CN111178292A - 一种车型识别方法、装置及设备 - Google Patents

一种车型识别方法、装置及设备 Download PDF

Info

Publication number
CN111178292A
CN111178292A CN201911415698.2A CN201911415698A CN111178292A CN 111178292 A CN111178292 A CN 111178292A CN 201911415698 A CN201911415698 A CN 201911415698A CN 111178292 A CN111178292 A CN 111178292A
Authority
CN
China
Prior art keywords
vehicle type
image
vehicle
application
type information
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
CN201911415698.2A
Other languages
English (en)
Inventor
孙登蕊
周晓
武冬梅
李传奇
李锋
李丹丹
李瑞洋
张积存
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.)
Neusoft Group Beijing Co ltd
Original Assignee
Neusoft Group Beijing 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 Neusoft Group Beijing Co ltd filed Critical Neusoft Group Beijing Co ltd
Priority to CN201911415698.2A priority Critical patent/CN111178292A/zh
Publication of CN111178292A publication Critical patent/CN111178292A/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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种车型识别方法、装置及设备，该方法包括：先将待查询车辆图像输入特征提取模型，获取该待查询车辆图像的特征向量，并计算该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度；再根据待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像，以便利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。其中，因基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的相似程度较高，使得利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型信息能够准确地表征待查询车辆图像的车型信息。

Description

一种车型识别方法、装置及设备
技术领域
本申请涉及机器学习领域，具体涉及一种车型识别方法、装置及设备。
背景技术
随着机器学习技术的发展，机器学习技术可以应用于众多应用领域(例如，智能交通应用领域)。车型识别技术是一种机器学习技术的应用，而且车型识别技术在智能交通应用领域中有着重要的地位。车型识别技术能够识别待查询车辆图像中车辆的车型信息，使得该识别出的车型信息能够作为日常交通管理、调度和统计的依据，如此使得车型识别技术具有广阔的市场前景和研究价值。其中，车型信息用于表征车辆所具有的特征信息(例如，车辆外形、颜色、品牌等中的至少一种信息)。然而，如何准确地识别出待查询车辆图像中车辆的车型信息仍是一亟待解决的技术问题。
发明内容
有鉴于此，本申请实施例提供一种车型识别方法、装置及设备，能够准确地识别出待查询车辆图像中车辆的车型信息。
为解决上述问题，本申请实施例提供的技术方案如下：
一种车型识别方法，将应用车型图像输入特征提取模型，获取所述应用车型图像的特征向量，所述应用车型图像对应有车型信息；所述方法包括：
将待查询车辆图像输入所述特征提取模型，获取所述待查询车辆图像的特征向量；
计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度；
根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；
利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。
在一种可能的实现方式中，所述特征提取模型的训练过程包括：
获取训练车型图像集合，所述训练车型图像集合包括多个训练车辆图像，所述训练车辆图像对应有车型信息；
将所述训练车型图像输入初始的特征提取模型，获取各个所述训练车辆图像的特征向量；
将所述训练车辆图像的特征向量输入图像分类层，以将具有相同车型信息的训练车辆图像的特征向量被划分为同一类为训练目标，调整所述初始特征提取模型的模型参数以及所述图像分类层的模型参数，重复执行所述将所述训练车型图像输入初始的特征提取模型以及后续步骤，直到达到预设停止条件，得到特征提取模型。
在一种可能的实现方式中，所述获取训练车型图像集合，包括：
获取原始训练车型图像；
对所述原始训练车型图像进行随机擦除，生成模拟训练车型图像；
将所述原始训练车型图像和/或所述模拟训练车型图像确定为训练车型图像，组成训练车型图像集合。
在一种可能的实现方式中，所述特征提取模型包括特征图提取层、全局特征提取层以及局部特征提取层，所述特征图提取层的输出分别作为所述全局特征提取层的输入以及所述局部特征提取层的输入；
所述全局特征提取层包括全局特征提取网络以及降维卷积层；所述局部特征提取层包括局部特征提取网络以及降维卷积层；
所述特征向量由所述全局特征提取层输出的图像全局特征与所述局部特征提取层输出的图像局部特征组成。
在一种可能的实现方式中，所述应用车型图像包括应用车头图像以及应用车尾图像；
所述应用车头图像对应的车型信息中包括车头标签，所述应用车尾图像对应的车型信息中包括车尾标签。
在一种可能的实现方式中，所述利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息，包括：
按照所述相似度对所述目标应用车型图像进行排序，得到所述目标应用车型图像的序号；
根据在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应用车型图像的序号，计算每种车型信息的指标值；
