区域图像样本；根据每张原始车辆区域图像样本的尺寸信息，对每张原始车辆区域图像样本进行填充，生成预设尺寸比例的多张车辆区域图像样本，预设尺寸比例为1:1。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
识别待检测图像，得到待检测车辆的车辆区域图像；采用基于深度学习的车辆型号识别模型识别车辆区域图像，得到待检测车辆的车辆型号，车辆型号识别模型使用训练样本集训练得到，训练样本集是根据车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；获取待检测车辆的参考信息，根据参考信息，确定待检测车辆的参考车辆型号；将待检测车辆的车辆型号与参考车辆型号进行比较，若车辆型号与参考车辆型号一致，则生成车辆型号检测通过的检测结果。
在一个实施例中，相同类别的车辆型号用于定义外观相同的车辆，不同类别的车辆型号用于定义外观不同的车辆。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取待检测车辆的车牌号码；根据车牌号码，查找到对应的参考信息。
在一个实施例中，参考信息为参考图像；计算机程序被处理器执行时实现以下步骤：
采用车辆检测模型识别参考图像，得到参考车辆区域图像；采用车辆型号识别模型识别参考车辆区域图像，得到待检测车辆的参考车辆型号。
在一个实施例中，参考信息为待检测车辆的车辆基本信息；计算机程序被处理器执行时实现以下步骤：
获取预先存储的待检验车辆的车辆基本信息；根据待检验车辆的车辆基本信息，从映射表中查找到对应的参考车辆型号。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息；根据每张车辆区域图像样本各自对应的车辆基本信息以及映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集；将训练样本集输入至待训练的车辆型号识别模型进行训练，得到车辆型号识别模型。
在一个实施例中，待训练的车辆型号识别模型采用卷积神经网络，卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
使用多个损失函数对待训练的车辆型号识别模型分别进行训练；对每个损失函数得到的损失值进行加权和得到最终损失值；确定最终损失值中的最小值，将最小值对应的待训练的车辆型号识别模型，确定为车辆型号识别模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取多张原始车辆区域图像样本；根据每张原始车辆区域图像样本的尺寸信息，对每张原始车辆区域图像样本进行填充，生成预设尺寸比例的多张车辆区域图像样本，预设尺寸比例为1:1。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆检测方法，其特征在于，所述方法包括：
识别待检测图像，得到待检测车辆的车辆区域图像；
采用基于深度学习的车辆型号识别模型识别所述车辆区域图像，得到所述待检测车辆的车辆型号，所述车辆型号识别模型使用训练样本集训练得到，所述训练样本集是根据所述车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；
获取待检测车辆的参考信息，根据所述参考信息，确定所述待检测车辆的参考车辆型号；
将所述待检测车辆的车辆型号与所述参考车辆型号进行比较，若所述车辆型号与所述参考车辆型号一致，则生成车辆型号检测通过的检测结果。
2.根据权利要求1所述的方法，其特征在于，相同类别的所述车辆型号用于定义外观相同的车辆，不同类别的所述车辆型号用于定义外观不同的车辆。
3.根据权利要求1所述的方法，其特征在于，所述参考信息为参考图像和/或所述待检测车辆的车辆基本信息；
当所述参考信息为所述参考图像时，所述根据所述参考信息，确定所述待检测车辆的参考车辆型号，包括：
采用所述车辆检测模型识别所述参考图像，得到参考车辆区域图像；
采用所述车辆型号识别模型识别所述参考车辆区域图像，得到所述待检测车辆的参考车辆型号；
当所述参考信息为所述待检测车辆的车辆基本信息时，所述根据所述参考信息，确定所述待检测车辆的参考车辆型号，包括：
获取预先存储的所述待检验车辆的车辆基本信息；
根据所述待检验车辆的车辆基本信息，从所述映射表中查找到对应的所述参考车辆型号。
4.根据权利要求1所述的方法，其特征在于，所述车辆型号识别模型的生成方式，包括：
获取多张车辆区域图像样本，以及与每张车辆区域图像样本各自对应的车辆基本信息；
根据所述每张车辆区域图像样本各自对应的车辆基本信息以及所述映射表，对每张车辆区域图像样本的车辆型号进行标注，生成训练样本集；
将所述训练样本集输入至待训练的车辆型号识别模型进行训练，得到所述车辆型号识别模型。
5.根据权利要求4所述的方法，其特征在于，所述待训练的车辆型号识别模型采用卷积神经网络，所述卷积神经网络中的初始基础网络采用的原通道数为512的卷积层的通道数为256。
6.根据权利要求4所述的方法，其特征在于，所述将所述训练样本集输入至待训练的车辆型号识别模型进行训练，得到所述车辆型号识别模型，包括：
使用多个损失函数对所述待训练的车辆型号识别模型分别进行训练；
对每个所述损失函数得到的损失值进行加权和得到最终损失值；
确定所述最终损失值中的最小值，将所述最小值对应的待训练的车辆型号识别模型，确定为所述车辆型号识别模型。
7.根据权利要求4所述的方法，其特征在于，所述获取多张车辆区域图像样本，包括：
获取多张原始车辆区域图像样本；
根据每张原始车辆区域图像样本的尺寸信息，对所述每张原始车辆区域图像样本进行填充，生成预设尺寸比例的所述多张车辆区域图像样本，所述预设尺寸比例为1:1。
8.一种车辆检测装置，其特征在于，所述装置包括：
车辆区域检测模块，用于识别待检测图像，得到待检测车辆的车辆区域图像；
车辆型号识别模块，用于采用基于深度学习的车辆型号识别模型识别所述车辆区域图像，得到所述待检测车辆的车辆型号，所述车辆型号识别模型使用训练样本集训练得到，所述训练样本集是根据所述车辆型号与车辆基本信息的映射表，对多张车辆区域图像样本的车辆型号进行标注生成；
参考车辆型号确定模块，用于获取待检测车辆的参考信息，根据所述参考信息，确定所述待检测车辆的参考车辆型号；
