CN113312945A - 车辆识别方法、装置、电子设备及可读存储介质 - Google Patents

车辆识别方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113312945A
CN113312945A CN202010125480.XA CN202010125480A CN113312945A CN 113312945 A CN113312945 A CN 113312945A CN 202010125480 A CN202010125480 A CN 202010125480A CN 113312945 A CN113312945 A CN 113312945A
Authority
CN
China
Prior art keywords
vehicle
image data
prediction model
model
target
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
CN202010125480.XA
Other languages
English (en)
Inventor
刘鹏飞
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.)
Zhejiang Dasou Vehicle Software Technology Co Ltd
Original Assignee
Zhejiang Dasou Vehicle Software 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 Zhejiang Dasou Vehicle Software Technology Co Ltd filed Critical Zhejiang Dasou Vehicle Software Technology Co Ltd
Priority to CN202010125480.XA priority Critical patent/CN113312945A/zh
Publication of CN113312945A publication Critical patent/CN113312945A/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
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

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

Abstract

本申请涉及一种车辆识别方法、装置、电子设备及可读存储介质，包括：采集与待识别的目标车辆对应的车辆图像数据；基于车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将车辆轮廓特征输入至第一预测模型，以由第一预测模型基于车辆轮廓特征预测目标车辆的所属车系；第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；基于车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将车辆细节特征输入至第二预测模型，以由第二预测模型基于车辆细节特征预测目标车辆的所属车型；第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；输出预测出的目标车辆的所属车系和所属车型。

Description

车辆识别方法、装置、电子设备及可读存储介质
技术领域
本申请一个或多个实施例涉及计算机应用技术领域，尤其涉及一种车辆识别方法、装置、电子设备及可读存储介质。
背景技术
随着我国经济的快速发展、城市规模的不断扩大，以及车辆数量的大幅增长，我国的交通系统正在逐渐走向智能化。通常，可以通过车辆的车牌号码实现车辆识别，即根据车辆的车牌号码在预先存储的车辆数据库中读取该车辆的车系、车型等信息。然而，在车牌被污损、车牌被遮挡或者车辆未安装车牌等情况下，无法获得车辆的车牌号码，也就无法通过车牌号码实现车辆识别。
发明内容
本申请提出一种车辆识别方法，所述方法包括：
获取与待识别的目标车辆对应的车辆图像数据；
基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
输出预测出的所述目标车辆的所属车系和所属车型。
可选地，所述与车辆轮廓相关的图像数据包括在所述目标车辆的左前方45度角或者右前方45度角的位置上拍摄得到的图像数据。
可选地，所述车辆轮廓特征包括：大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型。
可选地，所述车辆细节特征包括：方向盘、中控台、座椅、档位、轮胎尺寸。
可选地，所述方法还包括：
基于光学字符识别OCR算法和自然语言处理NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆识别号码；
对所述车辆识别号码进行解析，并基于解析结果确定所述目标车辆的所属车系；
将基于所述解析结果确定的所述目标车辆的所属车系，与由所述第一预测模型预测出的所述目标车辆的所属车系进行比对，以确定两者是否相同；
如果两者不相同，则将由所述第一预测模型预测出的所述目标车辆的所属车系确定为所述目标车辆的所属车系，并将基于所述解析结果确定的所述目标车辆的所属车系作为通知消息进行输出。
可选地，所述方法还包括：
基于所述解析结果确定所述目标车辆的所属年款，并输出所述目标车辆的所属年款。
可选地，所述方法还包括：
基于OCR算法和NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆驾驶数据；
所述将提取出的所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型，包括：
基于所述车辆驾驶数据提取车辆驾驶特征；
将所述车辆细节特征和所述车辆驾驶特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征和所述车辆驾驶特征预测所述目标车辆的所属车型。
本申请提出一种车辆识别装置，所述装置包括：
获取模块，用于获取与待识别的目标车辆对应的车辆图像数据；
第一预测模块，用于基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
第二预测模块，用于基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
输出模块，用于输出预测出的所述目标车辆的所属车系和所属车型。
本申请还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述方法的步骤。
本申请还提出一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
在上述技术方案中，可以针对待识别的车辆采集车辆图像数据，并基于该车辆图像数据对该车辆进行识别，即由预测模型基于该车辆图像数据预测该车辆的所属车系和所属车型等信息，从而可以输出预测出的该车辆的所属车系和所属车型，以基于该车系和该车型执行相应的业务处理。采用这样的方式，可以避免通过车牌号码进行车辆识别，而通过车辆图像数据实现车辆识别，提高了车辆识别的适用范围和准确度。
附图说明
图1是本申请一示例性实施例示出的一种车辆识别系统的示意图；
图2是本申请一示例性实施例示出的一种图像数据采集界面的示意图；
图3是本申请一示例性实施例示出的一种车辆识别方法的流程图；
图4是本申请一示例性实施例示出的一种图像数据采集方法的示意图；
图5是本申请一示例性实施例示出的一种车辆识别装置所在电子设备的硬件结构图；
图6是本申请一示例性实施例示出的一种车辆识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请一个或多个实施例的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参考图1，图1是本申请一示例性实施例示出的一种车辆识别系统的示意图。
如图1所示，该车辆识别系统可以包括服务端，以及接入该服务端的图像数据采集终端。其中，服务端可以运行在需要执行车辆识别的业务执行方(例如：交管部门、保险公司，或者购买车辆的客户等)所使用的电子设备上；图像数据采集终端可以是业务执行方的相关人员手持的移动终端，也可以是部署在车辆行驶路线周围的、用于监控的摄像设备，本申请对此不作限制。
举例来说，可以由该服务端将如图2所示的图像数据采集界面的相关数据发送至该图像数据采集终端，以由该图像数据采集终端将该图像数据采集界面展示给用户。用户可以对该图像数据采集界面中的“拍摄”按钮执行点击操作，以由该图像数据采集终端在检测到该点击操作时，调用该图像数据采集终端搭载的摄像头对待识别的车辆进行拍摄，以采集车辆图像数据(例如：照片或者视频等)，并将采集到的车辆图像数据发送至该服务端。
在另一个例子中，可以由部署在车辆行驶路线周围的摄像设备将采集到的车辆图像数据发送至服务端，并由用户从该摄像设备采集到的车辆图像数据中提取出与待识别的车辆对应的车辆图像数据。
请参考图3，图3是本申请一示例性实施例示出的一种车辆识别方法的流程图。
该车辆识别方法可以应用于图1所示的服务端，包括以下步骤：
步骤301，获取与待识别的目标车辆对应的车辆图像数据；
步骤302，基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征；
步骤303，将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
步骤304，基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征；
步骤305，将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
步骤306，输出预测出的所述目标车辆的所属车系和所属车型。
在本实施例中，首先可以获取与待识别的车辆(称为目标车辆)对应的车辆图像数据。
在实际应用中，该车辆图像数据可以包括：与目标车辆的车辆轮廓相关的图像数据；以及，与目标车辆的车辆细节相关的图像数据。
在示出的一种实施方式中，一方面，如图4所示，与目标车辆的车辆轮廓相关的图像数据可以包括在目标车辆的左前方45度角或者右前方45度角的位置上拍摄得到的图像数据。另一方面，与目标车辆的车辆细节相关的图像数据可以包括针对目标车辆的内部进行拍摄得到的图像数据，以及针对目标车辆的轮胎进行拍摄得到的图像数据。
在本实施例中，一方面，在获取到与目标车辆对应的车辆图像数据的情况下，可以进一步地基于该车辆图像数据中与车辆轮廓相关的图像数据提取与目标车辆对应的车辆轮廓特征。
在示出的一种实施方式中，上述车辆轮廓特征可以包括：大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型。
在提取出了上述车辆轮廓特征之后，可以将该车辆轮廓特征输入至预先训练得到的第一预测模型，以由该第一预测模型基于该车辆轮廓特征预测目标车辆的所属车系。
需要说明的是，该第一预测模型可以是基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型。
在实际应用中，该机器学习模型可以是多分类模型，例如：CNN(ConvolutionalNeural Networks，卷积神经网络)+CTC(Connectionist Temporal Classification)模型。
下面对对上述机器学习模型进行训练以得到上述第一预测模型的过程进行描述。
在实际应用中，可以从记录在案的车辆的图像数据中获取合适数量(该数量具体可以由用户自行设置)的车辆轮廓特征样本；其中，一个车辆轮廓特征样本具体可以包括一辆车辆的车辆轮廓特征。
需要说明的是，对上述机器学习模型进行训练时所使用的车辆轮廓特征样本中的数据类型，与通过上述第一预测模型进行车系识别时所使用的车辆轮廓特征中的数据类型相同。
举例来说，假设对该机器学习模型进行训练时所使用的车辆轮廓特征样本包括大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型这五种类型的数据，则通过该第一预测模型进行车系识别时所使用的车辆轮廓特征应当包括目标车辆的大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型这五种类型的数据。
在另一个例子中，假设对该机器学习模型进行训练时所使用的车辆轮廓特征样本包括大灯造型、中网造型、雾灯造型、前保险杆造型这四种类型的数据，则通过该第一预测模型进行车系识别时所使用的车辆轮廓特征应当包括目标车辆的大灯造型、中网造型、雾灯造型、前保险杆造型这四种类型的数据。
在获取到上述车辆轮廓特征样本之后，可以分别为这些车辆轮廓特征样本标注对应的车系，例如：假设某个车辆轮廓特征样本包括车辆A的车辆轮廓特征，则为该车辆轮廓特征样本标注的车系是车辆A的所属车系。
后续，可以将这些被标注了车系的车辆轮廓特征样本输入至由用户预先设置的机器学习模型进行计算，并根据计算结果调整该机器学习模型的模型参数，以降低该机器学习模型的损失函数。在该机器学习模型的损失函数降低至预期阈值(该预期阈值可以具体可以由用户自行设置)时，可以认为该机器学习模型已经训练完成，进而可以将训练完成的该机器学习模型作为上述第一预测模型，以通过该第一预测模型进行车系识别。
在本实施例中，另一方面，在获取到与目标车辆对应的车辆图像数据的情况下，可以进一步地基于该车辆图像数据中与车辆细节相关的图像数据提取与目标车辆对应的车辆细节特征。
在示出的一种实施方式中，上述车辆细节特征可以包括：方向盘、中控台、座椅、档位、轮胎尺寸。
在提取出了上述车辆细节特征之后，可以将该车辆细节特征输入至预先训练得到的第二预测模型，以由该第二预测模型基于该车辆细节特征预测目标车辆的所属车型。
需要说明的是，该第二预测模型可以是基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型。
在实际应用中，该机器学习模型可以是多分类模型，例如：CNN+CTC模型。
下面对对上述机器学习模型进行训练以得到上述第二预测模型的过程进行描述。
在实际应用中，可以从记录在案的车辆的图像数据中获取合适数量(该数量具体可以由用户自行设置)的车辆细节特征样本；其中，一个车辆细节特征样本具体可以包括一辆车辆的车辆细节特征。
需要说明的是，对上述机器学习模型进行训练时所使用的车辆细节特征样本中的数据类型，与通过上述第二预测模型进行车型识别时所使用的车辆细节特征中的数据类型相同。
举例来说，假设对该机器学习模型进行训练时所使用的车辆细节特征样本包括大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型这五种类型的数据，则通过该第二预测模型进行车型识别时所使用的车辆细节特征应当包括目标车辆的大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型这五种类型的数据。
在另一个例子中，假设对该机器学习模型进行训练时所使用的车辆细节特征样本包括大灯造型、中网造型、雾灯造型、前保险杆造型这四种类型的数据，则通过该第二预测模型进行车型识别时所使用的车辆细节特征应当包括目标车辆的大灯造型、中网造型、雾灯造型、前保险杆造型这四种类型的数据。
在获取到上述车辆细节特征样本之后，可以分别为这些车辆细节特征样本标注对应的车型，例如：假设某个车辆细节特征样本包括车辆A的车辆细节特征，则为该车辆细节特征样本标注的车型是车辆A的所属车型。
后续，可以将这些被标注了车型的车辆细节特征样本输入至由用户预先设置的机器学习模型进行计算，并根据计算结果调整该机器学习模型的模型参数，以降低该机器学习模型的损失函数。在该机器学习模型的损失函数降低至预期阈值(该预期阈值可以具体可以由用户自行设置)时，可以认为该机器学习模型已经训练完成，进而可以将训练完成的该机器学习模型作为上述第二预测模型，以通过该第二预测模型进行车型识别。
需要说明的是，上述步骤302与步骤304之间没有明确的时序关系。
在本实施例中，在由上述第一预测模型预测出了目标车辆的所属车系，并由上述第二预测模型预测出了目标车辆的所属车型之后，可以输出预测出的目标车辆的所属车系和所属车型，以基于该车系和该车型执行相应的业务处理。
在实际应用中，可以进一步地，直接基于该车系和该车型，以及由用户预先设置的业务处理策略，执行相应的业务处理(例如：追责或者理赔等)；或者，可以将该车系和该车型输出至显示屏幕，即将该车系和该车型展示在显示屏幕上，以供用户查看，从而使用户可以根据该车系和该车型执行相应的业务处理。
在示出的一种实施方式中，上述车辆图像数据还可以包括：与目标车辆的车辆铭牌相关的图像数据。
在这种情况下，可以基于OCR(Optical Character Recognition，光学字符识别)算法和NLP(Natural Language Processing，自然语言处理)算法，从该车辆图像数据中与车辆铭牌相关的图像数据中提取目标车辆的车辆识别号码(Vehicle IdentificationNumber，VIN)。
由于车辆的车辆识别号码通常可以指示该车辆的所属车系、所属年款、生产商等信息，因此，可以对目标车辆的车辆识别号码进行解析，并基于解析结果确定目标车辆的所属车系。
后续，可以将基于该解析结果确定的目标车辆的所属车系，与由上述第一预测模型预测出的目标车辆的所属车系进行比对，以确定两者是否相同。
如果两者相同，则可以直接将该车系确定为目标车辆的所属车系。
如果两者不相同，则可以将由该第一预测模型预测出的目标车辆的所属车系确定为目标车辆的所属车系。此外，可以利用基于该解析结果确定的目标车辆的所属车系生成通知消息，并输出该通知消息，以提示用户根据目标车辆的车辆轮廓特征识别出的目标车辆的所属车系，与根据目标车辆的车辆识别号码确定的目标车辆的所属车系不同。
在实际应用中，除了可以输出识别出的目标车辆的所属车系和所属车型之外，还可以输出基于上述解析结果确定的目标车辆的所属年款。
在示出的一种实施方式中，还可以基于OCR算法和NLP算法，从上述车辆图像数据中与车辆铭牌相关的图像数据中提取目标车辆的车辆驾驶数据，并进一步地，基于该车辆驾驶数据提取车辆驾驶特征。
在实际应用中，上述车辆驾驶特征可以包括：排量、功率、乘坐人数。
需要说明的是，在这种情况下，上述第二预测模型可以是基于若干被标注了车型的包括车辆细节特征和车辆驾驶特征的数据样本训练出的机器学习模型；其中，一个包括车辆细节特征和车辆驾驶特征的数据样本具体可以包括一辆车辆的车辆细节特征和车辆驾驶特征，为该数据样本标注的车型具体可以是该车辆的所属车型，例如：假设某个包括车辆细节特征和车辆驾驶特征的数据样本包括车辆A的车辆细节特征和车辆驾驶特征，则为该数据样本标注的车型是车辆A的所属车型。
也即，在提取出了目标车辆的车辆细节特征和车辆驾驶特征之后，可以将该车辆细节特征和该车辆驾驶特征输入至该第二预测模型，以由该第二预测模型基于该车辆细节特征和该车辆驾驶特征预测目标车辆的所属车型。
在上述技术方案中，可以针对待识别的车辆采集车辆图像数据，并基于该车辆图像数据对该车辆进行识别，即由预测模型基于该车辆图像数据预测该车辆的所属车系和所属车型等信息，从而可以输出预测出的该车辆的所属车系和所属车型，以基于该车系和该车型执行相应的业务处理。采用这样的方式，可以避免通过车牌号码进行车辆识别，而通过车辆图像数据实现车辆识别，提高了车辆识别的适用范围和准确度。
与前述车辆识别方法的实施例相对应，本申请还提供了车辆识别装置的实施例。
本申请车辆识别装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本申请车辆识别装置所在电子设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该车辆识别的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图6，图6是本申请一示例性实施例示出的一种车辆识别装置的框图。该车辆识别装置60可以应用于图4所示的电子设备，该电子设备中可以运行如图1所示的服务端；该车辆识别装置60可以包括：
获取模块601，用于获取与待识别的目标车辆对应的车辆图像数据；
第一预测模块602，用于基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
第二预测模块603，用于基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
输出模块604，用于输出预测出的所述目标车辆的所属车系和所属车型。
在本实施例中，所述与车辆轮廓相关的图像数据包括在所述目标车辆的左前方45度角或者右前方45度角的位置上拍摄得到的图像数据。
在本实施例中，所述车辆轮廓特征包括：大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型。
在本实施例中，所述车辆细节特征包括：方向盘、中控台、座椅、档位、轮胎尺寸。
在本实施例中，所述装置60还包括：
第一提取模块605，用于基于光学字符识别OCR算法和自然语言处理NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆识别号码；
解析模块606，用于对所述车辆识别号码进行解析，并基于解析结果确定所述目标车辆的所属车系；
比对模块607，用于将基于所述解析结果确定的所述目标车辆的所属车系，与由所述第一预测模型预测出的所述目标车辆的所属车系进行比对，以确定两者是否相同；
通知模块608，用于在两者不相同时，将由所述第一预测模型预测出的所述目标车辆的所属车系确定为所述目标车辆的所属车系，并将基于所述解析结果确定的所述目标车辆的所属车系作为通知消息进行输出。
在本实施例中，所述输出模块604还用于：
基于所述解析结果确定所述目标车辆的所属年款，并输出所述目标车辆的所属年款。
在本实施例中，所述装置60还包括：
第二提取模块609，用于基于OCR算法和NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆驾驶数据；
所述第二预测模块603具体用于：
基于所述车辆驾驶数据提取车辆驾驶特征；
将所述车辆细节特征和所述车辆驾驶特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征和所述车辆驾驶特征预测所述目标车辆的所属车型。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本申请一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本申请一个或多个实施例的较佳实施例而已，并不用以限制本申请一个或多个实施例，凡在本申请一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请一个或多个实施例保护的范围之内。

Claims (10)

1.一种车辆识别方法，所述方法包括：
获取与待识别的目标车辆对应的车辆图像数据；
基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
输出预测出的所述目标车辆的所属车系和所属车型。
2.根据权利要求1所述的方法，所述与车辆轮廓相关的图像数据包括在所述目标车辆的左前方45度角或者右前方45度角的位置上拍摄得到的图像数据。
3.根据权利要求1所述的方法，所述车辆轮廓特征包括：大灯造型、中网造型、雾灯造型、前保险杆造型、天窗造型。
4.根据权利要求1所述的方法，所述车辆细节特征包括：方向盘、中控台、座椅、档位、轮胎尺寸。
5.根据权利要求1所述的方法，所述方法还包括：
基于光学字符识别OCR算法和自然语言处理NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆识别号码；
对所述车辆识别号码进行解析，并基于解析结果确定所述目标车辆的所属车系；
将基于所述解析结果确定的所述目标车辆的所属车系，与由所述第一预测模型预测出的所述目标车辆的所属车系进行比对，以确定两者是否相同；
如果两者不相同，则将由所述第一预测模型预测出的所述目标车辆的所属车系确定为所述目标车辆的所属车系，并将基于所述解析结果确定的所述目标车辆的所属车系作为通知消息进行输出。
6.根据权利要求5所述的方法，所述方法还包括：
基于所述解析结果确定所述目标车辆的所属年款，并输出所述目标车辆的所属年款。
7.根据权利要求5所述的方法，所述方法还包括：
基于OCR算法和NLP算法，从所述车辆图像数据中与车辆铭牌相关的图像数据中提取所述目标车辆的车辆驾驶数据；
所述将提取出的所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型，包括：
基于所述车辆驾驶数据提取车辆驾驶特征；
将所述车辆细节特征和所述车辆驾驶特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征和所述车辆驾驶特征预测所述目标车辆的所属车型。
8.一种车辆识别装置，所述装置包括：
获取模块，用于获取与待识别的目标车辆对应的车辆图像数据；
第一预测模块，用于基于所述车辆图像数据中与车辆轮廓相关的图像数据提取车辆轮廓特征，并将所述车辆轮廓特征输入至第一预测模型，以由所述第一预测模型基于所述车辆轮廓特征预测所述目标车辆的所属车系；其中，所述第一预测模型为基于若干被标注了车系的车辆轮廓特征样本训练出的机器学习模型；
第二预测模块，用于基于所述车辆图像数据中与车辆细节相关的图像数据提取车辆细节特征，并将所述车辆细节特征输入至第二预测模型，以由所述第二预测模型基于所述车辆细节特征预测所述目标车辆的所属车型；其中，所述第二预测模型为基于若干被标注了车型的车辆细节特征样本训练出的机器学习模型；
输出模块，用于输出预测出的所述目标车辆的所属车系和所属车型。
9.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202010125480.XA 2020-02-27 2020-02-27 车辆识别方法、装置、电子设备及可读存储介质 Pending CN113312945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010125480.XA CN113312945A (zh) 2020-02-27 2020-02-27 车辆识别方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010125480.XA CN113312945A (zh) 2020-02-27 2020-02-27 车辆识别方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN113312945A true CN113312945A (zh) 2021-08-27

Family

ID=77370461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010125480.XA Pending CN113312945A (zh) 2020-02-27 2020-02-27 车辆识别方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113312945A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090429A (zh) * 2017-12-08 2018-05-29 浙江捷尚视觉科技股份有限公司 一种分级前脸卡口车型识别方法
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN109871728A (zh) * 2017-12-01 2019-06-11 北京万集科技股份有限公司 一种车型识别方法及装置
CN110070092A (zh) * 2019-03-15 2019-07-30 平安科技（深圳）有限公司 车型识别方法、装置、计算机设备及存储介质
US20190279293A1 (en) * 2018-03-08 2019-09-12 Capital One Services, Llc Image analysis and identification using machine learning with output estimation
WO2020008556A1 (ja) * 2018-07-04 2020-01-09 三菱重工機械システム株式会社 車両ナンバー特定装置、車両ナンバー特定方法およびプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871728A (zh) * 2017-12-01 2019-06-11 北京万集科技股份有限公司 一种车型识别方法及装置
CN108090429A (zh) * 2017-12-08 2018-05-29 浙江捷尚视觉科技股份有限公司 一种分级前脸卡口车型识别方法
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
US20190279293A1 (en) * 2018-03-08 2019-09-12 Capital One Services, Llc Image analysis and identification using machine learning with output estimation
WO2020008556A1 (ja) * 2018-07-04 2020-01-09 三菱重工機械システム株式会社 車両ナンバー特定装置、車両ナンバー特定方法およびプログラム
CN110070092A (zh) * 2019-03-15 2019-07-30 平安科技（深圳）有限公司 车型识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
JP6873237B2 (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
US11106926B2 (en) Methods and systems for automatically predicting the repair costs of a damaged vehicle from images
CA2818637C (en) System and method for providing automotive purchase, insurance quote, and vehicle financing information using vehicle recognition
US12039578B2 (en) Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost
CN109657696A (zh) 多任务监督学习模型训练、预测方法和装置
CN110348392B (zh) 车辆匹配方法及设备
CN111191533B (zh) 行人重识别的处理方法、装置、计算机设备和存储介质
US20210374997A1 (en) Methods and systems for obtaining image data of a vehicle for automatic damage assessment
CN111145006A (zh) 基于用户画像的汽车金融反欺诈模型训练方法和装置
CN114283357A (zh) 一种车辆检测方法、装置、存储介质及电子设备
Zhao et al. An abnormal driving behavior recognition algorithm based on the temporal convolutional network and soft thresholding
CN112101156B (zh) 一种目标识别的方法、装置和电子设备
CN112633255A (zh) 目标检测方法、装置及设备
CN113971821A (zh) 驾驶员信息确定方法、装置、终端设备及存储介质
CN117036843A (zh) 目标检测模型训练方法、目标检测方法和装置
US20210350470A1 (en) Methods and systems for automatic processing of vehicle image data to identify one or more damaged parts
CN112597997A (zh) 感兴趣区域确定方法、图像内容识别方法及装置
CN117409419A (zh) 图像检测方法、设备及存储介质
CN110334936B (zh) 一种信贷资质评分模型的构建方法、装置和设备
CN111709377A (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN115171125A (zh) 数据异常的检测方法
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN113312945A (zh) 车辆识别方法、装置、电子设备及可读存储介质
CN113657378B (zh) 车辆跟踪方法、车辆跟踪系统和计算设备
CN112837326B (zh) 遗留物检测方法、装置及设备

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: 20210827

RJ01 Rejection of invention patent application after publication