将所述指标值最大的车型信息确定为所述待查询车辆图像的车型信息。
在一种可能的实现方式中，所述利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息，包括：
计算在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数比例；
将所述出现次数比例最大的车型信息确定为所述待查询车辆图像的车型信息。
在一种可能的实现方式中，所述方法还包括：
如果所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度均小于阈值，将所述待查询车辆图像确定为无法确定车型信息的图像。
在一种可能的实现方式中，所述方法还包括：
在得到所述无法确定车型信息的图像对应的车型信息后，将所述无法确定车型信息的图像确定为所述应用车型图像。
一种车型识别装置，所述装置包括：
应用特征获取单元，用于将应用车型图像输入特征提取模型，获取所述应用车型图像的特征向量，所述应用车型图像对应有车型信息；
查询特征获取单元，用于将待查询车辆图像输入所述特征提取模型，获取所述待查询车辆图像的特征向量；
相似度计算单元，用于计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度；
目标图像确定单元，用于根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；
车型信息确定单元，用于利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。
一种车型识别设备，包括：存储器，处理器，及存储在所述存储器上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，实现所述的车型识别方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行所述的车型识别方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例提供的车型识别方法中，先将待查询车辆图像输入特征提取模型，获取该待查询车辆图像的特征向量，并计算该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度；再根据待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像，以便利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。
其中，因特征提取模型输出的应用车型图像的特征向量能够准确地表征该应用车型图像所具有的外形特征，而且特征提取模型输出的待查询车辆图像的特征向量能够准确地表征该待查询车型图像所具有的外形特征，使得待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度能够准确地表征待查询车辆图像与该应用车型图像之间的相似程度，从而基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的相似程度较高，因此利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型信息能够准确地表征待查询车辆图像的车型信息。从而能够准确地识别出待查询车辆图像中车辆的车型信息。
附图说明
图1为本申请实施例提供的特征提取模型的结构示意图；
图2为本申请实施例提供的一种车型识别方法的流程图；
图3为本申请实施例提供的一种特征提取模型的训练过程的流程图；
图4为本申请实施例提供的一种车型识别装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了解决背景技术部分的技术问题，本申请实施例提供了一种车型识别方法，该车型识别方法包括：将待查询车辆图像输入特征提取模型，获取该待查询车辆图像的特征向量；计算该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度；根据该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；利用该目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。其中，因基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的相似程度较高，使得利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型信息能够准确地表征待查询车辆图像的车型信息。从而能够准确地识别出待查询车辆图像中车辆的车型信息。
为了便于理解和解释本申请实施例提供的车型识别方法，下面先结合图1说明一下特征提取模型。
特征提取模型用于从模型输入图像中提取该模型输入图像对应的特征向量。其中，模型输入图像是指输入到特征提取模型中的图像。例如，模型输入图像可以是下文中的待查询车辆图像或应用车型图像。
另外，本申请实施例还提供了一种特征提取模型的结构，下面结合图1说明特征提取模型的结构。
如图1所示，特征提取模型可以包括：特征图提取层、全局特征提取层以及局部特征提取层。其中，特征图提取层与全局特征提取层以及局部特征提取层分别连接，使得特征图提取层的输出分别作为全局特征提取层的输入以及局部特征提取层的输入。
特征图提取层用于从模型输入图像中提取该模型输入图像的特征图；而且，本申请实施例不限定特征图提取层的实施方式，例如，特征图提取层可以采用卷积神经网络(Convolutional Neural Networks,CNN)实施。
全局特征提取层用于从特征图提取层输出的模型输入图像的特征图中提取该模型输入图像的全局特征信息；而且，全局特征提取层包括全局特征提取网络以及降维卷积层。另外，本申请实施例不限定全局特征提取网络以及降维卷积层的具体实施方式。例如，降维卷积层可以为1×1卷积进行实施。
局部特征提取层用于从特征图提取层输出的模型输入图像的特征图中提取该模型输入图像的局部特征信息；而且，局部特征提取层包括局部特征提取网络以及降维卷积层。另外，本申请实施例不限定局部特征提取网络以及降维卷积层。例如，降维卷积层可以为1×1卷积进行实施。
另外，特征向量由全局特征提取层输出的图像全局特征与局部特征提取层输出的图像局部特征组成。如此使得特征提取模型针对模型输入图像生成的特征向量携带了该特征提取模型的全局特征信息以及局部特征信息。
需要说明的是，本申请实施例还提供了一种特征提取模型的训练过程，具体实施方式请见下文。
为了便于理解本申请实施例提供的车型识别方法，下面结合附图对本申请实施例提供的一种车型识别方法进行说明。参见图2所示，该图为本申请实施例提供的一种车型识别方法的流程图，该方法包括步骤S201-S204：
