CN113657180A - 一种车辆识别方法、服务器和计算机可读存储介质 - Google Patents
一种车辆识别方法、服务器和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113657180A CN113657180A CN202110839619.1A CN202110839619A CN113657180A CN 113657180 A CN113657180 A CN 113657180A CN 202110839619 A CN202110839619 A CN 202110839619A CN 113657180 A CN113657180 A CN 113657180A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- attribute
- detected
- feature
- features
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆识别方法、服务器和计算机可读存储介质,该车辆识别方法包括:获取包含待检测车辆的车辆图像;基于车辆图像,对待检测车辆的车辆属性特征进行第一级识别,得到待检测车辆的属性识别信息,属性识别信息至少包括待检测车辆的属性类型;响应于属性识别信息满足第一预设条件,基于车辆属性特征和候选车辆属性特征进行第二级识别,候选车辆属性特征是针对待检测车辆的属性类型预先设置的车辆属性特征。通过上述方式,本申请能够提高车辆识别精度。
Description
技术领域
本申请涉及智能交通技术领域,具体涉及一种车辆识别方法、服务器和计算机可读存储介质。
背景技术
随着人工智能技术的发展,人工智能技术在智能交通领域发挥重要作用,能够对监控场景中的车辆属性信息进行识别;随着车辆类型增多,同时海外智能交通市场逐渐崛起,对海外车辆属性识别的需求日益增加,海外不同区域对车型分类的标准并不统一,无法通过解析车系的方式得到海外车辆的车型或车标等属性信息,导致对车辆属性的识别难度更大,识别精度较低。
发明内容
本申请提供一种车辆识别方法、服务器和计算机可读存储介质,能够提高车辆识别精度。
为解决上述技术问题,本申请采用的技术方案是:提供一种车辆识别方法,该车辆识别方法包括:获取包含待检测车辆的车辆图像;基于车辆图像,对待检测车辆的车辆属性特征进行第一级识别,得到待检测车辆的属性识别信息,属性识别信息至少包括待检测车辆的属性类型;响应于属性识别信息满足第一预设条件,基于车辆属性特征和候选车辆属性特征进行第二级识别,候选车辆属性特征是针对待检测车辆的属性类型预先设置的车辆属性特征。
为解决上述技术问题,本申请采用的另一技术方案是:提供一种服务器,包括处理器,该处理器用于执行指令以实现上述技术方案中的车辆识别方法。
为解决上述技术问题,本申请采用的又一技术方案是:提供一种计算机可读存储介质,该计算机可读存储介质用于存储指令/程序数据,指令/程序数据能够被执行以实现上述技术方案中的车辆识别方法。
通过上述方案,本申请的有益效果是:获取包含待检测车辆的车辆图像,基于车辆图像,对待检测车辆的车辆属性特征进行第一级识别,得到待检测车辆的属性识别信息,响应于属性识别信息满足第一预设条件,基于车辆属性特征和候选车辆属性特征进行第二级识别;通过对待检测车辆的车辆属性特征进行两级识别,可提高车辆属性识别的精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的车辆识别方法一实施例的流程示意图;
图2是本申请提供的车辆识别方法另一实施例的流程示意图;
图3是本申请提供的主干网络、粗粒度分支网络以及细粒度分支网络的结构示意图;
图4是本申请提供的服务器一实施例的结构示意图;
图5是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1是本申请提供的车辆识别方法一实施例的流程示意图,该车辆识别方法包括:
步骤11:获取包含待检测车辆的车辆图像。
在对车辆属性进行识别之前,需要先获取车辆图像的信息;在一具体的实施例中,可从包含车辆的视频图像中获取车辆图像,首先获取包含待检测车辆的视频图像,然后再利用目标检测网络对视频图像中的车辆进行检测定位,获取目标车辆的边界框坐标,从而获取包含待检测车辆的车辆图像。其中,在采用目标检测网络进行检测定位之前,可先利用训练数据对检测网络进行训练,从而得到成熟的目标检测网络,然后再通过训练完成的目标检测网络对视频图像中的车辆进行检测;具体地,目标检测网络可为yolov4检测网络,在其他实施例中,目标检测网络还可为其他卷积网络,其类型可根据实际情况进行选择。
步骤12:基于车辆图像,对待检测车辆的车辆属性特征进行第一级识别,得到待检测车辆的属性识别信息。
在获取车辆图像后,根据该车辆图像对待检测车辆的车辆属性特征进行第一级识别,以得到至少包括待检测车辆的属性类型的属性识别信息。在一具体的实施例中,车辆属性特征可包含细粒度特征以及粗粒度特征,在对待检测车辆的车辆属性特征进行第一级识别之前,可先利用主干网络对车辆图像的浅层特征进行提取,可以理解地,可将车辆图像输入至主干网络,然后利用主干网络提取出车辆图像的浅层特征,然后再对提取出的浅层特征进行识别,具体地,车辆图像的浅层特征可理解为车辆图像的模糊特征,其可包含待提取的粗粒度特征以及细粒度特征,主干网络可使用但不限于ResNet、DLA等卷积神经网络,为了减少后续的运算量,可先利用主干网络输出与输入的车辆图像的尺寸大小比为1:16的包含浅层特征的输出图像,该尺寸大小可根据实际情况进行调整。
步骤13:响应于属性识别信息满足第一预设条件,基于车辆属性特征和候选车辆属性特征进行第二级识别。
第一预设条件可为对第一级识别出的属性识别信息的准确度进行判断的标准,在属性识别信息满足第一预设条件时,则说明第一级识别出的结果并不准确,则此时便基于车辆属性特征和候选车辆属性特征进行第二级识别,通过对待检测车辆的车辆属性特征的两级识别,能够提高车辆属性识别的精度;其中,候选车辆属性特征是针对待检测车辆的属性类型预先设置的车辆属性特征,在一具体的实施例中,候选车辆属性特征可为存储有对应车辆属性类型的特征数据库,可在该特征数据库中对车辆属性特征进行第二级识别。
以对车辆的车标特征进行识别为例,若此时识别出的车标不准确,即满足第一预设条件,则此时将针对车标类型设置的候选车辆属性特征与该识别不准确的车标特征进行第二级识别,以得到更为准确的结果。
在本实施例中,获取包含待检测车辆的车辆图像,基于车辆图像,对待检测车辆的车辆属性特征进行第一级识别,得到待检测车辆的属性识别信息,响应于属性识别信息满足第一预设条件,基于车辆属性特征和候选车辆属性特征进行第二级识别;通过对待检测车辆的车辆属性特征进行两级识别,可提高车辆属性识别的精度。
请参阅图2,图2是本申请提供的车辆识别方法另一实施例的流程示意图,该车辆识别方法包括:
可以理解地,下述“第一”、“第二”仅在名称上存在区别,并非进行限制,第一级识别以及第二级识别并不限制先后顺序,在其他实施例中可采用其他识别方式或者顺序进行车辆识别。
步骤21:利用细粒度分支网络对第一特征进行识别,获取待检测车辆的第一车辆属性类别。
具体地,车辆属性特征可包括粗粒度特征和细粒度特征,粗粒度特征可包含多个粗粒度子特征,细粒度特征可包括多个细粒度子特征,粗粒度特征可为整个车辆图像区域的整体特征,或者说能够明显区别的特征,例如车型或者车辆颜色等特征,车辆的细粒度特征为整个车辆图像中的车辆部件区域的区域特征,或者说不能够明显区别的细节特征,例如车标、车牌、车灯、车窗或后视镜等。
进一步地,待检测车辆的车辆属性特征的第一级识别可包括利用神经网络对车辆属性特征进行识别,神经网络可包括细粒度分支网络,通过细粒度分支网路对车辆的第一特征进行识别,获取其对应的第一车辆属性类别,可以理解地,利用细粒度分支网络识别的第一特征为细粒度特征,例如对车辆的车标特征进行识别,识别出其类型为“大众”,则此时获取到第一车辆属性类别即为“大众”。
在一具体的实施例中,对如图3所示,神经网络可包含粗粒度分支网络以及细粒度分支网络,基于车辆图像,分别利用粗粒度分支网络以及细粒度分支网路提取待检测车辆的粗粒度特征和细粒度特征。具体地,在利用主干网络提取出车辆图像的浅层特征后,将提取出的浅层特征分别输入粗粒度分支网络以及细粒度分支网络中,以利用粗粒度分支网络以及细粒度分支网络进行相应的车辆属性特征的提取,分别提取出车辆的粗粒度特征以及细粒度特征。具体地,粗粒度分支网络可使用但不限于VGG或ResNet网络,细粒度分支网络可使用但不限于yolov3检测网络。
在通过粗粒度分支网络对车辆属性特征进行识别时,车辆的粗粒度特征可为多个,即要同时对车辆的多个粗粒度子特征进行识别,例如车型或者车辆颜色,在这种情况下,粗粒度分支网络可包括多个粗粒度子网络,每个粗粒度子网络对应提取一个粗粒度子特征,此时可利用多个粗粒度子网络分别提取出多个粗粒度子特征;同理,在通过细粒度分支网络对车辆属性特征进行识别时,车辆的细粒度特征也可为多个,即要同时对车辆的多个细粒度子特征进行识别,在这种情况下,细粒度分支网络可包括多个细粒度子网络,每个细粒度子网络对应提取一个细粒度子特征,此时可利用多个细粒度子网络分别提取出多个细粒度子特征,以这种方式能够实现多任务地同时提取多个属性特征,提高特征识别的效率。
一方面,在利用粗粒度分支网络进行粗粒度特征进行第一级识别时,可参考粗粒度特征与细粒度特征之间的关联性,以粗粒度特征为车型为例,不同的车型可在车辆的车标、车牌或者车灯等的位置会有所不同,此时在对车型类别进行识别时可依据车标等细粒度特征参考得到车辆的粗粒度特征,以使得输出的粗粒度特征结果更加准确。
在一具体的实施例中,如图3所示,可对粗粒度特征和细粒度特征进行级联融合,得到融合特征,通过将粗粒度分支网络与细粒度分支网络融合的方式来提升特征提取的效果;具体地,先将浅层特征输入粗粒度分支网络中,提取出粗粒度特征;然后再将细粒度特征与粗粒度特征进行级联运算,最终输出融合特征;具体融合方式如下述公式(1)所示:
Ffus=Concat(FC,F′fin) (1)
其中,Ffus为融合特征,Concat(·)表示级联特征,FC为粗粒度特征,F′fin为细粒度特征Ffin经1×1卷积运算得到的特征。
另一方面,在利用细粒度分支网络进行细粒度特征识别时,以细粒度特征为车标为例,车标的类别和位置也与粗粒度特征(例如车型)具有一定的相关性,例如,mini轿车的车型相对比较固定,此时便可通过车型来辅助车标的定位以及分类,利用粗粒度特征对细粒度特征进行自注意力加权,从而提升车辆属性特征提取的精度。
在一具体的实施例中,基于注意力机制利用粗粒度特征指导细粒度特征的特征提取,具体地,对粗粒度特征和细粒度特征进行级联融合,得到融合特征,再利用融合特征对细粒度特征进行自注意力加权,得到待检测车辆的车辆属性特征,具体加权步骤如下述公式(2)所示:
具体地,可利用融合特征将注意力权重与细粒度特征进行相乘,以完成对对细粒度特征的自注意力加权,具体步骤如下:
(1)对融合特征进行全局均值池化操作处理;
(2)获取经过全局均值池化操作处理后的池化特征的全连接特征,并对全连接特征进行归一化处理;
(3)对经归一化处理的全连接特征进行全连接处理,得到自注意力权重;
(4)采用上述公式(3)将自注意力权重与细粒度特征进行相乘,得到待检测车辆的车辆属性特征。
在一具体的实施例中,细粒度分支网络可包括池化层和两个全连接层(包括第一全连接层以及第二全连接层),先将融合特征输入池化层,获取经过全局均值池化操作处理的池化特征,用表示,其中,m为融合特征Ffus的通道数;然后将经过全局均值池化操作处理的池化特征输入第一全连接层,得到全连接特征,用表示,其中,n为第一全连接层的通道数;具体地,为了维持注意力梯度的稳定性,还对全连接特征进行计算,先将该特征Ff1除然后再最后再经过softmax计算,得到计算后的全连接特征;最后再将计算后的全连接特征输入第二全连接层,进行归一化处理,最终得到自注意力权重:
其中,W1与W2分别为第一全连接层以及第二全连接层的参数。
步骤22:响应于第一车辆属性类别满足第二预设条件,利用二次分类网络对第二特征进行进一步的识别,确定待检测车辆的第二车辆属性类别。
在一具体的实施例中,第二特征为第一特征的局部特征,第一车辆属性类别中可包括第一车辆属性类别以及对应的坐标值,例如车标类别为大众车标以及该大众车标在整个车辆图像中的坐标位置;则在利用二次分类网络进行二次分类时,可利用第一车辆属性类别中包含的坐标信息获取对应的特征所在的区域图像(即第二特征),例如车标区域图像,然后将该区域图像输入二次分类网络,从而利用二次分类网络对该区域图像进行进一步的识别,确定待检测车辆的第二车辆属性类别,然后将第二车辆属性类别确定为待检测车辆的属性识别信息。
进一步地,利用第二预设条件来判断是否需要对进行二次分类,在一具体的实施例中,第二预设条件可包括第二车辆属性类别为预设的车型类别,也就是判断车辆车型是否为预设车型,如果车辆车型为预设车型,则执行利用二次分类网络对第二特征进行进一步的识别的步骤。
在一具体的实施例中,待检测车辆的属性识别信息还包括第二车辆属性类别的第二参考值,此时第二预设条件还可包括:第二参考值小于第二参考值阈值;或第二车辆属性类别是预设的车型类别之外的车型类别,且第二参考值小于第二参考值阈值。
具体地,第二参考值为得到的第二车辆属性类别对应的置信度,预设车型可为小型车,小型车可为车长小于五米的车辆,例如,轿车、SUV、MPV或者皮卡等;先判断车辆是否为小型车,在车型为小型车时,车辆图像中包含的细粒度特征区域在画面中的占比较小,则利用上述识别出的第一车辆属性类别的准确度较低,则此时可不用进行置信度(即第二参考值)判断,直接利用二次分类网络对对第二特征进行进一步的识别;在车型不是预设车型小型车,例如为大型车时,则此时再进一步判断第二参考值是否小于第二参考值阈值,即判断第一车辆属性类别的结果是否准确。
在第二参考值小于第二参考值阈值时,说明此时第一车辆属性类别的准确性并不高,很可能判断错误,则此时再利用二次分类网络对该第一车辆属性类别进行二次分类,以对该第一车辆属性类别进行修正;具体地,二次分类网路可为VGG或ResNet等网络,置信度一般在0~1的区间内,则此时可设置第二参考值阈值为0.7,在第二参考值大于0.7时,则说明第一车辆属性类别的结果较为准确,第二参考值阈值的具体数值可根据实际情况进行设置。
进一步地,上述是对先判断车型,然后再判断置信度的方式的说明,在其他实施例中,还可不对车辆的车型进行判断,直接对第一车辆属性类别的置信度进行判断,在第一车辆属性类别的置信度小于第二参考值阈值时,对该第一车辆属性类别进行修正;或者,还可不对第一车辆属性类别的置信度进行判断,直接进行第一车辆属性类别进行二次分类,以提高精确度。
步骤23:将第二车辆属性类别,确定为待检测车辆的属性识别信息。
第一车辆属性类别可包括多个细粒度子特征,故在对第一车辆属性类别进行置信度判断时,是单独对其包含的每个细粒度子特征进行置信度判断,然后将置信度小于第二参考值阈值的细粒度子特征单独输入二次分类网络,从而进行二次分类,得到对应的第二细粒度子特征。可以理解地,在其他实施例中,还可对第一车辆属性类别中包括的多个粗粒度子特征也进行置信度判断,在置信度较低时,对该粗粒度子特征进行二次分类。
上述经过第一级识别获取到属性识别信息后,再对第一级识别输出的属性识别信息的置信度进行判断,判断识别出的属性识别信息中待检测车辆的属性类别是否准确,属性识别信息是否满足第一预设条件,即属性识别信息的置信度是否小于第一参考值阈值,具体步骤如下:
步骤24:判断属性识别信息的第一参考值是否小于第一参考值阈值。
属性识别信息包括待检测车辆的属性类型的第一参考值,第一参考值为属性类别的置信度,第一参考值阈值的设置与第二参考值阈值的设置相同,在此不再赘述。
在一具体的实施例中,对应于包含粗粒度特征以及细粒度特征的车辆属性特征,经过第一级识别识别出的属性识别信息可包含粗粒度特征类别以及细粒度特征类别,则可分别对粗粒度特征类别和细粒度特征类别的置信度都进行判断,即判断粗粒度特征类别以及细粒度特征类别是否小于第一参考值阈值,若两者的置信度都大于/等于第一参考值阈值,则说明粗粒度特征类别和细粒度特征类别的结果较为准确,此时不再进行第二级识别,直接将该属性识别信息输出。
步骤25:响应于第一参考值小于第一参考值阈值,基于车辆属性特征和候选车辆属性特征进行第二级识别。
对车辆属性特征进行第二级识别,具体步骤如下:
(1)获取候选车辆属性特征中针对待检测车辆的属性类型预先设置的车辆属性特征,为目标车辆属性特征。
例如,判断出车辆的车标类型结果的置信度较低,此时要对车辆的车标进行第二级识别,则此时可获取预先设置的车标对应的候选车辆属性特征,从而对该候选车辆属性特征进行比对。
在一具体的实施例中,可利用特征数据库对车辆属性特征进行第二级识别,特征数据库可包含多个子特征数据库,此时预先设置的候选车辆属性特征即为包含各个子特征数据库的总特征数据库,而目标车辆属性特征即为总特征数据库中的子特征数据库;可以理解地,车辆属性特征包括粗粒度特征(包含多个粗粒度子特征)以及细粒度特征(包含多个细粒度子特征),粗粒度子特征与子特征数据库一一对应,细粒度子特征与子特征数据库一一对应,即每个粗粒度子特征对应一个特定的子特征数据库,每个细粒度子特征对应一个特定的子特征数据库,例如,若要对车辆的细粒度特征车标进行第二级识别时,此时可在对应的车标特征数据库(即目标车辆属性特征)对当前车辆的车标进行识别;具体地,还可在特征数据库中并未识别到对应的属性特征时,将该属性特征存储到该特征数据库中,以更新该特征数据库,拓展特征数据库的查询范围。
(2)确定待检测车辆的车辆属性特征和各个目标车辆属性特征的相似度。
可将车辆属性特征与对应的特征数据库中的目标属性特征进行相似度比对,然后找到相似度最高的目标属性特征,然后再对该最高相似度进行大小判断,以判断该目标车辆属性特征是否准确;在一具体的实施例中,在利用特征数据库进行比对之前,获取属性特征样本,构建出特征数据库,然后再利用特征数据库进行相似度比对。
(3)响应于相似度大于相似度阈值,将属性识别信息中的待检测车辆的属性类型,确定为相似度最大的目标车辆属性特征所对应的属性类型。
以相似度阈值为80%为例,相似度阈值的具体数值可根据实际情况进行设置,在特征数据库中的目标车辆属性特征与车辆属性特征的相似度最高为95%,大于80%,则说明此目标车辆属性特征的准确度合格且最高,则此时将属性识别信息中的待检测车辆的属性类型,确定为该相似度最大的目标车辆属性特征所对应的属性类型。
(4)若确定的各个相似度均小于相似度阈值,将待检测车辆的车辆属性特征的特征区域图像,确定为第二级识别的识别结果。
所有相似度均小于相似度阈值,也就是说选出的相似度最高的候选车辆属性特征都小于相似度阈值,此时说明此次比对失败,在特征数据库中也无法匹配到准确的属性类型,则此时将未比对成功的车辆属性类别对应的特征区域图像作为第二级识别的识别结果,以便于后续标注出该特征区域图像对应的属性类型;具体地,在将待检测车辆的车辆属性特征的特征区域图像,确定为第二级识别的识别结果的步骤还包括:对待检测车辆的车辆属性特征进行属性类型的标注,将标注后的车辆属性特征确定为候选车辆属性特征,也就是对候选车辆属性特征(即特征数据库)进行更新,该标注过程可由人工参与,也就是由人工判别出该特征区域图像的真实属性类别,然后进行属性类型标注,最后再将标注后的属性类型以及对应的车辆属性特征输入特征数据库,以更新特征数据库。
具体地,比对失败的情况可能有以下两种情况,以待识别的车标为本田为例,一种情况是车标特征数据库中并未存储本田车标的属性特征,还有一种情况是车标特征数据库中存在本田车标的属性特征,但是比对的效果不好,例如待识别的车辆图像的车标区域图像与车标数据库中存储的本田对应车标图像的角度不同,这种情况也可能导致比对失败,则此时需要对该车标区域图像进行人工判别,识别出本田车标,然后对该特征进行属性类型标识,标识出“本田”,然后最后再将这种情况下的车辆属性特征中的特征向量、车标区域图像以及车标属性类别“本田”都注册到车标特征数据库中,以及时更新特征数据库,拓展车辆属性识别的比对范围,提高车辆属性识别的精度。
在一具体的实施例中,在对车辆属性特征进行标注,输入特征数据库,以更新特征数据库的过程中,输入特征数据库的车辆属性特征对应的特征向量需要重新获取,即返回到对车辆图像的第一级识别步骤,重新获取提取出的车辆属性特征的特征向量,然后将获取到的车辆属性特征的特征向量以及标识出的属性类型存储到特征数据库中。可以理解地,在一具体的实施例中,可采用key-value存储方法将标识出的属性特征作为数值value,将车辆属性特征对应的特征向量作为关键词key,共同存入对应的特征数据库中,以便于后续利用特征数据库进行车辆属性特征的比对识别;同一车辆属性特征存在对应不同的特征向量的情况,例如,对于“丰田”车标来说,其可存在对应的多个不同角度的车标区域图像,则此时对应多个不同的特征向量,通过上述的key-value存储方法,便可根据不同的特征向量来比对到对应的车辆属性特征。
在本实施例中,采用融合以及注意力机制方式使得粗粒度分支网络以及细粒度分支网络相互配合,参照细粒度属性以及粗粒度属性之间的关联性,提高利提取出的车辆属性特征的准确度;同时在识别出的第一车辆属性类别的置信度较低时,再对其对应的车辆属性特征进行二次分类,在二次分类后的第二车辆属性类别的置信度仍较低时,进行第二级识别,在特征数据库中进行相似度比对,当仍未比对成功时,对该车辆属性特征进行标识,并更新到特征数据库中,以及时更新特征数据库,拓展车辆属性识别的比对范围,提高车辆属性识别的精度,实现对特征数据库的在线学习功能,快速支持新属性类别。
请参阅图4,图4是本申请提供的服务器一实施例的结构示意图,服务器40包括处理器41,该处理器41用于执行指令以实现上述技术方案中的车辆识别方法。
请参阅图5,图5是本申请提供的计算机可读存储介质一实施例的结构示意图,计算机可读存储介质50用于存储指令/程序数据51,指令/程序数据51能够被执行以实现上述技术方案中的车辆识别方法。
计算机可读存储介质50可以是服务端、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元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,也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种车辆识别方法,其特征在于,包括:
获取包含待检测车辆的车辆图像;
基于所述车辆图像,对所述待检测车辆的车辆属性特征进行第一级识别,得到所述待检测车辆的属性识别信息,所述属性识别信息至少包括所述待检测车辆的属性类型;
响应于所述属性识别信息满足第一预设条件,基于所述车辆属性特征和候选车辆属性特征进行第二级识别,所述候选车辆属性特征是针对所述待检测车辆的属性类型预先设置的车辆属性特征。
2.如权利要求1所述的方法,其特征在于,所述属性识别信息还包括所述待检测车辆的属性类型的第一参考值;
所述第一预设条件包括所述第一参考值小于第一参考值阈值。
3.根据权利要求1所述的车辆识别方法,其特征在于,所述对所述待检测车辆的车辆属性特征进行第一级识别包括:
利用细粒度分支网络对第一特征进行识别,获取所述待检测车辆的第一车辆属性类别;
响应于所述第一车辆属性类别满足第二预设条件,利用二次分类网络对第二特征进行进一步的识别,确定所述待检测车辆的第二车辆属性类别,所述第二特征为所述第一特征的局部特征;
将所述第二车辆属性类别,确定为所述待检测车辆的属性识别信息。
4.根据权利要求3所述的车辆识别方法,其特征在于,所述第二预设条件包括所述第二车辆属性类别为预设的车型类别。
5.如权利要求3所述的方法,其特征在于,所述待检测车辆的属性识别信息还包括所述第二车辆属性类别的第二参考值;
所述第二预设条件包括:
所述第二参考值小于第二参考值阈值;或
所述第二车辆属性类别是预设的车型类别之外的车型类别,且所述第二参考值小于所述第二参考值阈值。
6.根据权利要求1所述的车辆识别方法,其特征在于,所述基于所述车辆图像,对所述待检测车辆的车辆属性特征进行第一级识别之前,还包括:
基于所述车辆图像,提取所述待检测车辆的粗粒度特征和细粒度特征;
对所述粗粒度特征和所述细粒度特征进行级联融合,得到融合特征;
利用所述融合特征,对所述细粒度特征进行自注意力加权,得到所述待检测车辆的车辆属性特征。
7.根据权利要求6所述的车辆识别方法,其特征在于,所述利用所述融合特征,对所述细粒度特征进行自注意力加权,得到所述待检测车辆的车辆属性特征包括:
对所述融合特征进行全局均值池化操作处理;
获取经过全局均值池化操作处理后的池化特征的全连接特征,并对所述全连接特征进行归一化处理;
对经归一化处理的全连接特征进行全连接处理,得到自注意力权重;
将所述自注意力权重与所述细粒度特征进行相乘,得到所述待检测车辆的车辆属性特征。
8.根据权利要求1所述的车辆识别方法,其特征在于,所述基于所述车辆属性特征和候选车辆属性特征进行第二级识别包括:
获取所述候选车辆属性特征中针对所述待检测车辆的属性类型预先设置的车辆属性特征,为目标车辆属性特征;
确定所述待检测车辆的车辆属性特征和各个所述目标车辆属性特征的相似度;
响应于所述相似度大于相似度阈值,将所述属性识别信息中的所述待检测车辆的属性类型,确定为相似度最大的所述目标车辆属性特征所对应的属性类型。
9.根据权利要求8所述的车辆识别方法,其特征在于,还包括:
若确定的各个相似度均小于所述相似度阈值,将所述待检测车辆的车辆属性特征的特征区域图像,确定为所述第二级识别的识别结果。
10.根据权利要求9所述的车辆识别方法,其特征在于,所述若确定的各个第二相似度均小于所述相似度阈值,将所述待检测车辆的车辆属性特征的特征区域图像,确定为所述第二级识别的识别结果,还包括:
对所述待检测车辆的车辆属性特征进行属性类型的标注,将标注后的车辆属性特征确定为所述候选车辆属性特征。
11.一种服务器,其特征在于,包括处理器,所述处理器用于执行指令以实现权利要求1-10中任一项所述的车辆识别方法。
12.一种计算机可读存储介质,其特征在于,用于存储指令/程序数据,所述指令/程序数据能够被执行以实现如权利要求1-10中任一项所述的车辆识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839619.1A CN113657180A (zh) | 2021-07-23 | 2021-07-23 | 一种车辆识别方法、服务器和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839619.1A CN113657180A (zh) | 2021-07-23 | 2021-07-23 | 一种车辆识别方法、服务器和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657180A true CN113657180A (zh) | 2021-11-16 |
Family
ID=78478116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839619.1A Pending CN113657180A (zh) | 2021-07-23 | 2021-07-23 | 一种车辆识别方法、服务器和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416440A (zh) * | 2023-01-13 | 2023-07-11 | 北京百度网讯科技有限公司 | 目标识别方法、模型训练方法、装置、介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
CN111666898A (zh) * | 2020-06-09 | 2020-09-15 | 北京字节跳动网络技术有限公司 | 用于识别车辆所属类别的方法和装置 |
CN111767954A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 车辆细粒度识别模型生成方法、系统、设备及存储介质 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN112101246A (zh) * | 2020-09-18 | 2020-12-18 | 济南博观智能科技有限公司 | 一种车辆识别方法、装置、设备及介质 |
CN112598045A (zh) * | 2020-12-17 | 2021-04-02 | 中国工商银行股份有限公司 | 训练神经网络的方法、图像识别方法及图像识别装置 |
CN112861567A (zh) * | 2019-11-12 | 2021-05-28 | 上海高德威智能交通系统有限公司 | 一种车型分类方法及装置 |
CN112966643A (zh) * | 2021-03-23 | 2021-06-15 | 成都天佑路航轨道交通科技有限公司 | 基于自适应加权的人脸和虹膜融合识别方法及装置 |
-
2021
- 2021-07-23 CN CN202110839619.1A patent/CN113657180A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861567A (zh) * | 2019-11-12 | 2021-05-28 | 上海高德威智能交通系统有限公司 | 一种车型分类方法及装置 |
CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
CN111666898A (zh) * | 2020-06-09 | 2020-09-15 | 北京字节跳动网络技术有限公司 | 用于识别车辆所属类别的方法和装置 |
CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
CN111767954A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 车辆细粒度识别模型生成方法、系统、设备及存储介质 |
CN112101246A (zh) * | 2020-09-18 | 2020-12-18 | 济南博观智能科技有限公司 | 一种车辆识别方法、装置、设备及介质 |
CN112598045A (zh) * | 2020-12-17 | 2021-04-02 | 中国工商银行股份有限公司 | 训练神经网络的方法、图像识别方法及图像识别装置 |
CN112966643A (zh) * | 2021-03-23 | 2021-06-15 | 成都天佑路航轨道交通科技有限公司 | 基于自适应加权的人脸和虹膜融合识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416440A (zh) * | 2023-01-13 | 2023-07-11 | 北京百度网讯科技有限公司 | 目标识别方法、模型训练方法、装置、介质和电子设备 |
CN116416440B (zh) * | 2023-01-13 | 2024-02-06 | 北京百度网讯科技有限公司 | 目标识别方法、模型训练方法、装置、介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3327583B1 (en) | Method and device for searching a target in an image | |
CN108197326B (zh) | 一种车辆检索方法及装置、电子设备、存储介质 | |
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
CN112614187B (zh) | 回环检测方法、装置、终端设备和可读存储介质 | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN109034086B (zh) | 车辆重识别方法、装置及系统 | |
CN111027493A (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN111881741B (zh) | 车牌识别方法、装置、计算机设备和计算机可读存储介质 | |
CN111914921A (zh) | 一种基于多特征融合的相似性图像检索方法及系统 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115115825B (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN114861842B (zh) | 少样本目标检测方法、装置和电子设备 | |
CN112270204A (zh) | 目标识别方法及装置、存储介质及电子设备 | |
Asgarian Dehkordi et al. | Vehicle type recognition based on dimension estimation and bag of word classification | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN113657180A (zh) | 一种车辆识别方法、服务器和计算机可读存储介质 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 | |
CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN114491130A (zh) | 图片检索方法、装置以及计算机可读存储介质 | |
CN113033170A (zh) | 表格标准化处理方法、装置、设备及存储介质 | |
CN111291821A (zh) | 车辆重识别方法、装置、计算机设备和存储介质 | |
Taghikhah et al. | Quantile-based maximum likelihood training for outlier detection |
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 |