结果生成模块，用于将所述待检测车辆的车辆型号与所述参考车辆型号进行比较，若所述车辆型号与所述参考车辆型号一致，则生成车辆型号检测通过的检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN201911419333.7A 2019-12-31 2019-12-31 车辆检测方法、装置、计算机设备和存储介质 Pending CN111144372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911419333.7A CN111144372A (zh) 2019-12-31 2019-12-31 车辆检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911419333.7A CN111144372A (zh) 2019-12-31 2019-12-31 车辆检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111144372A true CN111144372A (zh) 2020-05-12

Family

ID=70522835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911419333.7A Pending CN111144372A (zh) 2019-12-31 2019-12-31 车辆检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111144372A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN111652087A (zh) * 2020-05-15 2020-09-11 泰康保险集团股份有限公司 验车方法、装置、电子设备和存储介质
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
CN111860127A (zh) * 2020-06-05 2020-10-30 北京嘀嘀无限科技发展有限公司 车辆检测方法和系统、计算机可读存储介质
CN113807870A (zh) * 2021-09-27 2021-12-17 平安国际融资租赁有限公司 车辆信息认证方法、装置、计算机设备和存储介质
CN114266930A (zh) * 2021-12-02 2022-04-01 中国联合网络通信集团有限公司 车尾标检测方法、装置、电子设备及存储介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540105A (zh) * 2009-04-15 2009-09-23 四川川大智胜软件股份有限公司 一种基于车辆牌照识别和网格化监控的套牌车检测方法
CN103983301A (zh) * 2014-04-24 2014-08-13 深圳威易森科技有限公司 车辆检验方法、系统和装置
CN105185123A (zh) * 2015-10-08 2015-12-23 南京信息工程大学 一种套牌车识别系统及方法
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN105448103A (zh) * 2015-12-24 2016-03-30 北京旷视科技有限公司 车辆套牌检测方法与系统
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
WO2018036277A1 (zh) * 2016-08-22 2018-03-01 平安科技（深圳）有限公司 车辆检测的方法、装置、服务器及存储介质
CN107958200A (zh) * 2017-10-13 2018-04-24 上海眼控科技股份有限公司 一种轿车改装排气扇的智能检测系统及方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
CN108960015A (zh) * 2017-05-24 2018-12-07 优信拍（北京）信息科技有限公司 一种基于深度学习的车系自动识别方法及装置
CN109147068A (zh) * 2018-09-12 2019-01-04 西安艾润物联网技术服务有限责任公司 无牌车辆管理方法、装置及计算机可读存储介质
CN109145781A (zh) * 2018-08-03 2019-01-04 北京字节跳动网络技术有限公司 用于处理图像的方法和装置
CN109214441A (zh) * 2018-08-23 2019-01-15 桂林电子科技大学 一种细粒度车型识别系统及方法
CN109726701A (zh) * 2019-01-07 2019-05-07 福建睿思特科技股份有限公司 车辆识别方法及系统
CN109740478A (zh) * 2018-12-26 2019-05-10 山东创科自动化科技有限公司 车辆检测及识别方法、装置、计算机设备及可读存储介质
CN109902732A (zh) * 2019-02-22 2019-06-18 哈尔滨工业大学（深圳） 车辆自动分类方法及相关装置
CN209028635U (zh) * 2018-10-26 2019-06-25 湖北时代鸿宇网络科技有限公司 一种基于vin识别终端的车辆vin码自动识别系统
CN110245698A (zh) * 2019-06-03 2019-09-17 上海眼控科技股份有限公司 一种基于深度卷积网络的车辆型号识别系统及方法
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
CN110490135A (zh) * 2019-08-20 2019-11-22 上海眼控科技股份有限公司 车辆年检方法、装置、计算机设备和存储介质
CN110598687A (zh) * 2019-09-18 2019-12-20 上海眼控科技股份有限公司 车辆识别码的检测方法、装置及计算机设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101540105A (zh) * 2009-04-15 2009-09-23 四川川大智胜软件股份有限公司 一种基于车辆牌照识别和网格化监控的套牌车检测方法
CN103983301A (zh) * 2014-04-24 2014-08-13 深圳威易森科技有限公司 车辆检验方法、系统和装置
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN105185123A (zh) * 2015-10-08 2015-12-23 南京信息工程大学 一种套牌车识别系统及方法
CN105448103A (zh) * 2015-12-24 2016-03-30 北京旷视科技有限公司 车辆套牌检测方法与系统
WO2018036277A1 (zh) * 2016-08-22 2018-03-01 平安科技（深圳）有限公司 车辆检测的方法、装置、服务器及存储介质