S201：将待查询车辆图像输入特征提取模型，获取待查询车辆图像的特征向量。
待查询车辆图像的特征向量可以用于表征待查询车辆图像中车辆所具有的外形特征。其中，外形特征是指车辆外形所具有的特征，例如外形特征可以包括车辆外形形状和车辆颜色等。
本申请实施例中，在获取到待查询车辆图像之后，可以将待查询车辆图像输入到特征提取模型中，并获得该特征提取模型输出的待查询车辆图像的特征向量，以便后续能够基于待查询车辆图像的特征向量确定待查询车辆图像的车型信息。
S202：计算待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度。
应用车型图像是指待查询车辆图像的参照图像。也就是说，可以参照各个应用车型图像来确定待查询车辆图像对应的车型信息。另外，本申请实施例不限定应用车型图像，例如，应用车型图像可以为应用车头图像，也可以为应用车尾图像。
另外，应用车型图像对应有车型信息。其中，车型信息可以用于表征车辆的外形信息，而且，本申请实施例不限定车型信息。例如，车型信息可以包括车头标签或者车尾标签，其具体为：若应用车型图像为应用车头图像，则车型信息可以包括车头标签；若应用车型图像为应用车尾图像，则车型信息可以包括车尾标签。车型信息还可以包括车辆品牌信息、车辆子品牌信息、车辆颜色、车辆年款信息等。需要说明的是，应用车型图像可以是指下文中的应用车型图像数据库中的各个应用车型图像。
应用车型图像的特征向量用于表征应用车型图像中车辆所具有的外形特征；而且，应用车型图像的特征向量的获取方式为：将应用车型图像输入特征提取模型，获取该应用车型图像的特征向量。需要说明的是，本申请实施例不限定应用车型图像的特征向量的获取时间，只需在执行S202之前获取即可。
基于上述内容可知，在获取到待查询车辆图像的特征向量之后，可以计算待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，以便能够基于该相似度确定待查询车辆图像与应用车型图像之间的相似程度。其中，因待查询车辆图像的特征向量能够准确地表征待查询车辆图像中车辆所具有的外形特征，而且应用车型图像的特征向量能够表征应用车型图像中车辆所具有的外形特征，使得待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度能够准确地衡量待查询车辆图像与应用车型图像之间的相似程度，从而后续可以基于待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度准确地筛选出与待查询车辆图像相似程度较高的应用车型图像。
需要说明的是，本申请实施例不限定特征向量之间的相似度的计算方式，例如，特征向量之间的相似度可以采用余弦相似度进行计算。
S203：根据待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像。
预设条件可以根据应用场景设定。例如，预设条件为相似度高于阈值(如0.80)。
本申请实施例中，在获取到待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度之后，可以利用预设条件进行筛选，并将筛选出的满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像。例如，当预设条件为相似度高于0.80，待查询车辆图像的特征向量与第一个应用车型图像的特征向量之间的相似度为0.81，待查询车辆图像的特征向量与第二个应用车型图像的特征向量之间的相似度为0.84，待查询车辆图像的特征向量与第三个应用车型图像的特征向量之间的相似度为0.82，以及待查询车辆图像的特征向量与第四个应用车型图像的特征向量之间的相似度为0.70时，此时，因第一个应用车型图像对应的相似度、第二个应用车型图像对应的相似度以及第三个应用车型图像对应的相似度均高于0.80，使得第一个应用车型图像、第二个应用车型图像以及第三个应用车型图像均满足预设条件，如此可以确定第一个应用车型图像、第二个应用车型图像以及第三个应用车型图像均为目标应用车型图像。S204：利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。
本申请实施例中，在获取到目标应用车型图像之后，可以利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。例如，当第一个应用车型图像、第二个应用车型图像和第三个应用车型图像均为目标应用车型图像时，则S204具体可以为：利用第一个应用车型图像对应的车型信息、第二个应用车型图像对应的车型信息以及第三个应用车型图像对应的车型信息，确定待查询车辆图像的车型信息。
另外，本申请实施例中提供了一种确定待查询车辆图像的车型信息的实施方式，具体实施方式请见下文。
基于上述S201至S204的内容可知，本申请实施例提供的车型识别方法中，先将待查询车辆图像输入特征提取模型，获取该待查询车辆图像的特征向量，并计算该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度；再根据待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像，以便利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。
其中，因特征提取模型输出的应用车型图像的特征向量能够准确地表征该应用车型图像所具有的外形特征，而且特征提取模型输出的待查询车辆图像的特征向量能够准确地表征该待查询车型图像所具有的外形特征，使得待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度能够准确地表征待查询车辆图像与该应用车型图像之间的相似程度，从而基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的相似程度较高，因此利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型信息能够准确地表征待查询车辆图像的车型信息。从而能够准确地识别出待查询车辆图像中车辆的车型信息。
在本申请实施例一种可能的实施方式中，为了提高确定的待查询车辆图像的车型信息的准确性，本申请实施例还提供了两种确定待查询车辆图像的车型信息(也就是S204)的实施方式，下面将依次进行介绍。
作为S204的第一种实施方式，S204具体可以包括以下两个步骤：
第一步：计算在目标应用车型图像对应的车型信息中每种车型信息的出现次数比例。
车型信息的出现次数比例用于表征待查询车辆图像具有该车型信息的概率；而且，车型信息的出现次数比例越高则表示该待查询车辆图像具有该车型信息的可能性越大。
另外，车型信息的出现次数比例可以利用公式(1)进行确定。
Figure BDA0002351138760000111
式中，Ri表示第i个车型信息的出现次数比例；ni表示第i个车型信息在目标应用车型图像对应的车型信息中的出现次数；N表示目标应用车型图像总数(也就是，目标应用车型图像对应的车型信息总数)；i为正整数。
基于上述内容，下面结合示例解释第一步。
作为示例，假设第一个应用车型图像至第十个应用车型图像均为目标应用车型图像，而且第一个应用车型图像至第五个应用车型图像均对应第一个车型信息，第六个应用车型图像至第八个应用车型图像均对应第二个车型信息，以及第九个应用车型图像至第十个应用车型图像均对应第三个车型信息。
基于上述假设可知，第一个车型信息在目标应用车型图像对应的车型信息中出现了5次，第二个车型信息在目标应用车型图像对应的车型信息中出现了3次，第三个车型信息在目标应用车型图像对应的车型信息中出现了2次。此时，根据公式(1)可以确定第一个车型信息的出现次数比例为0.5、第二个车型信息的出现次数比例为0.3、以及第三个车型信息的出现次数比例为0.2。
第二步：将出现次数比例最大的车型信息确定为待查询车辆图像的车型信息。
本申请实施例中，在获取到在目标应用车型图像对应的车型信息中每种车型信息的出现次数比例之后，可以直接将出现次数比例最大的车型信息确定为待查询车辆图像的车型信息。例如，基于上述第一步的示例内容可知，因第一个车型信息的出现次数比例均高于第二个车型信息的出现次数比例以及第三个车型信息的出现次数比例，使得第一个车型信息成为出现次数比例最大的车型信息，此时可以将第一个车型信息确定为待查询车辆图像的车型信息。
基于S204的第一种实施方式的相关可知，本申请实施例可以参考在目标应用车型图像对应的车型信息中每种车型信息的出现次数比例确定待查询车辆图像的车型信息。其中，因车型信息的出现次数比例越高则表示该待查询车辆图像具有该车型信息的可能性越大，使得出现次数比例最大的车型信息属于该待查询车辆图像的车型信息可能性最大，从而使得基于出现次数比例最大的车型信息确定的待查询车辆图像的车型信息更准确。
另外，为了进一步提高确定的待查询车辆图像的车型信息的准确性，本申请实施例可以同时参考车型信息的出现次数以及目标应用车型图像与待查询车辆图像之间的相似度来综合确定。基于此，本申请实施例还提供了S204的第二种实施方式，其具体可以包括以下三个步骤：
第一步：按照相似度对目标应用车型图像进行排序，得到目标应用车型图像的序号。
目标应用车型图像的序号是指该目标应用车型图像在排序中所处位置。
本申请实施例中，在获取到目标应用车型图像之后，可以按照各个目标应用车型图像与待查询车辆图像之间的相似度(也就是，各个目标应用车型图像的特征向量与待查询车辆图像的特征向量之间的相似度)，对目标应用车型图像进行排序(例如，从小到大排序或从大到小排序)，以便得到各个目标应用车型图像的序号。
作为示例，假设第一个应用车型图像至第十个应用车型图像均为目标应用车型图像，而且第一个应用车型图像对应的相似度为0.95、第二个应用车型图像对应的相似度为0.90、第三个应用车型图像对应的相似度为0.88、第四个应用车型图像对应的相似度为0.86、第五个应用车型图像对应的相似度为0.85、第六个应用车型图像对应的相似度为0.93、第七个应用车型图像对应的相似度为0.84、第八个应用车型图像对应的相似度为0.82、第九个应用车型图像对应的相似度为0.83、第十个应用车型图像对应的相似度为0.81。
基于上述假设可知，因0.95＞0.93＞0.90＞0.88＞0.86＞0.85＞0.84＞0.83＞0.82＞0.81，使得按照相似度对该十个应用车型图像进行排序得到的从大到小的排序结果为：第一个应用车型图像、第六个应用车型图像、第二个应用车型图像、第三个应用车型图像、第四个应用车型图像、第五个应用车型图像、第七个应用车型图像、第九个应用车型图像、第八个应用车型图像、第十个应用车型图像。基于此可知，第一个应用车型图像的序号为1、第六个应用车型图像的序号为2、第二个应用车型图像的序号为3、第三个应用车型图像的序号为4、第四个应用车型图像的序号为5、第五个应用车型图像的序号为6、第七个应用车型图像的序号为7、第九个应用车型图像的序号为8、第八个应用车型图像的序号为9、第十个应用车型图像的序号为10。
第二步：根据在目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应用车型图像的序号，计算每种车型信息的指标值。
车型信息的指标值用于表征待查询车辆图像具有该车型信息的可能性；而且，车型信息的指标值越高则表示该待查询车辆图像具有该车型信息的可能性越大。
另外，车型信息的指标值可以利用公式(2)进行确定。
Figure BDA0002351138760000131
式中，Si表示第i个车型信息的指标值；ni表示第i个车型信息在目标应用车型图像对应的车型信息中的出现次数；j表示在排序中第j次出现的对应第i个车型信息的目标应用车型图；
Figure BDA0002351138760000141
表示在排序中第j次出现的对应第i个车型信息的目标应用车型图的序号；i为正整数；j为正整数。
基于上述内容可知，在获取到目标应用车型图像的序号之后，可以根据在目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应用车型图像的序号，计算每种车型信息的指标值。作为示例，基于第二步中示例内容，当第一个应用车型图像至第十个应用车型图像均为目标应用车型图像，而且第一个应用车型图像至第五个应用车型图像均对应第一个车型信息，第六个应用车型图像至第八个应用车型图像均对应第二个车型信息，以及第九个应用车型图像至第十个应用车型图像均对应第三个车型信息时，则第一个车型信息的指标值为
Figure BDA0002351138760000142
第二个车型信息的指标值为
Figure BDA0002351138760000143
第三个车型信息的指标值为
Figure BDA0002351138760000144
0.16。
第三步：将指标值最大的车型信息确定为待查询车辆图像的车型信息。
本申请实施例中，在获取到各种车型信息的指标值之后，可以将指标值最大的车型信息确定为待查询车辆图像的车型信息。作为示例，基于第二步中示例内容可知，因第一个车型信息的指标值0.81＞第二个车型信息的指标值0.37＞第三个车型信息的指标值0.16，使得第一个车型信息的指标值最大，此时可以将第一个车型信息确定为待查询车辆图像的车型信息。
基于上述提供的S204的第二种实施方式的相关可知，本申请实施例可以同时参考车型信息的出现次数以及目标应用车型图像与待查询车辆图像之间的相似度来综合来确定待查询车辆图像的车型信息。如此能够进一步提高确定的待查询车辆图像的车型信息的准确性。
在本申请实施例一种可能的实施方式中，本申请实施例还提供了车型识别方法的另一实施方式，在该实施方式中，该车型识别方法除了可以包括上述步骤以外，还可以包括：如果待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度均小于阈值，将待查询车辆图像确定为无法确定车型信息的图像。
阈值可以根据应用场景设定，例如，阈值为0.5。
本申请实施例中，在获取到待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度之后，可以先判断待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度是否均小于阈值。此时，如果待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度均小于阈值，则表示各个应用车型图像均与该待查询车辆图像不相似，此时无法根据这些应用车型图像确定该待查询车辆图像的车型信息，如此可以将该待查询车辆图像确定为无法确定车型信息的图像。然而，如果待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度中存在不小于阈值的相似度，则表示这些应用车型图像中部分图像与该待查询车辆图像相似，此时可以从这些对应相似度不小于阈值的应用车型图像筛选出对应相似度满足预设条件的目标应用车型图像。如此有利于提高待查询车辆图像的车型信息的提取效率以及提取准确率。
在本申请实施例一种可能的实施方式中，本申请实施例还提供了车型识别方法的另一实施方式，在该实施方式中，该车型识别方法除了可以包括上述步骤以外，还可以包括：在得到无法确定车型信息的图像对应的车型信息后，将该无法确定车型信息的图像确定为应用车型图像。
本申请实施例中，在得到无法确定车型信息的图像对应的车型信息之后，可以根据该无法确定车型信息的图像生成新的应用车型图像，以便在后续的车型信息识别过程中也能够参考该新的应用车型图像进行识别。如此有利于应用车型图像的完善，从而有利于提高待查询车辆图像的车型信息的提取准确率。
在本申请实施例一种可能的实施方式中，本申请实施例还提供了一种特征提取模型的训练过程，如图3所示，该训练过程具体可以包括301-S306：
S301：获取训练车型图像集合。
训练车型图像集合包括多个训练车辆图像，而且训练车辆图像对应有车型信息。
需要说明的是，本申请实施例不限定训练车型图像集合，例如，训练车型图像集合可以包括所有训练图像，也可以包括部分训练图像。作为示例，当本申请实施例采用批数据进行模型训练时，则S301可以包括：从所有训练图像中随机选择P个训练图像构成一个批数据(batch)，此时该批数据就是训练车型图像集合。需要说明的是，若采用批数据进行模型训练，则需要利用各个批数据去执行S301至S305，以便使得所有训练图像均参与到特征提取模型的训练过程中。
另外，本申请实施例还提供了一种获取训练车型图像集合的实施方式，具体实施方式请见下文。
S302：将训练车型图像输入初始的特征提取模型，获取各个训练车辆图像的特征向量。
需要说明的是，初始的特征提取模型与上文中的提取模型的结构相同。
S303：将训练车辆图像的特征向量输入图像分类层。
图像分类层用于基于训练车辆图像的特征向量对训练车辆图像进行图像分类；而且，本申请实施例不限定图像分类层的具体实施方式，例如可以采用归一化指数函数softmax进行实施。
S304：判断是否达到预设停止条件，若是，则执行S306；若否，则执行S305。需要说明的是，本申请实施例不限定预设停止条件。
S305：以将具有相同车型信息的训练车辆图像的特征向量被划分为同一类为训练目标，调整初始特征提取模型的模型参数以及图像分类层的模型参数，返回执行S302。
训练目标是指模型训练过程中模型性能理论上达到的目标；而且，本申请实施例不限定模型性能的评价指标，例如，模型的评价指标可以采用Softmax Loss和三元组损失(Triplet Loss)构成。
本申请实施例中，在获取到图像分类层输出的训练车辆图像的分类预测结果之后，可以根据各个训练车辆图像的分类预测结果与各个训练车辆图像对应的车型信息分类结果，来确定该初始的特征提取模型的模型性能，以便基于该初始的特征提取模型的模型性能以及训练目标，来调整初始特征提取模型的模型参数以及图像分类层的模型参数，使得调整后的初始特征提取模型以及图像分类层能够得到更接近于训练目标的分类结果。
S306：将初始的特征提取模型确定为特征提取模型。
基于上述S301至S306的内容可知，本申请实施例可以基于训练车辆图像以及训练车辆图像对应的车型信息来训练初始的特征提取模型，使得训练好的初始的特征提取模型能够接近(甚至达到)将具有相同车型信息的训练车辆图像的特征向量被划分为同一类的训练目标，如此使得最终确定的特征提取模型能够准确地进行特征向量提取，有利于提高待查询车辆图像的车型信息的提取准确率。
在本申请实施例一种可能的实施方式中，本申请实施例还提供了一种获取训练车型图像集合的具体实施方式，其包括以下三步：
第一步：获取原始训练车型图像。
第二步：对原始训练车型图像进行随机擦除，生成模拟训练车型图像。
本申请实施例不限定随机擦除的具体实施方式。作为示例，假设原始训练车型图像采用矩阵A进行表示，则可以将A中随机选择的一些数值更换为固定值(例如，0或255)来实现随机擦除，得到模拟训练车型图像的矩阵B。
第三步：将原始训练车型图像和/或模拟训练车型图像确定为训练车型图像，组成训练车型图像集合。
基于上述三步内容可知，本申请实施例可以根据原始训练车型图像和由原始训练车型图像进行随机擦除得到的模拟训练车型图像中的至少一种来生成训练车型图像集合。
在本申请实施例一种可能的实施方式中，本申请实施例还提供了一种获取包括多个应用车型图像的应用车型图像数据库的具体实施方式，其具体可以为：
(1)获取待处理车辆图像以及该待处理车辆图像中车辆的号牌。其中，待处理车辆图像中车辆的号牌是指待处理车辆图像中记录有车牌号的牌子。
(2)根据该待处理车辆图像中车辆的号牌，确定该待处理车辆图像对应的初始车型信息。
初始车型信息是指记录在预设存储位置(例如，车管所的车型信息数据库)中的车型信息。例如，初始车型信息可以包括车辆品牌信息、车辆子品牌信息、车辆颜色、车辆年款信息等。另外，本申请实施例不限定基于待处理车辆图像中车辆的号牌确定初始车型信息的具体实施方式，例如，可以根据待处理车辆图像中车辆的号牌，从车管所的车型信息数据库中获取。如此能够保证初始车型信息的准确性。
(3)根据待处理车辆图像，生成待处理车辆图像对应的车头图像和车尾图像，以便利用待处理车辆图像对应的车头图像生成车头候选车型数据库，并利用待处理车辆图像对应的车尾图像生成车尾候选车型数据库。
本申请实施例不限定车头图像和车尾图像的获取方式，例如，可以采用通用分类器将待处理车辆图像拆分成该待处理车辆图像对应的车头图像和车尾图像。
车头候选车型数据库用于记录各个车头图像以及该车头图像的车头标签。
车尾候选车型数据库用于记录各个车尾图像以及该车尾图像的车尾标签。
(4)根据车头候选车型数据库中车头图像之间的相似度，将对应相似度高于第一相似度阈值的两张车头图像中的一个车头图像删除，并保留另一个车头图像。
本申请实施例中，为了避免车头候选车型数据库中存储有大量相似度较高的车头图像，可以基于车头图像之间的相似度进行筛选，以便在多个相似度较高的车头图像中只保留一个车头图像。例如，假设第一个车头图像与第二个车头图像之间的相似度高于第一相似度阈值，则可以将第一个车头图像删除，保留第二个车头图像；或者将第二个车头图像删除，保留第一个车头图像。如此能够有效地减少车头候选车型数据库中的数据量。
(5)根据车尾候选车型数据库中车尾图像之间的相似度，将对应相似度高于第一相似度阈值的两张车尾图像中的一个车尾图像删除，并保留另一个车尾图像。
本申请实施例中，为了避免车尾候选车型数据库中存储有大量相似度较高的车尾图像，可以基于车尾图像之间的相似度进行筛选，以便在多个相似度较高的车尾图像中只保留一个车尾图像。例如，假设第一个车尾图像与第二个车尾图像之间的相似度高于第一相似度阈值，则可以将第一个车尾图像删除，保留第二个车尾图像；或者将第二个车尾图像删除，保留第一个车尾图像。如此能够有效地减少车尾候选车型数据库中的数据量。
(6)在确定车头候选车型数据库中存在车尾图像时，将车头候选车型数据库中的车尾图像移动至车尾候选车型数据库中；并在确定车尾候选车型数据库中存在车头图像时，将车尾候选车型数据库中的车头图像移动至车头候选车型数据库中。
本申请实施例不限定该步骤的实施方式，例如，可以由人工进行调整。
(7)根据车头候选车型数据库中的车头图像、车尾候选车型数据库中的车尾图像以及待处理车辆图像的初始车型信息，生成各个应用车型图像以及该应用车型图像对应的车型信息。
本申请实施例中，可以将车头候选车型数据库中的车头图像作为应用车型图像，并基于该车头图像以及该车头图像对应的待处理车辆图像的初始车型信息生成该应用车型图像对应的车型信息，此时可以使得该车型信息可以包括车头标签、品牌、子品牌、颜色、年款等信息；而且，也可以将车尾候选车型数据库中的车尾图像作为应用车型图像，并基于该车尾图像以及该车尾图像对应的待处理车辆图像的初始车型信息生成该应用车型图像对应的车型信息，此时可以使得该车型信息可以包括车尾标签、品牌、子品牌、颜色、年款等信息。此时，可以利用这些生成的各个应用车型图像以及该应用车型图像对应的车型信息，生成包括多个应用车型图像的应用车型图像数据库。
基于上述(1)至(7)的相关内容可知，本申请实施例可以采用上述方式预先构建包括多个应用车型图像的应用车型图像数据库，使得应用车型图像数据库中可以包括应用车头图像以及应用车尾图像，且应用车头图像对应的车型信息中包括车头标签，所述应用车尾图像对应的车型信息中包括车尾标签。
需要说明的是，包括多个原始训练车型图像的训练车型图像数据库也可以采用上述(1)至(7)构建，只需将上述(1)至(7)中的“应用车型”替换为“训练车型”即可，为了简要起见，在此不再赘述。
基于上述方法实施例提供的车型识别方法的相关内容，本申请实施例还提供了一种车型识别装置，下面将结合附图对该车型识别装置进行说明。
参见图4，该图为本申请实施例提供的一种车型识别装置的结构示意图。如图4所示，该车型识别装置具体包括：
应用特征获取单元401，用于将应用车型图像输入特征提取模型，获取所述应用车型图像的特征向量，所述应用车型图像对应有车型信息；
查询特征获取单元402，用于将待查询车辆图像输入所述特征提取模型，获取所述待查询车辆图像的特征向量；
相似度计算单元403，用于计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度；
目标图像确定单元404，用于根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；
车型信息确定单元405，用于利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。
在本申请实施例一种可能的实现方式中，所述特征提取模型的训练过程包括：
获取训练车型图像集合，所述训练车型图像集合包括多个训练车辆图像，所述训练车辆图像对应有车型信息；
将所述训练车型图像输入初始的特征提取模型，获取各个所述训练车辆图像的特征向量；
将所述训练车辆图像的特征向量输入图像分类层，以将具有相同车型信息的训练车辆图像的特征向量被划分为同一类为训练目标，调整所述初始特征提取模型的模型参数以及所述图像分类层的模型参数，重复执行所述将所述训练车型图像输入初始的特征提取模型以及后续步骤，直到达到预设停止条件，得到特征提取模型。
在本申请实施例一种可能的实现方式中，所述获取训练车型图像集合，包括：
获取原始训练车型图像；
对所述原始训练车型图像进行随机擦除，生成模拟训练车型图像；
将所述原始训练车型图像和/或所述模拟训练车型图像确定为训练车型图像，组成训练车型图像集合。
在本申请实施例一种可能的实现方式中，所述特征提取模型包括特征图提取层、全局特征提取层以及局部特征提取层，所述特征图提取层的输出分别作为所述全局特征提取层的输入以及所述局部特征提取层的输入；
所述全局特征提取层包括全局特征提取网络以及降维卷积层；所述局部特征提取层包括局部特征提取网络以及降维卷积层；
所述特征向量由所述全局特征提取层输出的图像全局特征与所述局部特征提取层输出的图像局部特征组成。
在本申请实施例一种可能的实现方式中，所述应用车型图像包括应用车头图像以及应用车尾图像；
所述应用车头图像对应的车型信息中包括车头标签，所述应用车尾图像对应的车型信息中包括车尾标签。
在本申请实施例一种可能的实现方式中，所述车型信息确定单元405，包括：
候选图像排序子单元，用于按照所述相似度对所述目标应用车型图像进行排序，得到所述目标应用车型图像的序号；
指标值计算子单元，用于根据在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应用车型图像的序号，计算每种车型信息的指标值；
车型信息确定子单元，用于将所述指标值最大的车型信息确定为所述待查询车辆图像的车型信息。
在本申请实施例一种可能的实现方式中，所述车型信息确定单元405，包括：
次数比例计算子单元，用于计算在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数比例；
车型信息获取子单元，用于将所述出现次数比例最大的车型信息确定为所述待查询车辆图像的车型信息。
在本申请实施例一种可能的实现方式中，所述装置还包括：
识别能力确定单元，用于如果所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度均小于阈值，将所述待查询车辆图像确定为无法确定车型信息的图像。
在本申请实施例一种可能的实现方式中，所述装置还包括：
应用图像更新单元，用于在得到所述无法确定车型信息的图像对应的车型信息后，将所述无法确定车型信息的图像确定为所述应用车型图像。
另外，本申请实施例还提供了一种车型识别设备，包括：存储器，处理器，及存储在所述存储器上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，实现如上述实施例所述的车型识别方法的任一实施方式。
另外，本申请实施例还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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如上述实施例所述的车型识别方法的任一实施方式。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，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“包括一个……”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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车型识别方法，其特征在于，将应用车型图像输入特征提取模型，获取所述应用车型图像的特征向量，所述应用车型图像对应有车型信息；所述方法包括：
将待查询车辆图像输入所述特征提取模型，获取所述待查询车辆图像的特征向量；
计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度；
根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；
利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。
2.根据权利要求1所述的方法，其特征在于，所述特征提取模型的训练过程包括：
获取训练车型图像集合，所述训练车型图像集合包括多个训练车辆图像，所述训练车辆图像对应有车型信息；
将所述训练车型图像输入初始的特征提取模型，获取各个所述训练车辆图像的特征向量；
将所述训练车辆图像的特征向量输入图像分类层，以将具有相同车型信息的训练车辆图像的特征向量被划分为同一类为训练目标，调整所述初始特征提取模型的模型参数以及所述图像分类层的模型参数，重复执行所述将所述训练车型图像输入初始的特征提取模型以及后续步骤，直到达到预设停止条件，得到特征提取模型。
3.根据权利要求2所述的方法，其特征在于，所述获取训练车型图像集合，包括：
获取原始训练车型图像；
对所述原始训练车型图像进行随机擦除，生成模拟训练车型图像；
将所述原始训练车型图像和/或所述模拟训练车型图像确定为训练车型图像，组成训练车型图像集合。
4.根据权利要求1或2所述的方法，其特征在于，所述特征提取模型包括特征图提取层、全局特征提取层以及局部特征提取层，所述特征图提取层的输出分别作为所述全局特征提取层的输入以及所述局部特征提取层的输入；
所述全局特征提取层包括全局特征提取网络以及降维卷积层；所述局部特征提取层包括局部特征提取网络以及降维卷积层；
所述特征向量由所述全局特征提取层输出的图像全局特征与所述局部特征提取层输出的图像局部特征组成。
5.根据权利要求1所述的方法，其特征在于，所述应用车型图像包括应用车头图像以及应用车尾图像；
所述应用车头图像对应的车型信息中包括车头标签，所述应用车尾图像对应的车型信息中包括车尾标签。
6.根据权利要求1所述的方法，其特征在于，所述利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息，包括：
按照所述相似度对所述目标应用车型图像进行排序，得到所述目标应用车型图像的序号；
根据在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应用车型图像的序号，计算每种车型信息的指标值；
将所述指标值最大的车型信息确定为所述待查询车辆图像的车型信息。
7.根据权利要求1所述的方法，其特征在于，所述利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息，包括：
计算在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数比例；
将所述出现次数比例最大的车型信息确定为所述待查询车辆图像的车型信息。
8.一种车型识别装置，其特征在于，所述装置包括：
应用特征获取单元，用于将应用车型图像输入特征提取模型，获取所述应用车型图像的特征向量，所述应用车型图像对应有车型信息；
查询特征获取单元，用于将待查询车辆图像输入所述特征提取模型，获取所述待查询车辆图像的特征向量；
相似度计算单元，用于计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度；
目标图像确定单元，用于根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相似度，将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像；
车型信息确定单元，用于利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。
9.一种车型识别设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上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，实现如权利要求1-7任一项所述的车型识别方法。
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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1-7任一项所述的车型识别方法。
CN201911415698.2A 2019-12-31 2019-12-31 一种车型识别方法、装置及设备 Pending CN111178292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911415698.2A CN111178292A (zh) 2019-12-31 2019-12-31 一种车型识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911415698.2A CN111178292A (zh) 2019-12-31 2019-12-31 一种车型识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN111178292A true CN111178292A (zh) 2020-05-19

Family

ID=70657726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911415698.2A Pending CN111178292A (zh) 2019-12-31 2019-12-31 一种车型识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111178292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495031A (zh) * 2022-03-31 2022-05-13 青岛海信网络科技股份有限公司 一种车牌信息校正方法、设备及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320923A (zh) * 2014-08-05 2016-02-10 北京大学 车型识别方法及装置
CN106022285A (zh) * 2016-05-30 2016-10-12 北京智芯原动科技有限公司 一种基于卷积神经网络的车款识别方法及装置
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统
CN106778646A (zh) * 2016-12-26 2017-05-31 北京智芯原动科技有限公司 基于卷积神经网络的车型识别方法及装置
WO2017169226A1 (ja) * 2016-03-29 2017-10-05 パナソニックＩｐマネジメント株式会社 車種識別装置、車種識別システムおよび車種識別方法
CN109033308A (zh) * 2018-07-16 2018-12-18 安徽江淮汽车集团股份有限公司 一种图像检索方法及装置
CN109446368A (zh) * 2018-09-21 2019-03-08 华中科技大学 一种基于类别信息的鸟类检索方法及系统
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320923A (zh) * 2014-08-05 2016-02-10 北京大学 车型识别方法及装置
WO2017169226A1 (ja) * 2016-03-29 2017-10-05 パナソニックＩｐマネジメント株式会社 車種識別装置、車種識別システムおよび車種識別方法
CN106022285A (zh) * 2016-05-30 2016-10-12 北京智芯原动科技有限公司 一种基于卷积神经网络的车款识别方法及装置
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统
CN106778646A (zh) * 2016-12-26 2017-05-31 北京智芯原动科技有限公司 基于卷积神经网络的车型识别方法及装置
CN109033308A (zh) * 2018-07-16 2018-12-18 安徽江淮汽车集团股份有限公司 一种图像检索方法及装置
CN109446368A (zh) * 2018-09-21 2019-03-08 华中科技大学 一种基于类别信息的鸟类检索方法及系统
CN109857889A (zh) * 2018-12-19 2019-06-07 苏州科达科技股份有限公司 一种图像检索方法、装置、设备及可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495031A (zh) * 2022-03-31 2022-05-13 青岛海信网络科技股份有限公司 一种车牌信息校正方法、设备及装置

Similar Documents

Publication Publication Date Title
CN110837836B (zh) 基于最大化置信度的半监督语义分割方法
CN107944020B (zh) 人脸图像查找方法及装置、计算机装置和存储介质
EP3327583B1 (en) Method and device for searching a target in an image
JP5588395B2 (ja) 画像をオブジェクト及びそのパーツに関して効率的に解釈するためのシステムと方法
Liu et al. Robust graph mode seeking by graph shift
CN111783844B (zh) 基于深度学习的目标检测模型训练方法、设备及存储介质
Walker et al. Locating Salient Object Features.
CN109726746B (zh) 一种模板匹配的方法及装置
CN109948735B (zh) 一种多标签分类方法、系统、装置及存储介质
CN114529873A (zh) 目标检测方法及应用其的城市违规事件监测方法
CN110705489B (zh) 目标识别网络的训练方法、装置、计算机设备和存储介质
CN113569968B (zh) 模型训练方法、目标检测方法、装置、设备及存储介质
CN111177507A (zh) 多标记业务处理的方法及装置
CN110287311A (zh) 文本分类方法及装置、存储介质、计算机设备
CN111223128A (zh) 目标跟踪方法、装置、设备及存储介质
Wiggers et al. Document image retrieval using deep features
CN108830302B (zh) 一种图像分类方法、训练方法、分类预测方法及相关装置
CN114168768A (zh) 图像检索方法及相关设备
CN118132786A (zh) 一种相似图片的检索方法、装置、设备及存储介质
CN111178292A (zh) 一种车型识别方法、装置及设备
Li et al. A novel approach for vehicle detection using an AND–OR-graph-based multiscale model
CN116682141A (zh) 基于多尺度递进式感知的多标签行人属性识别方法及介质
CN111126617A (zh) 一种选择融合模型权重参数的方法、装置及设备
CN113177603B (zh) 分类模型的训练方法、视频分类方法及相关设备
CN116071569A (zh) 图像选择方法、计算机设备及存储装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication