CN111310844A - 车辆识别模型构建方法及装置、识别方法及装置 - Google Patents
车辆识别模型构建方法及装置、识别方法及装置 Download PDFInfo
- Publication number
- CN111310844A CN111310844A CN202010119117.7A CN202010119117A CN111310844A CN 111310844 A CN111310844 A CN 111310844A CN 202010119117 A CN202010119117 A CN 202010119117A CN 111310844 A CN111310844 A CN 111310844A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- model
- neural network
- convolutional neural
- 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
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆识别模型构建方法及装置、识别方法及装置,在构建方法中,通过卷积神经网络输入两张对比的图像,将卷积神经网络模型输出的两个图像多维特征对比操作结果和人工预设特征提取模型输出的两个图像人工预设特征对比操作结果作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;然后通过训练样本训练车辆识别模型;基于本发明方法,可以实现安全技术检验的车辆改装项目的自动或半自动判断,大幅度降低了人力成本,提高了检验速度。
Description
技术领域
本发明涉及车辆监测技术领域,特别涉及一种车辆识别模型构建方法及装置、识别方法及装置。
背景技术
随着经济的快速发展,人民购车的需求越来越大,各地汽车保有量一直在快速增长。为了确保道路交通安全,相关部门需要对机动车进行定期的安全技术检验,确保机动车处于安全使用的状态。然而,与此同时,不法分子以及忽视机动车安全检验的人士,为了私人利益,对机动车进行改装,而忽视了改装所带来的机动车安全隐患,甚至可能给道路交通安全带来隐患。所以相关部门在机动车安全技术检验的时候,会对机动车外观改装状况进行判断,以确定车辆是否合格,在确保车辆在没有改装即合格的情况下才能通过安全技术检验。
目前的安全技术检验的机动车改装项目,是基于人工比对机动车改装技术的,检验人员根据当前审核的机动车外观照片,以及当前车型在库的公告照片或该机动车的历史检验外观照片,进行比对是否存在改装现象,能基本地对机动车改装现象进行鉴别。可见,现在的人工比对机动车改装技术,需要人工肉眼进行车辆改装鉴别,而且由于需要获取同款车型的公告照片或该机动车的历史检验外观照片,需要去另一系统进行获取,工作强度较大、效率较低。在长时间高强度的检验工作下,检验人员难免会出现疲劳的情况,导致可能发生人为疏忽,从而漏识别、错识别机动车改装状况。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提供一种车辆识别模型构建方法,该方法可以构建出能够自动识别车辆是否合格的模型,以方便车辆改装情况的精确识别。
本发明的第二目的在于提供一种车辆识别方法,该方法使用先进的深度学习算法,对车辆外观在多维度下进行特征提取,并实现比对,从而可以在保证高准确率的前提下,实现安全技术检验的车辆改装项目的自动或半自动判断,大幅度降低了人力成本,提高了检验速度。
本发明的第三目的在于提供一种车辆识别模型构建装置。
本发明的第四目的在于提供一种车辆识别装置。
本发明的第五目的在于提供一种存储介质。
本发明的第六目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现:一种车辆识别模型构建方法,所述方法包括:
获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
建立卷积神经网络模型,通过该模型提取第一图像和第二图像的多维度特征;
建立人工预设特征提取模型,通过该模型提取输入的第一图像和第二图像的人工预设特征;
建立人工预设特征关键参数计算模型,由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
建立第一全连接神经网络模型和第二全连接神经网络模型;
将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
将各训练样本中第一图像和第二图像作为车辆识别模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
优选的,人工预设特征提取模型提取出的第一图像和第二图像的人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征;
所述人工预设特征关键参数计算模型计算出的人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。
优选的,还包括:
建立向量变换操作模型,通过该模型针对卷积神经网络的输出进行向量变换操作;
所述卷积神经网络模型输出的第一图像和第二图像的多维度特征,通过建立向量变换操作模型进行向量变换操作后进行比对操作,然后将比对操作后的结果作为第一全连接神经网络模型的输入。
优选的,卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作,具体指的是:将第一图像的多维度特征和第二图像的多维度特征进行求差操作;
