CN113822292B - 车辆特征信息存储方法、装置、计算机设备及存储介质 - Google Patents
车辆特征信息存储方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113822292B CN113822292B CN202110160873.9A CN202110160873A CN113822292B CN 113822292 B CN113822292 B CN 113822292B CN 202110160873 A CN202110160873 A CN 202110160873A CN 113822292 B CN113822292 B CN 113822292B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- self
- features
- characteristic
- coding
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种车辆特征信息存储方法,应用于智能交通技术领域,用于在基于车辆信息对车辆进行稽查的场景下,提高存储车辆信息的效率。本发明提供的方法包括:采集目标车辆至少两个车辆图片,并对每个所述车辆图片进行特征提取,得到每个所述车辆图片中包含的车辆特征;将每个所述车辆特征进行标准化处理,得到标准化车辆特征;将每个所述车辆特征、所述标准化车辆特征作为深度自编码网络的输入,并基于所述深度自编码网络进行编码处理,得到所述车辆对应的自编码信息;将所述自编码信息存储至所述车辆的车载电子标签。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种车辆特征信息存储方法、装置、计算机设备及存储介质。
背景技术
中国高速公路ETC(ElectronicTollCollection,电子不停车收费系统)技术及其应用得到了快速发展,已经由传统模式走向自由流模式。高速公路电子收费技术的发展聚焦在自由流路径识别和自由流收费应用。采用自由流路径标识的方式大大缩减了车辆通车时间,提高了通车效率,减少了拥堵情况的发生。
但采用自由流路径标识的方式时,往往会产生逃费问题,高速公路网点上常见的逃费方式有换卡逃费、大车小标、单车多卡等,为了解决逃费问题,需要通过车辆信息进行稽查和辅证,因此涉及到车辆信息的存储,以便在后续通过存储的车辆信息,对涉事车辆进行甄选确认。
现有技术针对采集设备获取到的车辆信息进行存储,对应的解决方案主要有以下几种:
(1)利用通行卡存储车辆图片
(2)将车辆图片存储在车载电子标签中
综上所述,上述方法(1)对通行卡的存储空间要求较大,且存储空间大的通行卡成本较高;上述方法(2)中车载电子标签空间有限,为便于查验,采集的图像往往为分辨率较高图像,这使得车载电子标签空间能够存储图像的数量较少,同时,写入时间也较长,综上,现有的用于车辆信息存储的方式,存在存储效率较低的问题。因而,亟需一种高效进行车辆信息存储的方法。
发明内容
本发明提供一种车辆特征信息存储方法、装置、计算机设备及存储介质,以在需要车辆信息验证车辆信息的场景下,提高存储车辆信息的效率。
一种车辆特征信息存储方法,包括:
采集目标车辆至少两个车辆图片,并对每个该车辆图片进行特征提取,得到每个该车辆图片中包含的车辆特征;
将每个该车辆特征进行标准化处理,得到标准化车辆特征;
将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入,并基于该深度自编码网络进行编码处理,得到该车辆对应的自编码信息;
将该自编码信息存储至该车辆的车载电子标签。
一种车辆特征信息存储装置,包括:
车辆特征提取模块,用于采集目标车辆至少两个车辆图片,并对每个该车辆图片进行特征提取,得到每个该车辆图片中包含的车辆特征;
标准化车辆特征生成模块,用于将每个该车辆特征进行标准化处理,得到标准化车辆特征;
自编码信息生成模块,用于将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入,并基于该深度自编码网络进行编码处理,得到该车辆对应的自编码信息;
自编码信息存储模块,用于将该自编码信息存储至该车辆的车载电子标签。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中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上述车辆特征信息存储方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述车辆特征信息存储方法的步骤。
上述车辆特征信息存储方法、装置、计算机设备及存储介质,通过对采集到的车辆图片进行特征提取,提取到的特征用于区分车辆,并通过深度自编码网络对提取到的特征进行编码,得到车辆特征的自编码信息,并将自编码信息存储在车辆的车载电子标签中。自编码信息中包含了用于区分车辆的车辆特征信息,且自编码信息所需的存储空间极小,且编码信息的写入速度相较于包其他含车辆信息的数据形式更快,因此可以提高车辆信息的存储效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中车辆特征信息存储方法的一应用环境示意图;