CN108960015A (zh) * 2017-05-24 2018-12-07 优信拍（北京）信息科技有限公司 一种基于深度学习的车系自动识别方法及装置
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
CN107958200A (zh) * 2017-10-13 2018-04-24 上海眼控科技股份有限公司 一种轿车改装排气扇的智能检测系统及方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
CN109145781A (zh) * 2018-08-03 2019-01-04 北京字节跳动网络技术有限公司 用于处理图像的方法和装置
CN109214441A (zh) * 2018-08-23 2019-01-15 桂林电子科技大学 一种细粒度车型识别系统及方法
CN109147068A (zh) * 2018-09-12 2019-01-04 西安艾润物联网技术服务有限责任公司 无牌车辆管理方法、装置及计算机可读存储介质
CN209028635U (zh) * 2018-10-26 2019-06-25 湖北时代鸿宇网络科技有限公司 一种基于vin识别终端的车辆vin码自动识别系统
CN109740478A (zh) * 2018-12-26 2019-05-10 山东创科自动化科技有限公司 车辆检测及识别方法、装置、计算机设备及可读存储介质
CN109726701A (zh) * 2019-01-07 2019-05-07 福建睿思特科技股份有限公司 车辆识别方法及系统
CN109902732A (zh) * 2019-02-22 2019-06-18 哈尔滨工业大学（深圳） 车辆自动分类方法及相关装置
CN110245698A (zh) * 2019-06-03 2019-09-17 上海眼控科技股份有限公司 一种基于深度卷积网络的车辆型号识别系统及方法
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
CN110490135A (zh) * 2019-08-20 2019-11-22 上海眼控科技股份有限公司 车辆年检方法、装置、计算机设备和存储介质
CN110598687A (zh) * 2019-09-18 2019-12-20 上海眼控科技股份有限公司 车辆识别码的检测方法、装置及计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
苏晓峰 等: "基于物联网的城市智能停车系统设计与研究", vol. 29, no. 1, pages 69 - 70 *
韩猛 等: "科技提高车辆检验监管工作", no. 1, pages 32 - 33 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652087A (zh) * 2020-05-15 2020-09-11 泰康保险集团股份有限公司 验车方法、装置、电子设备和存储介质
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
CN111860127A (zh) * 2020-06-05 2020-10-30 北京嘀嘀无限科技发展有限公司 车辆检测方法和系统、计算机可读存储介质
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
CN113807870A (zh) * 2021-09-27 2021-12-17 平安国际融资租赁有限公司 车辆信息认证方法、装置、计算机设备和存储介质
CN113807870B (zh) * 2021-09-27 2024-05-14 平安国际融资租赁有限公司 车辆信息认证方法、装置、计算机设备和存储介质
CN114266930A (zh) * 2021-12-02 2022-04-01 中国联合网络通信集团有限公司 车尾标检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111144372A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN109815770B (zh) 二维码检测方法、装置及系统
CN113822247B (zh) 基于航拍影像的违章建筑识别方法及系统
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN110674712A (zh) 交互行为识别方法、装置、计算机设备和存储介质
WO2019033572A1 (zh) 人脸遮挡检测方法、装置及存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN108447061B (zh) 商品信息处理方法、装置、计算机设备和存储介质
CN111160169B (zh) 人脸检测方法、装置、设备及计算机可读存储介质
CN110706261A (zh) 车辆违章检测方法、装置、计算机设备和存储介质
TW202009681A (zh) 樣本標註方法及裝置、損傷類別的識別方法及裝置
WO2019033570A1 (zh) 嘴唇动作分析方法、装置及存储介质
CN111462381A (zh) 基于人脸温度识别的门禁控制方法、电子装置及存储介质
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
CN110717449A (zh) 车辆年检人员的行为检测方法、装置和计算机设备
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN114067431A (zh) 图像处理方法、装置、计算机设备和存储介质
CN110728680A (zh) 行车记录仪检测方法、装置、计算机设备和存储介质
CN111259971A (zh) 车辆信息检测方法、装置、计算机设备及可读存储介质
CN111783062A (zh) 验证码识别方法、装置、计算机设备和存储介质
CN110781887A (zh) 车牌螺丝检测方法、装置和计算机设备
CN113538291A (zh) 卡证图像倾斜校正方法、装置、计算机设备和存储介质
CN110222724B (zh) 一种图片实例检测方法、装置、计算机设备及存储介质
CN117115823A (zh) 一种篡改识别方法、装置、计算机设备和存储介质
CN110689028A (zh) 现场图测评方法、现场勘查记录测评方法及其装置

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240927

AD01 Patent right deemed abandoned