人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作,具体指的是:将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。
优选的,所述人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到,所述车辆图像训练样本为已知人工预设特征标签的车辆图像;
所述人工预设特征提取模型的建立过程如下:
建立第一卷积神经网络,通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取;
建立第二卷积神经网络,通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓;
建立第三卷积神经网络,所述第三卷积神经网络包括一个或多个卷积神经网络,第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征;
将第一卷积神经网络的输出作为第二卷积神经网络的输入,将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入,构建得到人工预设特征提取模型,其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出;
将各车辆图像训练样本作为输入,针对人工预设特征提取模型进行训练,得到训练后的人工预设特征提取模型。
本发明的第二目的通过下述技术方案实现:一种基于本发明车辆识别模型构建方法所实现的车辆识别方法,所述方法包括:
针对于待识别的车辆,获取到对应车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用训练后的车辆识别模型;
将测试样本的第一图像和第二图像输入到车辆识别模型;
通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
本发明的第三目的通过下述技术方案实现:一种车辆识别模型构建装置,所述装置包括:
训练样本获取模块,用于获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
第一建立模块,用于建立卷积神经网络模型,通过建立的该模型提取第一图像和第二图像的多维度特征;
第二建立模块,用于建立人工预设特征提取模型,通过建立的该模型提取输入的第一图像和第二图像的人工预设特征;
第三建立模块,用于建立人工预设特征关键参数计算模型,由建立的该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
第四建立模块,用于建立第一全连接神经网络模型,用于建立第二全连接神经网络模型;
模型构建模块,用于将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征提取模型的输入,将人工预设特征提取模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
训练模块,用于将各训练样本中的第一图像和第二图像作为卷积神经网络模型和人工预设特征提取模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
本发明的第四目的通过下述技术方案实现:一种基于车辆识别模型构建装置的车辆识别装置,所述装置包括:
测试样本获取模块,用于获取测试样本,具体为:针对于待识别的车辆,获取该车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用模块,用于调用训练后的车辆识别模型,
输入模块,用于将测试样本的第一图像和第二图像分别输入到其中的卷积神经网络模型和人工预设特征提取模型中
识别模块,用于通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
本发明的第五目的通过下述技术方案实现:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明所述的车辆识别模型构建方法,或实现本发明所述的车辆识别方法。
本发明的第六目的通过下述技术方案实现:一种存储介质,存储有程序,所述程序被处理器执行时,实现本发明所述的车辆识别模型构建方法,或实现本发明所述的车辆识别方法。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明车辆识别模型构建方法中,通过卷积神经网络输入两张对比的图像(第一图像和第二图像),将卷积神经网络模型输出的两个图像多维特征对比操作结果和人工预设特征提取模型输出的两个图像人工预设特征对比操作结果作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;然后通过训练样本训练车辆识别模型。在本发明方法中,所使用的各训练样本包括两个图像,其中第一图像是车辆公布或历史的外观照片,是合格的车辆图像,第二图像是拍摄到的车辆图像,该图像可以是合格或不合格的图像,通过本发明方法训练出车辆识别模型能够提取第一图像、第二图像的多维度特征和人工预设特征,并且基于上述特征进行两幅图像的对比,能够准确的识别出车辆是否合格,以方便车辆改装等情况的精确识别。
(2)本发明方法中,通过车辆识别模型中卷积神经网络,能够获取到输入图像(对比的第一图像和第二图像)深度学习模型多维度特征即高级抽象特征,通过人工预设特征提取模型能够获取到输入图像(对比的第一图像和第二图像)人工预设特征即低级具象特征,通过人工预设特征关键参数计算模型对两张图像的高级抽象特征进行特征间的运算,提取出人工预设特征关键参数;最后将两张图像高级抽象特征对比操作结果、两张图像低级具象特征信息对比操作结果和人工预设特征关键参数,送入到第一全连接神经网络模型和第二全连接神经网络模型,获取到最终的比对结果和置信度;基于上述过程,本发明在卷积神经网络和人工预设特征提取模型中均输入测试样本的第一图像(对应车辆公布或历史外观照片)和第二图像(待识别车辆当前外观照片),能够识别出待识别车辆即测试样本中第二图像中对应车辆是否为合格车辆,可以在保证高准确率的前提下,实现安全技术检验的机动车改装项目的自动或半自动判断,大幅度降低人力成本,提高检验速度。目前在实际使用中,在安全技术检验的机动车改装项目,可以提高70%的检验速度,减少50%的检验人员,大幅度解放了劳动力。
(3)本发明方法中,包括建立的人工预设特征提取模型和人工预设特征关键参数计算模型,其中,可以根据需要建立提取相应预设特征的人工预设特征模型,提取例如车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征等人工预设特征,同时也可以根据需要建立计算出相应参数的人工预设特征关键参数计算模型,得到例如余弦相似度、欧式距离、算术平均数、平均方差等人工预设特征关键参数,克服传统深度学习模型虽然有强大的抽象能力,却不能保证在识别的过程中,按照用户的具体意愿去识别用户真正关注的地方。而本发明方法则同时利用了人工智能深度学习模型强大的抽象能力,以及人工根据实际使用场景预设的针对性的具象识别内容指定,确保在保证识别高效准确的前提下,保证用户关注的部分可以得到重视。
附图说明
图1是本发明车辆识别模型构建方法流程图。
图2是本发明车辆识别模型构建方法所构建的车辆识别模型结构示意图。
图3是本发明车辆识别模型构建方法中所建立的人工预设特征提取模型结构示意图。
图4是本发明车辆识别模型构建装置的结构框图。
图5是本发明车辆识别方法流程图。
图6是本发明车辆识别装置结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种车辆识别模型构建方法,通过该方法构建的车辆识别模型,可以识别出车辆是否合格,在相关部分对车辆进行年检时,若车辆存在改装或者用其他车辆替换时,本实施例方法构建的车辆识别模型均可以将该车辆识别为不合格,能够在保证识别高准确率的前提下,实现安全技术检验的车辆改装项目的自动或半自动判断,大幅度降低了人力成本,提高了检验速度。
如图1所示,本实施例方法包括如下步骤:
S101、获取多个训练样本,包括正训练样本和负训练样本,本实施例中正训练样本和负训练样本的个数比例为1:1;各训练样本中包括第一图像和第二图像;
其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;上述负训练样本中,车辆不合格情况下拍摄的外观照片指的是对应车辆在经过改装后拍摄到的照片,例如改变了车身的颜色、改变了车身的车标、在车身上加装其他物件等情况。第二图像为其他车辆拍摄的外观照片,其中其他车辆指的是指和第一图像中的车辆为不同车辆。
S102、建立卷积神经网络模型,通过该模型提取第一图像和第二图像的多维度特征;
在本实施例中,第一图像和第二图像同时或依次输入到卷积神经网络模型中,通过卷积神经网络模型依次或同时提取出第一图像的多维度特征和第二图像的多维度特征,通过上述多维度特征表征车辆的外观特征。在本实施例中,卷积神经网络模型采用密集网络的卷积神经网络结构,用于提取图像中的抽象特征。
S103、建立人工预设特征提取模型,通过该模型提取输入的第一图像和第二图像的人工预设特征。在本实施例中,第一图像和第二图像的人工预设特征包括但不限于车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征。
在本实施例中,人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到,车辆图像训练样本为已知人工预设特征标签的车辆图像。
人工预设特征提取模型的建立过程如下:
S1031、建立第一卷积神经网络,通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取;本实施例中,车辆图像输入到第一卷积神经网络中,第一卷积神经网络从第一图像、第二图像中分别定位出车身轮廓,并提取出来。
本实施例中,上述第一卷积神经网络使用掩码区域定位卷积神经网络,该卷积神经网络对整体图像的抽象特征进行提取,并分析主体车辆的类别及其位置,同时,将其轮廓掩码提取出来,得到车身轮廓特征。
S1032、建立第二卷积神经网络,通过第二卷积神经网络从车身轮廓图像区域中定位和提取出车辆部件轮廓;本实施例中,第一卷积神经网络从车辆图像的车身轮廓图像输入到第二卷积神经网络中,由第二卷积神经网络从车辆图像的车身轮廓图像中定位出部件轮廓,并提取出来。
本实施例中,上述第二卷积神经网络同样使用掩码区域定位卷积神经网络,对主体车辆图像中的抽象特征进行提取,并分析车身部件的类别及其位置,同时,将其轮廓掩码提取出来,得到车辆部件轮廓特征。
S1033、建立第三卷积神经网络,第三卷积神经网络包括一个或多个卷积神经网络,第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征。
在本实施例中,如需要提取的人工预设特征包括如下五种:车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征,则第三卷积神经网络总共包括5个卷积神经网络,分别为卷积神经网络a、卷积神经网络b、卷积神经网络c、卷积神经网络d和卷积神经网络e,第二卷积神经网络提取出的部件轮廓特征分别输入到卷积神经网络a至e,由卷积神经网络a至e分别对应实现车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征的提取。
S1034、将第一卷积神经网络的输出作为第二卷积神经网络的输入,将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入,构建得到人工预设特征提取模型,其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出。
S1035、以各车辆图像训练样本作为输入,输入到人工预设特征提取模型的第一卷积神经网络中,以各车辆图像训练样本的各人工预设特征为标签,对人工预设特征提取模型进行训练,得到训练后的人工预设特征提取模型,如图3中所示。
本步骤S103基于训练后的人工预设特征提取模型,针对输入的第一图像和第二图像分别提取人工预设特征。
S104、建立人工预设特征关键参数计算模型,由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数。
在本实施例中计算得到的人工预设特征关键参数包括第一图像的多维度特征和第二图像的多维度特征之间的余弦相似度、欧式距离、算术平均数和平均方差。在得到第一图像和第二图像的多维特征后,采用余弦相似度计算公式可以计算得到第一图像的多维度特征和第二图像的多维度特征的余弦相似度,采用欧式距离计算公式可以计算得到第一图像的多维度特征和第二图像的多维度特征的欧式距离,采用算术平均数计算公式可以计算得到第一图像的多维度特征和第二图像的多维度特征的算术平均数,采用平均方差计算公式可以计算得到第一图像的多维度特征和第二图像的多维度特征的平均方差。
S105、建立第一全连接神经网络模型A和第二全连接神经网络模型B。本实施例中,第一全连接神经网络模型和第二全连接神经网络模型为全连接层组成的多层感知器网络。
S106、将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型,其中第二全连接神经网络模型的输出为第二全连接神经网络模型的输出;如图2所示。
本步骤中卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作,具体指的是:将第一图像的多维度特征和第二图像的多维度特征进行求差操作;人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作,具体指的是:将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。
基于本步骤中上述建立的车辆识别模型,该模型的工作过程如下:
卷积神经模型输出的第一图像的多维度特征和第二图像的多维度特征进行对比操作后,具体为第一图像的多维度特征和第二图像的多维度特征进行求差运算后,得到第一对比操作结果。人工预设特征提取模型输出的第一图像的人工预设特征和第二图像的人工预设特征进行对比操作后,具体为第一图像各人工预设特征和第二图像的各人工预设特征值分别对应进行“与”操作运算后,得到第二对比操作结果;例如将第一图像的车辆外观颜色特征和第二图像的车辆外观颜色特征进行“与”操作运算,如果第一图像的车辆外观颜色与第二图像的车辆外观颜色相同,则第一图像的车辆外观颜色特征对应字符串和一图像的车辆外观颜色特征对应字符串相同,“与”操作之后,输出的结果为真;如果第一图像的车辆外观颜色与第二图像的车辆外观颜色不相同,则第一图像的车辆外观颜色特征对应字符串和一图像的车辆外观颜色特征对应字符串不相同,进行“与”操作之后,输出的结果为假。
将第一对比操作结果和第二对比操作结果融合后作为第一全连接神经网络模型A的输入。具体为:将第一图像的多维度特征和第二图像的多维度特征的差,和上述各人工预设特征对比的结果进行横向串联在一起,组成一个新的合成向量,然后送入全连接神经网络模型A。
将人工预设特征提取模型提取出的人工预设特征关键参数、第一全连接神经网络模型A输出的结果融合后输入到第二全连接神经网络模型B中,由第二全连接神经网络模型B得到最终得到比对结果以及置信度。具体为:人工预设特征关键参数和第一全连接神经网络模型A输出的结果进行横向串联,作为第二全连接神经网络模型B的输入,然后对其结果进行二分类,得到最终结果。
S107、将各训练样本中的第一图像和第二图像作为输入,具体将第一图像和第二图像均输入到卷积神经网络模型和人工预设特征提取模型,以各训练样本的合格情况(车辆合格或车辆不合格)作为标签,对步骤S106构建的车辆识别模型进行训练,得到训练后的车辆识别模型。
本实施例上述方法还包括如下步骤:
建立向量变换操作模型,通过该模型针对卷积神经网络的输出进行向量变换操作。具体为,卷积神经网络模型输出的第一图像和第二图像的多维度特征,通过建立向量变换操作模型进行向量变换操作后进行比对操作,然后将比对操作后的结果作为第一全连接神经网络模型的输入。
本实施例中,上述向量变换操作模型具体可以是指形状重塑reshape操作,卷积神经网络模型输出的第一图像和第二图像的多维度特征通过形状重塑reshape操作后,可以使得特征符合输入到全连接神经网络模型A的格式。
本实施例中,上述方法的步骤顺序并不是唯一特定的顺序,可以有其他多种顺序,例如可以先建立卷积神经网络模型、人工预设特征提取模型、人工预设特征关键参数计算模型、第一全连接神经网络模型、第二全连接神经网络模型构建得到车辆识别模型,然后再获取训练样本,最后针对车辆识别模型进行训练,也可以是其他。另外卷积神经网络模型、人工预设特征提取模型、人工预设特征关键参数计算模型、第一全连接神经网络模型、第二全连接神经网络模型的建立也是可以是除上述以为的其他很多种顺序,或者是也可以是同时建立上述模型。
实施例2
本实施例公开了一种车辆识别模型构建装置,如图4所示,该装置包括:
训练样本获取模块,用于获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
第一建立模块,用于建立卷积神经网络模型,通过建立的该模型提取第一图像和第二图像的多维度特征;
第二建立模块,用于建立人工预设特征提取模型,通过建立的该模型提取输入的第一图像和第二图像的人工预设特征;本实施例中,人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征;
第三建立模块,用于建立人工预设特征关键参数计算模型,由建立的该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;本实施例中,人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。
第四建立模块,用于建立第一全连接神经网络模型和用于建立第二全连接神经网络模型;
第一模型构建模块,用于将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征提取模型的输入,将人工预设特征提取模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
第一训练模块,用于将各训练样本中的第一图像和第二图像作为卷积神经网络模型和人工预设特征提取模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
本实施例装置还包括第五建立模块,用于建立向量变换操作模型,通过该模型针对卷积神经网络的输出进行向量变换操作;其中,卷积神经网络模型输出的第一图像和第二图像的多维度特征,通过建立向量变换操作模型进行向量变换操作后进行比对操作,然后将比对操作后的结果作为第一全连接神经网络模型的输入。
本实施例中,上述第四建立模块包括:
第一构建模块,用于建立第一卷积神经网络,通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取。
第二构建模块,用于建立第二卷积神经网络,通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓。
第三构建模块,用于建立第三卷积神经网络,其中,所构建的第三卷积神经网络包括一个或多个卷积神经网络,第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征。
第二模型构建模块,用于将第一卷积神经网络的输出作为第二卷积神经网络的输入,将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入,构建得到人工预设特征提取模型,其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出。
第二训练模块,用于将带标签的各车辆图像训练样本输入到第一卷积神经网络中,针对人工预设特征提取模型进行训练,得到训练后的人工预设特征提取模型。
本实施例中,车辆识别模型构建装置与实施例1的车辆识别模型构建方法相对应,因此各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例3
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,处理器执行存储器存储的程序时,实现实施例1述的车辆识别模型构建方法,如下:
获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
建立卷积神经网络模型,通过该模型提取第一图像和第二图像的多维度特征;
建立人工预设特征提取模型,通过该模型提取输入的第一图像和第二图像的人工预设特征;
建立人工预设特征关键参数计算模型,由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
建立第一全连接神经网络模型和第二全连接神经网络模型;
将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
将各训练样本中的第一图像和第二图像作为卷积神经网络模型和人工预设特征提取模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
本实施例中,计算设备可以为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
实施例4
本实施例公开一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现实施例1所述的车辆识别模型构建方法,如下:
获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
建立卷积神经网络模型,通过该模型提取第一图像和第二图像的多维度特征;
建立人工预设特征提取模型,通过该模型提取输入的第一图像和第二图像的人工预设特征;
建立人工预设特征关键参数计算模型,由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
建立第一全连接神经网络模型和第二全连接神经网络模型;
将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
将各训练样本中的第一图像和第二图像作为卷积神经网络模型和人工预设特征提取模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
本实施例中存储介质可以是磁盘、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)、U盘、移动硬盘等介质。
实施例5
本实施例公开了一种基于实施例1中车辆识别模型构建方法所实现的车辆识别方法,如图5所示,该方法包括如下步骤:
S201、针对于待识别的车辆,获取对应车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
S202、调用训练后的车辆识别模型;
S203、将测试样本的第一图像和第二图像分别输入到车辆识别模型中,即将测试样本的第一图像和第二图像均输入到卷积神经网络模型和人工预设特征提取模型中;
S204、通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
本实施例中步骤S202调用的车辆识别模型为实施例1步骤S107训练后的车辆识别模型。
基于本实施例的车辆识别方法,相关部门需要识别检验车辆是否合格时,只需要针对待检验车辆拍摄外观照片并且上传到系统,同时,根据车主信息或其他信息在数据库中选取到对应车辆公布或历史外观照片。系统基于上传的车辆拍摄外观照片和上述选取的车辆公布或历史外观照片,通过步骤S202即可检出车辆是否合格。当车辆出现改装,例如颜色改装、车牌改装、车标改装、车牌号改装等情况,或者车主采用其他车辆代替需要检验车辆时,通过本实施例方法,均可以检出车辆为不合格。
实施例6
本实施例公开了一种车辆识别装置,如图6所示,该装置包括:
测试样本获取模块,用于获取测试样本,具体为:针对于待识别的车辆,获取该车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用模块,用于调用实施例1所示方法或实施例2所示装置训练得到的车辆识别模型,
输入模块,用于将测试样本的第一图像和第二图像分别输入到其中的卷积神经网络模型和人工预设特征提取模型中
识别模块,用于通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
实施例7
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,处理器执行存储器存储的程序时,实现实施例5所述的车辆识别方法,如下:
针对于待识别的车辆,获取该车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用实施例1中训练后的车辆识别模型;
将测试样本的第一图像和第二图像分别输入到其中的卷积神经网络模型和人工预设特征提取模型中;
通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
本实施例中,计算设备可以为台式电脑、笔记本电脑、智能手机、PDA手持终端或平板电脑。
实施例8
本实施例公开一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现实施例5所述的车辆识别模型构建方法,如下:
针对于待识别的车辆,获取该车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用实施例1中训练后的车辆识别模型;
将测试样本的第一图像和第二图像分别输入到其中的卷积神经网络模型和人工预设特征提取模型中;
通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
本实施例中存储介质可以是磁盘、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)、U盘、移动硬盘等介质。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种车辆识别模型构建方法,其特征在于,所述方法包括:
获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
建立卷积神经网络模型,通过该模型提取第一图像和第二图像的多维度特征;
建立人工预设特征提取模型,通过该模型提取输入的第一图像和第二图像的人工预设特征;
建立人工预设特征关键参数计算模型,由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
建立第一全连接神经网络模型和第二全连接神经网络模型;
将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入,将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
将各训练样本中第一图像和第二图像作为车辆识别模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
2.根据权利要求1所述的车辆识别模型构建方法,其特征在于,人工预设特征提取模型提取出的第一图像和第二图像的人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征;
所述人工预设特征关键参数计算模型计算出的人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。
3.根据权利要求1所述的车辆识别模型构建方法,其特征在于,还包括:
建立向量变换操作模型,通过该模型针对卷积神经网络的输出进行向量变换操作;
所述卷积神经网络模型输出的第一图像和第二图像的多维度特征,通过建立向量变换操作模型进行向量变换操作后进行比对操作,然后将比对操作后的结果作为第一全连接神经网络模型的输入。
4.根据权利要求1所述的车辆识别模型构建方法,其特征在于,卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作,具体指的是:将第一图像的多维度特征和第二图像的多维度特征进行求差操作;
人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作,具体指的是:将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。
5.根据权利要求1所述的车辆识别模型构建方法,其特征在于,所述人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到,所述车辆图像训练样本为已知人工预设特征标签的车辆图像;
所述人工预设特征提取模型的建立过程如下:
建立第一卷积神经网络,通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取;
建立第二卷积神经网络,通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓;
建立第三卷积神经网络,所述第三卷积神经网络包括一个或多个卷积神经网络,第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征;
将第一卷积神经网络的输出作为第二卷积神经网络的输入,将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入,构建得到人工预设特征提取模型,其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出;
将各车辆图像训练样本作为输入,针对人工预设特征提取模型进行训练,得到训练后的人工预设特征提取模型。
6.一种基于权利要求1~5中任一项车辆识别模型构建方法所实现的车辆识别方法,其特征在于,所述方法包括:
针对于待识别的车辆,获取到对应车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用训练后的车辆识别模型;
将测试样本的第一图像和第二图像输入到车辆识别模型;
通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
7.一种车辆识别模型构建装置,其特征在于,所述装置包括:
训练样本获取模块,用于获取多个训练样本,包括正训练样本和负训练样本;各训练样本包括第一图像和第二图像;其中,各正训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆合格情况下拍摄的外观照片,标签为车辆合格;各负训练样本:第一图像为车辆对应已公布或历史外观照片,第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片,标签为车辆不合格;
第一建立模块,用于建立卷积神经网络模型,通过建立的该模型提取第一图像和第二图像的多维度特征;
第二建立模块,用于建立人工预设特征提取模型,通过建立的该模型提取输入的第一图像和第二图像的人工预设特征;
第三建立模块,用于建立人工预设特征关键参数计算模型,由建立的该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数;
第四建立模块,用于建立第一全连接神经网络模型,用于建立第二全连接神经网络模型;
模型构建模块,用于将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后,作为第一全连接神经网络模型的输入,将卷积神经网络模型的输出作为人工预设特征提取模型的输入,将人工预设特征提取模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入,构建得到车辆识别模型;
训练模块,用于将各训练样本中的第一图像和第二图像作为卷积神经网络模型和人工预设特征提取模型的输入,对车辆识别模型进行训练,得到训练后的车辆识别模型。
8.一种基于权利要求7所述车辆识别模型构建装置的车辆识别装置,其特征在于,所述装置包括:
测试样本获取模块,用于获取测试样本,具体为:针对于待识别的车辆,获取该车辆公布或历史外观照片,作为测试样本的第一图像,同时获取该车辆当前外观照片,作为测试样本的第二图像;
调用模块,用于调用训练后的车辆识别模型,
输入模块,用于将测试样本的第一图像和第二图像分别输入到其中的卷积神经网络模型和人工预设特征提取模型中
识别模块,用于通过车辆识别模型输出车辆识别结果,车辆识别结果包括车辆合格和车辆不合格。
9.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-5中任一项所述的车辆识别模型构建方法,或实现权利要求6所述的车辆识别方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-5中任一项所述的车辆识别模型构建方法,或实现权利要求6所述的车辆识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119117.7A CN111310844B (zh) | 2020-02-26 | 2020-02-26 | 车辆识别模型构建方法及装置、识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119117.7A CN111310844B (zh) | 2020-02-26 | 2020-02-26 | 车辆识别模型构建方法及装置、识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310844A true CN111310844A (zh) | 2020-06-19 |
CN111310844B CN111310844B (zh) | 2022-09-16 |
Family
ID=71162184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010119117.7A Active CN111310844B (zh) | 2020-02-26 | 2020-02-26 | 车辆识别模型构建方法及装置、识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310844B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950728A (zh) * | 2020-08-17 | 2020-11-17 | 珠海格力电器股份有限公司 | 图像特征提取模型的构建方法、图像检索方法及存储介质 |
CN116935659A (zh) * | 2023-09-12 | 2023-10-24 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、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 |
CN110837807A (zh) * | 2019-11-11 | 2020-02-25 | 内蒙古大学 | 一种套牌车辆的识别方法及系统 |
-
2020
- 2020-02-26 CN CN202010119117.7A patent/CN111310844B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155371A1 (zh) * | 2015-03-31 | 2016-10-06 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、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 |
CN110837807A (zh) * | 2019-11-11 | 2020-02-25 | 内蒙古大学 | 一种套牌车辆的识别方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950728A (zh) * | 2020-08-17 | 2020-11-17 | 珠海格力电器股份有限公司 | 图像特征提取模型的构建方法、图像检索方法及存储介质 |
CN116935659A (zh) * | 2023-09-12 | 2023-10-24 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
CN116935659B (zh) * | 2023-09-12 | 2023-12-08 | 四川遂广遂西高速公路有限责任公司 | 一种高速服务区卡口车辆稽核系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111310844B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
CN108090429B (zh) | 一种分级前脸卡口车型识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
CN111310844B (zh) | 车辆识别模型构建方法及装置、识别方法及装置 | |
CN109740415A (zh) | 车辆属性识别方法及相关产品 | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN111401358B (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
CN115909280A (zh) | 基于多头注意力机制的交通标志识别算法 | |
CN111539456B (zh) | 一种目标识别方法及设备 | |
CN112016519A (zh) | 一种基于Hard Triple的车辆重识别方法及系统 | |
CN111144237A (zh) | 一种基于ai的水污染识别方法及系统 | |
CN113052071B (zh) | 危化品运输车驾驶员分心行为快速检测方法及系统 | |
CN111178198B (zh) | 一种基于机器视觉的实验室危险品安全隐患自动监测方法 | |
CN112633264B (zh) | 一种车辆属性识别方法、装置、电子设备及存储介质 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
CN111597896B (zh) | 异常人脸的识别方法、识别装置、识别设备和存储介质 | |
CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
CN112465747A (zh) | 一种输电杆塔金具锈蚀的智能识别方法 | |
CN113223018A (zh) | 细粒度图像分析处理方法 |
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 |