图2是本发明一实施例中车辆特征信息存储方法的一流程图;
图3是本发明一实施例中车辆特征信息存储装置的结构示意图;
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的车辆特征信息存储方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信,客户端具体可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种车辆特征信息存储方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤S101至S104:
S101,采集目标车辆至少两个车辆图片,并对每个该车辆图片进行特征提取,得到每个该车辆图片中包含的车辆特征。
具体地,通过可见光传感摄像头对通过高速收费站的车辆进行拍摄,以获得车辆在不同角度下的多个车辆图片,通过车辆图片对车辆身份信息进行确认,具体可以通过对车辆图片进行特征提取,得到用以对车辆身份信息进行表征的特征(例如车辆颜色、车辆尺寸、车辆型号和角点信息等),并将得到的特征以向量的形式进行存储得到车辆特征向量,参与后续的数据处理。车辆特征包含了用以区分车辆的关键点,对车辆图片提取车辆特征,可以在保留区分车辆身份的前提下减少所要处理的数据量,提高了处理效率减少处理时间。
在本实施例中,作为一种优选方式,步骤S101包括如下步骤S1011至步骤S1012:
S1011,采用深度学习的方式,对该车辆图片进行目标车辆检测,确定目标车辆在该车辆图片中的目标区域。
S1012,对该目标区域进行特征提取,获得目标车辆特征向量,并将该目标车辆特征向量作为该车辆图片中包含的车辆特征。
本实施例中,以本方法应用在高速收费站为例,需要通过车辆信息对车辆进行稽查验证,以防止出现车辆逃费的情况。
具体的,采用深度学习的方式,通过RPN(Region Proposal Network,区域生成网络)生成候选框,用以选中潜在的目标车辆,以候选框的区域作为目标区域,并通过CNN(Convolutional Neural Networks,卷积神经网络)提取候选框内的目标车辆的车辆特征形成车辆特征向量,并采用SVM(Support Vector Machine,支持向量机)对提取到的车辆特征向量进行分类,将分类后的车辆特征结果作为车辆图片中的目标车辆的车辆特征。
其中,车辆特征包括但不限于:车辆的颜色特征、车辆的形状特征和角点信息等。
在本实施例中,步骤S1011至步骤S1012通过采用深度学习方式,以候选框选定车辆图片中的目标车辆,可以有效区分车辆与其他物体,进而在后续仅对车辆所在区域的图像进行处理即可,减少了要处理的数据量,有利于提高处理效率,同时,将候选框的区域作为目标区域并提取其中的车辆特征,得到车辆特征向量,采用深度学习的方式,有利于提高特征提取的效率。
S102,将每个该车辆特征进行标准化处理,得到标准化车辆特征。
其中,对每个车辆图片进行特征提取后形成车辆特征向量,通过聚类算法进行聚类处理,得到每种车辆特征对应的聚类中心,选择距离每个聚类中心最近的车辆特征,对选择出的车辆特征进行归一化处理,得到标准化车辆特征。使车辆特征对应的车辆特征向量的范围限定在预设的范围内,该范围可根据实际应用场景确定,此处不作具体限定。
其中,聚类算法包括但不限于:K-Means(K均值)聚类、基于密度的聚类方法和均值漂移聚类等。优选地,本实施例采用K近邻算法对车辆特征向量进行聚类处理。
在存在多个车辆图片的情况下,车辆图片由于拍摄角度、以及拍摄焦距的不同,对多个车辆图片进行特征提取后,针对同一类型的车辆特征(例如车辆的颜色特征),得到的车辆特征可能会存在误差,因而根据车辆特征得到的自编码信息可能存在误差,因而导致同一车辆的自编码信息存在较大差异而导致车辆匹配结果不佳,本实施例通过对车辆特征进行标准化处理,获取准确度较高的标准化车辆特征,有利于提高后续的自编码信息的准确率。
在本实施例中,作为一种优选方式,步骤S102包括如下步骤S1021至步骤S1022:
S1021,通过预设的聚类方式,将每个该车辆图片对应的该车辆特征进行聚类处理,以获得车辆特征聚类结果。
具体的,采用K近邻算法对提取到多个车辆图片的车辆特征向量进行聚类,得到k个聚类结果,分别比较车辆特征向量与聚类结果的中心特征向量的欧式距离,将离各个聚类中心的中心特征向量欧式距离最小的车辆特征向量选择出来,作为被选的车辆特征向量,将被选的车辆特征向量作为最终车辆特征聚类结果。
在本实施例中,对多个车辆图片进行特征提取得到的车辆特征表征车辆身份信息的效果不一,因此,在本申请实施例的应用环境中,采用K近邻算法使选择结果不易受异常值的影响,保证选择后的车辆特征的精度,从而更好地表征车辆身份信息。
S1022,对该车辆特征聚类结果进行归一化处理,以获得标准化车辆特征。
根据步骤S1021选择出的车辆特征向量,对其进行归一化处理,以得到该车辆特征向量的标准化车辆特征。
