CN112132216A - 车型识别方法、装置、电子设备及存储介质 - Google Patents
车型识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112132216A CN112132216A CN202011004691.4A CN202011004691A CN112132216A CN 112132216 A CN112132216 A CN 112132216A CN 202011004691 A CN202011004691 A CN 202011004691A CN 112132216 A CN112132216 A CN 112132216A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature map
- target
- vehicle
- characteristic diagram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 183
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000010586 diagram Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及图像处理技术领域,应用于智慧交通领域中,揭露了一种车型识别方法、装置、电子设备及存储介质,该车型识别方法包括:获取包含目标车辆的目标图像;调用特征提取网络提取所述目标图像的第一特征图矩阵;调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。本公开可以提高车型识别的准确率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种车型识别方法、装置、电子设备及存储介质。
背景技术
在交通管理相关的领域中,许多应用场景(例如:车流统计、安防追踪)会需要识别出车辆的型号。由于车型种类繁多,且许多车型之间从外形或者车标来看十分相似,因此只有在识别车型时保证提取出具有足够表达能力的图像特征才能高准确度地进行车型识别。而现有技术中,在识别车型时对于车辆的细节特征的提取能力不足,造成了所提取出的图像特征的表达能力存在一定程度的匮乏,从而导致车型识别的准确率无法进一步提高。
发明内容
本公开提供一种车型识别方法、装置、电子设备及存储介质,其主要目的在于提高车型识别的准确率。
为实现上述目的,本公开提供的一种车型识别方法,包括:
获取包含目标车辆的目标图像;
调用特征提取网络提取所述目标图像的第一特征图矩阵;
调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
可选地,所述特征提取网络为SpineNet网络。
可选地,所述至少两个注意力网络包括第一注意力网络以及第二注意力网络,调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵,包括:
将所述第一特征图矩阵输入所述第一注意力网络,并将所述第一注意力网络的输出输入第一卷积层,得到所述第一卷积层输出的第一卷积结果;
将所述第一特征图矩阵输入所述第二注意力网络,并将所述第二注意力网络的输出输入第二卷积层,得到所述第二卷积层输出的第二卷积结果;
将所述第一卷积结果与所述第二卷积结果进行求和,得到所述第二特征图矩阵。
可选地,所述第一注意力网络为Channel注意力网络,所述第二注意力网络为Spatial注意力网络。
可选地,对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵,包括:
对所述第二特征图矩阵进行回归处理,得到各第一候选框的坐标矩阵;
对所述第二特征图矩阵进行分类处理,得到所述各第一候选框的类别矩阵;
基于所述坐标矩阵以及所述类别矩阵对所述各第一候选框进行非极大值抑制处理,得到筛选出的各第二候选框;
基于所述各第二候选框对所述第二特征图矩阵进行切割处理,得到所述各候选框特征图矩阵。
可选地,基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵,包括:
将所述各候选框特征图矩阵分别处理为预设大小的块,得到大小一致的各候选框特征图矩阵;
对所述大小一致的各候选框特征图矩阵分别进行像素点采样,得到像素点采样后的各候选框特征图矩阵;
对所述像素点采样后的各候选框特征图矩阵进行池化处理,得到所述目标框特征图矩阵。
可选地,基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果,包括:
对所述目标框特征图矩阵进行回归处理,得到所述目标图像中各车辆的车辆检测框;
对所述目标框特征图矩阵进行分类处理,得到所述目标图像中各车辆的车型识别结果;
基于所述目标图像中各车辆的车辆检测框以及所述目标图像中各车辆的车型识别结果,确定所述目标车辆的车型识别结果。
为了解决上述问题,本公开还提供一种车型识别装置,所述装置包括:
获取模块,配置为获取包含目标车辆的目标图像;
特征提取模块,配置为调用特征提取网络提取所述目标图像的第一特征图矩阵;