在本实施例中,在采集到多个车辆不同角度(角度1车辆图片、角度2车辆图片等)的车辆图片时,以车辆特征B为例,对多个车辆图片进行特征提取后,得到角度1车辆图片的车辆特征B向量、角度2车辆图片的车辆特征B向量,将角度1车辆图片的车辆特征B向量、角度2车辆图片的车辆特征B向量(此处以两个角度进行举例说明,不应作为本方案的数量限定)进行聚类,以选择出离聚类中心更近的车辆特征B,对选择出的车辆特征B进行归一化处理,得到标准化车辆特征B。
在本实施例中,步骤S1021至步骤S1022通过对多个车辆图片的车辆特征进行聚类,选择出在多个车辆图片中更能表征车辆的车辆特征,再对所选的车辆特征进行归一化处理,便于后续对车辆特征的处理,减小不同的车辆图片提取的车辆特征对同一车辆的自编码信息的差异,以提高根据自编码信息对车辆进行验证及匹配的包容性以及准确性。
S103,将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入,并基于该深度自编码网络进行编码处理,得到该车辆对应的自编码信息。
具体的,步骤S103包括如下步骤:
a.分别对每个车辆特征进行归一化处理,以得到处理后的归一化车辆特征。
b.将每个归一化特征、标准化车辆特征作为深度自编码网络的输入,基于该自编码网络生成自编码信息。
其中,深度自编码网络中包括输入层、隐含层和输出层,输入层、隐含层和输出层中包括多个神经元。深度自编码网络是一个将输入的数据进行压缩后,在从压缩的数据中还原的神经网络模型,将输入层中的输入信息C解压缩到隐含层中得到c,将隐含层的c与输入层的C进行对比,得到预测误差,在进行反向传递,逐步提高自编码的准确性。
在本申请实施例的场景下,通过深度自编码网络的压缩与解压缩的过程,将车辆图片进行提炼,以得到车辆图片中的有效数据(即车辆特征等)作为隐含层的响应。
根据深度自编码网络的无监督训练输出自编码信息A=(a1,a2,...,am)。可根据如下公式(1)得到隐含层的响应:
a=f(∑W*X+b) (1)
其中,a是深度自编码网络隐含层的响应向量,W是深度自编码网络中的权重向量,b是深度自编码网络的偏移向量,X为归一化特征。
在公式(2)中,z可根据如下公式(3)得到:
Zi=∑Wij*x+bi(j=[1,m]) (3)
ai=f(zi) (4)
其中,深度自编码网络可采用稀疏编码器结构,可以用以学习有效特征的模型。稀疏自编码网络中,输入层的输入数据的真实值与隐含层的响应值的误差对应的损失函数可根据公式(5)得到:
J(W,b)=J1(W,b)+J2(W,b)+J3(W,b)+J4(W,b) (5)
J1(W,b)=∑||hw,b(xi)-xi||2/m (6)
J3(W,b)=∑||hw,b(xi)-yi||2/m (8)
其中,J1评估末端响应输出与输入的差别,J2评估权重演示以防止过拟合,J3评估末端响应输出与标准化特征的差别,J4评估相对熵,相对熵是一种标准的用来测量两个分布之间的差异。
将每个归一化车辆特征、经过标准化处理的标准化车辆特征作为深度自编码网络的输入,生成对应的自编码信息。深度自编码可以根据输入的车辆特征,将车辆中具有代表性的信息提取出来但仍保持较小的数据量。
S104,将该自编码信息存储至该车辆的车载电子标签。
具体的,将自编码信息存储到车载电子标签中,在需要基于车辆特征对车辆进行匹配稽查时,将自编码信息通过深度自编码网络进行逆向编码,以得到车辆特征,从而实现对车辆的匹配稽查。
具体的,基于DSRC(Dedicated Short Range Communication,专用短程通信技术)中将自编码信息写入到车载电子标签中进行存储。
在本实施例中,作为一种优选方式,步骤S104包括如下步骤S1041至步骤S1042:
S1041,采用国密加密算法对所述自编码信息进行加密,以获得加密自编码信息;
具体的,国密算法包括但不限于:SM1、SM2和SM3等,作为一种优选方式,本实施例中的国密加密算法采用SM2算法,该算法为非对称加密算法,可实现对数据进行加密的功能。SM2基于ECC(Elliptic curve cryptography,椭圆曲线密码学)研发设计而成,在数字签名、密钥交换方面区别于ECDSA(ELLIPTIC Curve Digital Signature Algorithm,椭圆曲线数字签名算法)、ECDH(Elliptic Curve Diffie-Hellman Key Exchange,椭圆曲线迪菲-赫尔曼密钥交换)等国际算法,而SM2算法采取了更为安全的机制,提高了计算量和复杂性,因此减小自编码信息被篡改的可能性。
其中,采用SM2算法对自编码信息进行加密的步骤包括:
c.生成随机数,根据第一坐标与该随机数生成第一密文;
d.计算第一椭圆曲线点并判断所述第一椭圆曲线点是否为无穷远点;
e.若不为无穷点,则根据该随机数与SM2算法密钥生成第二坐标;
f.获取自编码信息的比特长度,根据密钥派生函数生成该第二坐标与该比特长度的第一比特串;
g.根据该第一比特串与自编码信息的比特长度计算第二密文;
h.根据第二坐标与自编码信息的比特长度进行哈希计算,得到第三密文;
i.根据第一密文、第二密文与第三密文输出加密自编码信息。
S1042,将所述加密自编码信息存储至所述车辆的车载电子标签中。
以DSRC电子不停车收费领域为例,在该领域目前采用的是SM4加密算法,该算法依赖PSAM(Purchase Secure Access Module,销售点终端安全存储模块)卡,在该卡丢失后,很容易被篡改交易信息,SM2算法不依赖PSAM卡,因此减少被篡改的可能性。
在本实施例中,步骤S1041至步骤S1042通过对自编码信息进行加密,保证自编码信息不会被篡改,从而保证根据自编码信息对车辆进行验证的准确性与安全性。
作为本实施例的一种可选方式,SM2算法与区块链结合,将加密后的自编码信息存储在区块中,进一步防止自编码信息被篡改,提高了自编码信息的安全性。
在本申请提供的另一实施例中,在步骤S101之前包括如下步骤S1001至S1004:
S1001,将若干样本图片输入到深度学习模型中进行特征提取,得到初始特征,该初始特征包含M个不同类别的子特征,其中,每个该样本图像对应一个车辆标识信息,M为大于1的正整数。
具体的,该车辆标识信息通过读取车辆的车载电子标签中存储的身份信息得到,某一车辆通过路侧基站时,在对车辆进行拍摄时,将读取到的身份信息绑定在拍摄得到的车辆图片上。
其中,初始特征具体是表明车辆身份的全部特征,用于将本车辆与其他车辆进行区分的特征。不同类别的子特征具体是车辆颜色、车辆品牌、车辆型号、车辆外观标识、车辆品牌等。
S1002,针对每种类别的子特征,计算相同车辆标识信息对应的该子特征的特征距离的概率密度函数分布,得到第一密度分布,并计算不同车辆标识信息对应的该子特征的特征距离的概率密度函数分布,得到第二密度分布。
具体的,以同一车辆为目标进行拍摄得到的多个车辆图片之间,由于拍摄角度、拍摄焦距的差异,针对同一目标车辆提取的子特征可能有所差异。
以A车辆为例,针对绑定有A车辆的车辆标识信息的所有车辆图片,对提取到的车辆颜色子特征,计算两个车辆图片之间的车辆颜色子特征的特征距离,遍历所有相同车辆标识信号的车辆图片后形成车辆颜色子特征的特征距离概率分布函数,得到车辆颜色子特征的第一密度分布;计算两个不同标识信息的车辆颜色子特征的特征距离,得到第二密度分布。
针对其他车辆子特征的第一密度分布和第二密度分布的计算,可以参考车辆颜色子特征的步骤得到,此处不再赘述。
S1003,根据该第一密度分布和该第二密度分布,确定分类错误区间。
S1004,基于该分类错误区间,对该不同类别的子特征进行筛选,确定待提取子特征。
具体的,根据每个车辆子特征的第一密度分布与第二密度分布,得到分类错误区间,分类错误区间指根据该车辆子特征,将同一车辆确定成不同车辆、将不同车辆分成同一车辆的概率区间。对该分类错误区间进行积分,根据积分结果判断该车辆子特征对区分车辆的准确度,选择区分车辆的准确度更高的待提取子特征用在步骤S101至步骤S104中。
在本实施例中,步骤S1001至步骤S1004中,通过计算第一密度分布与第二密度分布,以选择出能更好区分车辆的车辆子特征,基于该车辆子特征生成的自编码信息更好地与车辆进行匹配。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述车辆特征信息存储方法的步骤。
上述车辆特征信息存储方法,通过对采集到的车辆图片进行特征提取,提取到的特征用于区分车辆,并通过深度自编码网络对提取到的特征进行编码,得到车辆特征的自编码信息,并将自编码信息存储在车辆的车载电子标签中。自编码信息中包含了用于区分车辆的车辆特征信息,且自编码信息所需的存储空间极小,且编码信息的写入速度相较于包其他含车辆信息的数据形式更快,因此可以提高车辆信息的存储效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种车辆特征信息存储装置,该车辆特征信息存储装置与上述实施例中车辆特征信息存储方法一一对应。如图3所示,该车辆特征信息存储装置包括:
车辆特征提取模块31,用于采集目标车辆至少两个车辆图片,并对每个该车辆图片进行特征提取,得到每个该车辆图片中包含的车辆特征。
标准化车辆特征生成模块32,用于将每个该车辆特征进行标准化处理,得到标准化车辆特征。
自编码信息生成模块33,用于将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入,并基于该深度自编码网络进行编码处理,得到该车辆对应的自编码信息。
自编码信息存储模块34,用于将该自编码信息存储至该车辆的车载电子标签。
在本实施例中,车辆特征提取模块31包括如下单元:
目标区域选择单元,用于采用深度学习的方式,对该车辆图片进行目标车辆检测,确定目标车辆在该车辆图片中的目标区域。
车辆特征提取单元,用于对该目标区域进行特征提取,获得目标车辆特征向量,并将该目标车辆特征向量作为该车辆图片中包含的车辆特征。
在本实施例中,标准化车辆特征生成模块32包括如下单元:
车辆特征聚类单元,用于通过预设的聚类方式,将每个该车辆图片对应的该车辆特征进行聚类处理,以获得车辆特征聚类结果。
标准化车辆特征生成单元,用于对该车辆特征聚类结果进行归一化处理,以获得标准化车辆特征。
在本实施例中,自编码信息存储模块34包括如下单元:
国密算法加密单元,用于采用国密加密算法对该自编码信息进行加密,以获得加密自编码信息。
加密自编码信息存储单元,用于将该加密自编码信息存储至该车辆的车载电子标签中。
具体的,国密算法加密单元包括如下子单元:
SM2加密子单元:采用SM2加密算法对该自编码信息进行加密。
在本实施例中,车辆特征信息存储装置包括如下模块:
初始特征提取模块,用于将若干样本图片输入到深度学习模型中进行特征提取,得到初始特征,该初始特征包含M个不同类别的子特征,其中,每个该样本图像对应一个车辆标识信息,M为大于1的正整数。
密度分布生成模块,用于针对每种类别的子特征,计算相同车辆标识信息对应的该子特征的特征距离的概率密度函数分布,得到第一密度分布,并计算不同车辆标识信息对应的该子特征的特征距离的概率密度函数分布,得到第二密度分布。
分类错误区间确定模块,用于根据该第一密度分布和该第二密度分布,确定分类错误区间。
待提取子特征确定模块,用于基于该分类错误区间,对该不同类别的子特征进行筛选,确定待提取子特征。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分,并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
关于车辆特征信息存储装置的具体限定可以参见上文中对于车辆特征信息存储方法的限定,在此不再赘述。上述车辆特征信息存储装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆特征信息存储方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆特征信息存储方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中车辆特征信息存储方法的步骤,例如图2所示的步骤S101至步骤S104及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中车辆特征信息存储装置的各模块/单元的功能,例如图3所示模块31至模块34的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中车辆特征信息存储方法的步骤,例如图2所示的步骤S101至步骤S104及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中车辆特征信息存储装置的各模块/单元的功能,例如图3所示模块31至模块34的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车辆特征信息存储方法,其特征在于,包括:
将若干样本图片输入到深度学习模型中进行特征提取,得到初始特征,所述初始特征包含M个不同类别的子特征,其中,每个所述样本图像对应一个车辆标识信息,M为大于1的正整数;
针对每种类别的子特征,计算相同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布,得到第一密度分布,并计算不同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布,得到第二密度分布;
根据所述第一密度分布和所述第二密度分布,确定分类错误区间;
基于所述分类错误区间,对所述不同类别的子特征进行筛选,确定待提取子特征;
采集目标车辆至少两个车辆图片,并针对每个所述车辆图片的所述待提取子特征进行特征提取,得到每个所述车辆图片中包含的车辆特征;
将每个所述车辆特征进行标准化处理,得到标准化车辆特征;
将每个所述车辆特征、所述标准化车辆特征作为深度自编码网络的输入,并基于所述深度自编码网络进行编码处理,得到所述车辆对应的自编码信息;
将所述自编码信息存储至所述车辆的车载电子标签。
2.根据权利要求1所述的车辆特征信息存储方法,其特征在于,所述对每个所述车辆图片进行特征提取,得到每个所述车辆图片中包含的车辆特征的步骤包括:
采用深度学习的方式,对所述车辆图片进行目标车辆检测,确定目标车辆在所述车辆图片中的目标区域;
对所述目标区域进行特征提取,获得目标车辆特征向量,并将所述目标车辆特征向量作为所述车辆图片中包含的车辆特征。
3.根据权利要求1所述的车辆特征信息存储方法,其特征在于,所述将每个所述车辆特征进行标准化处理,得到标准化车辆特征的步骤包括:
通过预设的聚类方式,将每个所述车辆图片对应的所述车辆特征进行聚类处理,以获得车辆特征聚类结果;
对所述车辆特征聚类结果进行归一化处理,以获得标准化车辆特征。
4.根据权利要求1至3任一项所述的车辆特征信息存储方法,其特征在于,所将所述自编码信息存储至所述车辆的车载电子标签的步骤包括:
采用国密加密算法对所述自编码信息进行加密,以获得加密自编码信息;
将所述加密自编码信息存储至所述车辆的车载电子标签中。
5.根据权利要求4所述的车辆特征信息存储方法,其特征在于,所述国密加密算法为SM2算法。
6.一种车辆特征信息存储装置,其特征在于,包括:
初始特征提取模块,用于将若干样本图片输入到深度学习模型中进行特征提取,得到初始特征,所述初始特征包含M个不同类别的子特征,其中,每个所述样本图像对应一个车辆标识信息,M为大于1的正整数;
密度分布生成模块,用于针对每种类别的子特征,计算相同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布,得到第一密度分布,并计算不同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布,得到第二密度分布;
分类错误区间确定模块,用于根据所述第一密度分布和所述第二密度分布,确定分类错误区间;
待提取子特征提取模块,用于基于所述分类错误区间,对所述不同类别的子特征进行筛选,确定待提取子特征;
车辆特征提取模块,用于采集目标车辆至少两个车辆图片,并针对每个所述车辆图片的所述待提取子特征进行特征提取,得到每个所述车辆图片中包含的车辆特征;
标准化车辆特征生成模块,用于将每个所述车辆特征进行标准化处理,得到标准化车辆特征;
自编码信息生成模块,用于将每个所述车辆特征、所述标准化车辆特征作为深度自编码网络的输入,并基于所述深度自编码网络进行编码处理,得到所述车辆对应的自编码信息;
自编码信息存储模块,用于将所述自编码信息存储至所述车辆的车载电子标签。
7.根据权利要求6所述的车辆特征信息存储装置,其特征在于,所述自编码信息存储模块包括:
自编码信息加密单元,用于采用国密加密算法对所述自编码信息进行加密,以获得加密自编码信息;
加密自编码信息存储单元,用于将所述加密自编码信息存储至所述车辆的车载电子标签中。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述车辆特征信息存储方法的步骤。
9.一种计算机可读存储介质,所述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5中任一项所述车辆特征信息存储方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110160873.9A CN113822292B (zh) | 2021-02-05 | 2021-02-05 | 车辆特征信息存储方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110160873.9A CN113822292B (zh) | 2021-02-05 | 2021-02-05 | 车辆特征信息存储方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822292A CN113822292A (zh) | 2021-12-21 |
CN113822292B true CN113822292B (zh) | 2022-05-20 |
Family
ID=78912368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110160873.9A Active CN113822292B (zh) | 2021-02-05 | 2021-02-05 | 车辆特征信息存储方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566052B (zh) * | 2022-04-27 | 2022-08-12 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740415A (zh) * | 2018-11-19 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆属性识别方法及相关产品 |
CN111401264A (zh) * | 2020-03-19 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆目标检测方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922566B2 (en) * | 2017-05-09 | 2021-02-16 | Affectiva, Inc. | Cognitive state evaluation for vehicle navigation |
US10740607B2 (en) * | 2017-08-18 | 2020-08-11 | Autel Robotics Co., Ltd. | Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control |
CN108491859A (zh) * | 2018-02-11 | 2018-09-04 | 郭静秋 | 基于自动编码机的驾驶行为异质性特征的识别方法 |
CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
CN111967426A (zh) * | 2020-08-27 | 2020-11-20 | 平安国际智慧城市科技股份有限公司 | 车辆重识别方法、装置、电子设备及介质 |
-
2021
- 2021-02-05 CN CN202110160873.9A patent/CN113822292B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740415A (zh) * | 2018-11-19 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆属性识别方法及相关产品 |
CN111401264A (zh) * | 2020-03-19 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆目标检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113822292A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11349666B2 (en) | Electronically signing and distributing identification data as a service that provides proof of identity, integrity, validity and origin of data for non-repudiation and ID validation methods | |
CN110287971B (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
Xie et al. | A robust license plate detection and character recognition algorithm based on a combined feature extraction model and BPNN | |
WO2022089124A1 (zh) | 证照真伪识别方法、装置、计算机可读介质及电子设备 | |
TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
EP4085369A1 (en) | Forgery detection of face image | |
CN113378710A (zh) | 图像文件的版面分析方法、装置、计算机设备和存储介质 | |
WO2022078353A1 (zh) | 车辆行使状态判断方法、装置、计算机设备及存储介质 | |
CN110826484A (zh) | 车辆重识别的方法、装置、计算机设备及模型训练方法 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN112668640A (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN113822292B (zh) | 车辆特征信息存储方法、装置、计算机设备及存储介质 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
Yang et al. | Online handwritten signature verification based on the most stable feature and partition | |
CN112287923A (zh) | 卡证信息识别方法、装置、设备及存储介质 | |
CN116824676A (zh) | 数字身份信息的生成方法、应用方法、装置、系统及设备 | |
CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
US11295122B2 (en) | Document identification method and system | |
US11250254B2 (en) | Methods and systems for detecting photograph replacement in a photo identity document | |
CN112926610A (zh) | 车牌图像筛选模型的构建方法与车牌图像筛选方法 | |
CN109785157A (zh) | 一种基于人脸识别的车辆定损方法、存储介质及服务器 | |
US11393235B2 (en) | Face image quality recognition methods and apparatuses | |
TWI786977B (zh) | 手指真偽識別方法、電子裝置及存儲介質 | |
CN113569934B (zh) | Logo分类模型构建方法、系统、电子设备及存储介质 | |
CN110674830B (zh) | 图像隐私识别方法、装置、计算机设备和存储介质 |
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 |