注意力模块,配置为调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
区域生成模块,配置为调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
池化模块,配置为基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
分类模块,配置为基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
为了解决上述问题,本公开还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的车型识别方法。
为了解决上述问题,本公开还提供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至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的车型识别方法。
本公开实施例通过在提取出目标图像的第一特征图矩阵后,采用包含多个注意力网络的融合注意力网络采用多种注意力机制对第一特征图矩阵进行进一步的处理,使得得到的第二特征图矩阵所包含的特征信息更加集中地关注车辆的细节特征,提高了对特征信息的表达能力。从而使得以第二特征图矩阵为基础所处理得到的车型识别结果更加准确,可应用于智慧交通领域中,提高车型识别的准确率,从而推动智慧城市的建设。
附图说明
图1为本公开一实施例提供的车型识别方法的流程示意图。
图2为本公开一实施例提供的融合注意力网络的处理逻辑示意图。
图3为本公开一实施例提供的区域生成网络的处理逻辑示意图。
图4为本公开一实施例提供的车型识别装置的模块示意图。
图5为本公开一实施例提供的实现车型识别方法的电子设备的内部结构示意图。
本公开目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
本公开提供一种车型识别方法。参照图1所示,为本公开一实施例提供的车型识别方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,车型识别方法包括:
步骤S1、获取包含目标车辆的目标图像;
步骤S2、调用特征提取网络提取所述目标图像的第一特征图矩阵;
步骤S3、调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
步骤S4、调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
步骤S5、基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
步骤S6、基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
本公开实施例中,获取包含目标车辆的目标图像,以根据对该目标图像的处理识别出该目标车辆的车型。具体的,在智能交通的应用中可以从路况摄像头的监控视频截取包含目标车辆的目标图像。
在一实施例中,在获取包含目标车辆的目标图像后,该方法还包括:将该目标图像的尺寸大小调整为预设图像尺寸。
该实施例中,针对待从中识别车型的图像预设有统一的图像尺寸。获取到的目标图像由于图像采集设备的原因,其原始的尺寸大小可能并不符合预设的图像尺寸。故获取到目标图像后,将该目标图像的尺寸大小调整为预设的图像尺寸,进而对调整后的目标图像进行后续处理,从中识别目标车辆的车型。例如:预设的图像尺寸为1000*600。从路况摄像头的监控视频截取到目标图像后,将该目标图像调整为1000*600的尺寸大小,进而对该1000*600尺寸大小的目标图像进行后续处理。
本公开实施例中,获取到目标图像后,调用特征提取网络提取该目标图像的第一特征图矩阵。具体的,将目标图像作为特征提取网络的输入,特征提取网络将该目标图像中有关车辆的特征信息提取出并以矩阵的形式输出,得到第一特征图矩阵。
在一实施例中,该特征提取网络为SpineNet网络。具体的,SpineNet网络中:通过编码器对输入的目标图像进行降采样处理,再通过解码器恢复因降采样处理而下降的分辨率,从而恢复定位所需的细节信息;在编码器与解码器之间存在多个处理中间特征图矩阵的特征尺度不一的中间层,这些中间层的尺度规模可以根据需求随时扩大缩小,以便随着网络深度增加保证一定的空间信息;这些多个中间层之间能够跨越特征尺度相互连接,从而促进多尺度特征融合。
该实施例的优点在于,使用SpineNet网络,通过恢复分辨率、保证空间信息以及多尺度特征融合这三方面显著提高了在雾霾、雨天、夜间、车侧面等困难场景下的特征表达能力,从而提高车型识别的整体准确率和召回率。
需要说明的是,除了采用SpineNet网络作为特征提取网络外,也可以采用VGG16网络作为特征提取网络。该实施例只是示例性的说明,不应对本公开的功能和使用范围造成限制。
本公开实施例中,提取出第一特征图矩阵后,调用包含至少两个注意力网络的融合注意力网络,采用多种注意力机制以相应的侧重点对该第一特征图矩阵进行处理,得到突出所侧重特征的第二特征图矩阵。
图2示出了本公开一实施例的融合注意力网络的处理逻辑示意图。
参考图2所示,该实施例中,融合注意力网络由n个注意力网络组成,每个注意力网络后接有一卷积层。该n个注意力网络分别并列地处理第一特征图矩阵,注意力网络的输出进而得到对应的卷积层的处理,最终对所有卷积层的输出进行求和,得到第二特征图矩阵。其中,n为大于等于2的自然数;每个注意力网络的注意力机制各不相同,即,每个注意力网络对特征信息的侧重点各不相同。通过融合注意力网络采用多种注意力机制对第一特征图矩阵进行进一步的处理,使得得到的第二特征图矩阵所包含的特征信息更加集中地关注车辆的细节特征,从而提高了对特征信息的表达能力。
在一实施例中,至少两个注意力网络包括第一注意力网络以及第二注意力网络,调用包含至少两个注意力网络的融合注意力网络对第一特征图矩阵进行处理,得到目标图像的第二特征图矩阵,包括:
将第一特征图矩阵输入第一注意力网络,并将第一注意力网络的输出输入第一卷积层,得到第一卷积层输出的第一卷积结果;
将第一特征图矩阵输入第二注意力网络,并将第二注意力网络的输出输入第二卷积层,得到第二卷积层输出的第二卷积结果;
将第一卷积结果与第二卷积结果进行求和,得到第二特征图矩阵。
该实施例中,融合注意力网络由两个注意力网络组成:第一注意力网络以及第二注意力网络。第一注意力网络与第二注意力网络并列地对第一特征图矩阵进行处理,再将分别得到的结果进行融合得到第二特征图矩阵。
具体的,将第一特征图矩阵输入第一注意力网络,从而第一注意力网络以其注意力机制输出对第一特征图矩阵所侧重的权重,进而再经过第一卷积层的卷积处理得到其输出的第一卷积结果;并列的,将第一特征图矩阵输入第二注意力网络,从而第二注意力网络以其注意力机制输出对第一特征图矩阵所侧重的权重,进而再经过第二卷积层的卷积处理得到其输出的第二卷积结果。再将第一卷积结果与第二卷积结果进行求和,得到第二特征图矩阵。
其中,在将第一卷积结果与第二卷积结果进行求和时,可以根据对特征信息的侧重需求进一步地为各注意力网络分配不同的权重,进而将第一卷积结果与第二卷积结果进行加权求和,得到第二特征图矩阵。
在一实施例中,第一注意力网络为Channel注意力网络,第二注意力网络为Spatial注意力网络。具体的,Channel注意力网络确定第一特征图矩阵中各个通道的第一权重,进而基于该第一权重对第一特征图矩阵进行处理;Spatial注意力网络确定第一特征图矩阵中各二维平面上每个像素的第二权重,进而基于该第二权重对第一特征图矩阵进行处理。
若第一特征图矩阵的大小为60*40*512,分别经过Channel注意力网络以及Spatial注意力网络的处理后得到的两个矩阵大小仍为60*40*512,接着再分别经过对应的卷积层的处理后得到的两个矩阵大小仍为60*40*512,最后在将这两个矩阵进行求和得到大小为60*40*512的第二特征图矩阵。
需要说明的是,该实施例只是示例性的说明,不应对本公开的功能和使用范围造成限制。
本公开实施例中,得到第二特征图矩阵后,调用区域生成网络对该第二特征图矩阵进行处理,得到各候选框特征图矩阵。具体的,区域生成网络(Region ProposalNetwork,RPN)主要采用区域建议算法推测出车辆所在位置,输出的各候选框特征图矩阵描述的有候选的车辆所在位置的检测框。
在一实施例中,对第二特征图矩阵进行处理,得到各候选框特征图矩阵,包括:
对第二特征图矩阵进行回归处理,得到各第一候选框的坐标矩阵;
对第二特征图矩阵进行分类处理,得到各第一候选框的类别矩阵;
基于坐标矩阵以及类别矩阵对各第一候选框进行非极大值抑制处理,得到筛选出的各第二候选框;
基于各第二候选框对第二特征图矩阵进行切割处理,得到各候选框特征图矩阵。
该实施例中,将第二特征图矩阵输入区域生成网络后,区域生成网络并行地对第二特征图矩阵分别进行回归处理以及分类处理。回归处理得到的是用于描述位置信息的各第一候选框的坐标矩阵,位置信息可以用于确定第一候选框之间是否有重叠;分类处理得到的是用于描述类别信息的各第一候选框的类别矩阵,类别信息可以用于确定第一候选框对应的分类概率。
再对各第一候选框进行非极大值抑制处理:将所有第一候选框按照分类概率降序排序,保留概率最高的第一候选框并删除与之重叠的其他第一候选框。从而删除掉冗余的第一候选框,并保留前M个第一候选框,其中,M为预先配置的大于0的自然数。该前M个第一候选框即筛选出的各第二候选框。
进而使用各第二候选框在第二特征图矩阵上进行切割处理,得到各候选框特征图矩阵。
图3示出了本公开一实施例的区域生成网络的处理逻辑示意图。
该实施例中,预先设定由3种尺寸和3种比例得到9个锚框。例如:3种尺寸分别为8、16、32,3种比例分别为1:1、1:2、2:1,得到9个锚框分别为8*8,8*16,16*8,16*16,32*16,32*32,32*64,64*32。
将大小为60*40*512的第二特征图矩阵作为区域生成网络的输入,采用3*3的卷积以及Mish激活函数对其处理后得到大小为60*40*512的中间矩阵。再采用1*1的卷积对该中间矩阵进行回归处理,得到各第一候选框的大小为60*40*(9*4)=60*40*36的坐标矩阵,其中,9表示的是锚框的个数,4表示的是每个锚框的坐标;采用1*1的卷积以及Sigmoid激活函数对该中间矩阵进行分类处理,得到各第一候选框的大小为60*40*(9*2)=60*40*18的类别矩阵,其中,9表示的是锚框的个数,2表示的是前景和背景二分类。
对所有第一候选框执行非极大值抑制处理,筛选出300个第二候选框。将该300个第二候选框在第二特征图矩阵上进行切割处理,最终输出候选框特征图矩阵。
需要说明的是,该实施例只是示例性的说明,不应对本公开的功能和使用范围造成限制。
本公开实施例中,得到各候选框特征图矩阵后,对各候选框特征图矩阵进行池化处理,得到描述有目标车辆的位置信息以及车型信息的目标框特征图矩阵。
在一实施例中,基于对各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵,包括:
将各候选框特征图矩阵分别处理为预设大小的块,得到大小一致的各候选框特征图矩阵;
对大小一致的各候选框特征图矩阵分别进行像素点采样,得到像素点采样后的各候选框特征图矩阵;
对像素点采样后的各候选框特征图矩阵进行池化处理,得到目标框特征图矩阵。
该实施例中,将得到的各候选框图矩阵分别处理为预设的统一大小的块,得到大小一致的各候选框特征图矩阵;进而再分别进行像素点采样,再对像素点采样后的各候选框特征图矩阵进行池化处理,得到目标框特征图矩阵。其中,在进行像素点采样时,可以采用双线性插值法对大小一致的各候选框特征图矩阵分别进行像素点采样,也可以采用最近邻域插值法对大小一致的各候选框特征图矩阵分别进行像素点采样。
例如:得到的候选框图矩阵有300个,将每个候选框图矩阵均划分为7*7固定大小的块。具体的,若其中一个候选框图矩阵的大小为20*30*512,将该候选框图矩阵划分为7*7大小的块,每块大小为(20/7)*(30/7)=2.86*4.29。在采用双线性插值法进行像素点采样时,采样点数为4,即相当于将2.86*4.29=12.27个像素点更改为4个像素点。最后对每块执行MaxPooling操作,即只保留采样得到的4个像素点中值最大的像素点,得到处理后的大小为7*7*512的矩阵。由于候选框图矩阵有300个,因此最终得到的目标框特征图矩阵的大小为300*7*7*521。
该实施例的优点在于,通过在池化处理中加入像素点采样的处理,降低了像素的损失,缓解了像素的偏差问题,提高了目标框特征图矩阵所描述的车辆检测框的定位精度,从而进一步提高车型识别的整体准确率和召回率。
本公开实施例中,得到描述有目标车辆的位置信息以及车型信息的目标框特征图矩阵后,对其进行分类处理即可得到目标车辆的车型识别结果。
在一实施例中,基于对目标框特征图矩阵进行的分类处理,得到目标车辆的车型识别结果,包括:
对目标框特征图矩阵进行回归处理,得到目标图像中各车辆的车辆检测框;
对目标框特征图矩阵进行分类处理,得到目标图像中各车辆的车型识别结果;
基于目标图像中各车辆的车辆检测框以及目标图像中各车辆的车型识别结果,确定目标车辆的车型识别结果。
该实施例中,对目标框特征图矩阵进行回归处理,定位目标图像中各车辆的位置,即得到目标图像中各车辆的车辆检测框;对目标框特征图矩阵进行分类处理,判别目标图像中各车辆的车型类别,即得到目标图像中各车辆的车型识别结果。进而可以根据目标车辆的位置确定目标车辆的车型识别结果。具体的,可以采用全连接层对目标框特征图矩阵进行回归处理;采用全连接层以及Softmax激活函数对目标框特征图矩阵进行分类处理。
需要说明的是,该实施例只是示例性的说明,不应对本公开的功能和使用范围造成限制。可以理解的,当目标图像中只包含目标车辆一个车辆时,仅需要对目标框特征图矩阵进行分类处理即可确定目标车辆的车型识别结果。
如图4所示,是本公开车型识别装置的功能模块图。
本公开的车型识别装置100可以安装于电子设备中。根据实现的功能,车型识别装置可以包括获取模块101、特征提取模块102、注意力模块103、区域生成模块104、池化模块105、分类模块106。本公开的模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
获取模块101配置为获取包含目标车辆的目标图像;
特征提取模块102配置为调用特征提取网络提取所述目标图像的第一特征图矩阵;
注意力模块103配置为调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
区域生成模块104配置为调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
池化模块105配置为基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
分类模块106配置为基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
具体地,所述车型识别装置100的功能模块具体所实现的功能可参考图1对应实施例中相关步骤的描述,在此不赘述。
如图5所示,是本公开实现车型识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如车型识别程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如车型识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如车型识别程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的车型识别程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取包含目标车辆的目标图像;
调用特征提取网络提取所述目标图像的第一特征图矩阵;
调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本公开不限于上述示范性实施例的细节,而且在不背离本公开的精神或基本特征的情况下,能够以其他的具体形式实现本公开。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本公开的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本公开内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本公开的技术方案而非限制,尽管参照较佳实施例对本公开进行了详细说明,本领域的普通技术人员应当理解,可以对本公开的技术方案进行修改或等同替换,而不脱离本公开技术方案的精神和范围。
Claims (10)
1.一种车型识别方法,其特征在于,所述方法包括:
获取包含目标车辆的目标图像;
调用特征提取网络提取所述目标图像的第一特征图矩阵;
调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
2.如权利要求1所述的方法,其特征在于,所述特征提取网络为SpineNet网络。
3.如权利要求2所述的方法,其特征在于,所述至少两个注意力网络包括第一注意力网络以及第二注意力网络,调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵,包括:
将所述第一特征图矩阵输入所述第一注意力网络,并将所述第一注意力网络的输出输入第一卷积层,得到所述第一卷积层输出的第一卷积结果;
将所述第一特征图矩阵输入所述第二注意力网络,并将所述第二注意力网络的输出输入第二卷积层,得到所述第二卷积层输出的第二卷积结果;
将所述第一卷积结果与所述第二卷积结果进行求和,得到所述第二特征图矩阵。
4.如权利要求3所述的方法,其特征在于,所述第一注意力网络为Channel注意力网络,所述第二注意力网络为Spatial注意力网络。
5.如权利要求1所述的方法,其特征在于,对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵,包括:
对所述第二特征图矩阵进行回归处理,得到各第一候选框的坐标矩阵;
对所述第二特征图矩阵进行分类处理,得到所述各第一候选框的类别矩阵;
基于所述坐标矩阵以及所述类别矩阵对所述各第一候选框进行非极大值抑制处理,得到筛选出的各第二候选框;
基于所述各第二候选框对所述第二特征图矩阵进行切割处理,得到所述各候选框特征图矩阵。
6.如权利要求1所述的方法,其特征在于,基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵,包括:
将所述各候选框特征图矩阵分别处理为预设大小的块,得到大小一致的各候选框特征图矩阵;
对所述大小一致的各候选框特征图矩阵分别进行像素点采样,得到像素点采样后的各候选框特征图矩阵;
对所述像素点采样后的各候选框特征图矩阵进行池化处理,得到所述目标框特征图矩阵。
7.如权利要求1所述的方法,其特征在于,基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果,包括:
对所述目标框特征图矩阵进行回归处理,得到所述目标图像中各车辆的车辆检测框;
对所述目标框特征图矩阵进行分类处理,得到所述目标图像中各车辆的车型识别结果;
基于所述目标图像中各车辆的车辆检测框以及所述目标图像中各车辆的车型识别结果,确定所述目标车辆的车型识别结果。
8.一种车型识别装置,其特征在于,所述装置包括:
获取模块,配置为获取包含目标车辆的目标图像;
特征提取模块,配置为调用特征提取网络提取所述目标图像的第一特征图矩阵;
注意力模块,配置为调用包含至少两个注意力网络的融合注意力网络对所述第一特征图矩阵进行处理,得到所述目标图像的第二特征图矩阵;
区域生成模块,配置为调用区域生成网络对所述第二特征图矩阵进行处理,得到各候选框特征图矩阵;
池化模块,配置为基于对所述各候选框特征图矩阵进行的池化处理,得到目标框特征图矩阵;
分类模块,配置为基于对所述目标框特征图矩阵进行的分类处理,得到所述目标车辆的车型识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的车型识别方法。
10.一种计算机可读存储介质,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如权利要求1至7中任一所述的车型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004691.4A CN112132216B (zh) | 2020-09-22 | 2020-09-22 | 车型识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004691.4A CN112132216B (zh) | 2020-09-22 | 2020-09-22 | 车型识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132216A true CN112132216A (zh) | 2020-12-25 |
CN112132216B CN112132216B (zh) | 2024-04-09 |
Family
ID=73842635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004691.4A Active CN112132216B (zh) | 2020-09-22 | 2020-09-22 | 车型识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132216B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580665A (zh) * | 2020-12-18 | 2021-03-30 | 深圳赛安特技术服务有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112733652A (zh) * | 2020-12-31 | 2021-04-30 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
CN113095370A (zh) * | 2021-03-18 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335290A (zh) * | 2019-06-04 | 2019-10-15 | 大连理工大学 | 基于注意力机制的孪生候选区域生成网络目标跟踪方法 |
CN110533022A (zh) * | 2019-06-11 | 2019-12-03 | 广州海昇教育科技有限责任公司 | 一种目标检测方法、系统、装置及存储介质 |
CN110689043A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 一种基于多重注意力机制的车辆细粒度识别方法及装置 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111259940A (zh) * | 2020-01-10 | 2020-06-09 | 杭州电子科技大学 | 一种基于空间注意力地图的目标检测方法 |
US20200193232A1 (en) * | 2016-12-23 | 2020-06-18 | Shenzhen Institute Of Advanced Technology | License plate recognition method, device thereof, and user equipment |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111611947A (zh) * | 2020-05-25 | 2020-09-01 | 济南博观智能科技有限公司 | 一种车牌检测方法、装置、设备及介质 |
-
2020
- 2020-09-22 CN CN202011004691.4A patent/CN112132216B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200193232A1 (en) * | 2016-12-23 | 2020-06-18 | Shenzhen Institute Of Advanced Technology | License plate recognition method, device thereof, and user equipment |
CN110335290A (zh) * | 2019-06-04 | 2019-10-15 | 大连理工大学 | 基于注意力机制的孪生候选区域生成网络目标跟踪方法 |
CN110533022A (zh) * | 2019-06-11 | 2019-12-03 | 广州海昇教育科技有限责任公司 | 一种目标检测方法、系统、装置及存储介质 |
CN110689043A (zh) * | 2019-08-22 | 2020-01-14 | 长沙千视通智能科技有限公司 | 一种基于多重注意力机制的车辆细粒度识别方法及装置 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111259940A (zh) * | 2020-01-10 | 2020-06-09 | 杭州电子科技大学 | 一种基于空间注意力地图的目标检测方法 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111611947A (zh) * | 2020-05-25 | 2020-09-01 | 济南博观智能科技有限公司 | 一种车牌检测方法、装置、设备及介质 |
Non-Patent Citations (5)
Title |
---|
HAIHUA LU ET AL.: "Scanet: Spatial-channel Attention Network for 3D Object Detection", 《ICASSP 2019 - 2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》, 17 April 2019 (2019-04-17) * |
YADONG YANG ET AL.: "A New Multi-Scale Convolutional Model Based on Multiple Attention for Image Classification", 《APPLIED SCIENCES》, vol. 10, no. 01, 17 December 2019 (2019-12-17) * |
YOUL-KYEONG LEE ET AL.: "Faster R-CNN with Attention Feature Map for Robust Object Detection", 《FRONTIERS OF COMPUTER VISION》, 28 April 2020 (2020-04-28) * |
严娟 等: "结合混合域注意力与空洞卷积的3维目标检测", 《中国图象图形学报》, vol. 25, no. 06, 30 June 2020 (2020-06-30) * |
江昆鹏 等: "改进Mask R-CNN的细粒度车型识别算法", 《软件》, vol. 41, no. 03, 31 March 2020 (2020-03-31) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580665A (zh) * | 2020-12-18 | 2021-03-30 | 深圳赛安特技术服务有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112580665B (zh) * | 2020-12-18 | 2024-04-19 | 深圳赛安特技术服务有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112733652A (zh) * | 2020-12-31 | 2021-04-30 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
CN112733652B (zh) * | 2020-12-31 | 2024-04-19 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
CN113095370A (zh) * | 2021-03-18 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN113095370B (zh) * | 2021-03-18 | 2023-11-03 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112132216B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN112132216A (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112581522A (zh) | 图像中目标物位置检测方法、装置、电子设备及存储介质 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN111222454B (zh) | 训练多任务目标检测模型、多任务目标检测的方法及系统 | |
CN111476225B (zh) | 基于人工智能的车内人脸识别方法、装置、设备及介质 | |
CN111414916A (zh) | 图像中文本内容提取生成方法、装置及可读存储介质 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN112200189A (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
CN112016617A (zh) | 细粒度分类方法、装置及计算机可读存储介质 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN115272691A (zh) | 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备 | |
CN112686314B (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
CN112528903A (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN115049836B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN115972198A (zh) | 一种非完全信息条件下的机械臂视觉抓取方法与装置 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
CN112633134A (zh) | 基于图像识别的车内人脸识别方法、装置及介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |