CN114743167A - 网点选址预测方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种网点选址预测方法，可以应用于大数据技术领域、目标检测技术领域或金融领域。该网点选址预测方法包括：获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量；基于所述车辆识别结果获取车流量数据；以及基于所述车流量数据进行网点选址预测，其中，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到。本公开还提供了一种网点选址预测装置、设备、存储介质和程序产品。

Description

网点选址预测方法、装置、设备、介质和程序产品

技术领域

本公开涉及大数据技术领域、目标检测领域或金融领域，具体涉及一种网点选址预测方法、装置、设备、介质和程序产品。

背景技术

网点选址对于网点的经济效益，客户资源抢夺和市场份额占领有着重要影响。传统的网点选址的一个重要方面是通过人工调研目标地区的人口流量，经济水平来进行网点选址预测。然而，人力调研耗时耗力，成本较高，且人工统计数据往往不全面，不完备。

发明内容

鉴于上述问题，本公开的实施例提供了一种提高预测智能性和准确度的网点选址预测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种网点选址预测方法，包括：获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量；基于所述车辆识别结果获取车流量数据；以及基于所述车流量数据进行网点选址预测，其中，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到。

根据本公开的实施例，基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果包括：基于特征提取网络处理所述目标图像，获取第一特征图像，其中，所述第一特征图像包含k组不同目标尺寸的第一子特征图，k为大于等于6的整数；将所述第一图像特征输入特征融合网络以获取第二特征图像；将所述第二特征图像输入预测层网络以获取预测特征图像；基于所述预测特征图像生成先验目标框；以及基于非极大值抑制算法处理所述先验目标框，获取车辆识别结果。

根据本公开的实施例，将所述第一特征图像输入特征融合网络以获取第二特征图像包括：将获取自特征提取网络的第k组第一子特征图，标记为第1组第二子特征图；将所述第j组第二子特征图执行2倍上采样操作后，与特征提取网络输出的第k-j组第一子特征图采用级联方式融合，获取第s组第二子特征图，其中，j按从小到大的顺序遍历[1，k-1]中的整数值，s满足s＝j+1且s为整数；以及基于第1～k组第二子特征图获取第二特征图像。

根据本公开的实施例，所述特征提取网络包含残差模块以及卷积层，其中，所述残差模块组数为n，n满足k≤n且n为整数，所述卷积层的层数与残差模块组数关联，所述卷积层包含满足目标视野的卷积层。

根据本公开的实施例，所述基于特征提取网络处理所述目标图像，获取第一特征图像包括：将目标图像输入至所述特征提取网络，经卷积层处理后获取第一组输出图像；基于残差模块处理所述第一组输出图像，获取第二组输出图像；交替执行述卷积层处理步骤和所述残差模块处理步骤，直至获取第n组输出图像；基于所述第二至第n组输出图像获取第一特征图像。

根据本公开的实施例，基于特征提取网络处理所述目标图像，获取第一特征图像还包括：舍弃不满足目标尺寸的输出图像。

根据本公开的实施例，基于所述第二至第n组输出图像获取第一特征图像还包括：舍弃第二至第n-k组输出图像，以获取k组不同目标尺寸的第一子特征图。

根据本公开的实施例，在进行车辆识别前，所述方法还包括对目标图像进行预处理的步骤，所述预处理包括调整目标图像的尺寸，使得调整后的目标图像在经过特征提取网络处理后能够输出目标尺寸的第一特征图像。

根据本公开的实施例，所述第一特征图像包含6组第一子特征图，所述第一子特征图的尺寸分别为64×64、32×32、16×16、8×8、4×4、2×2。

根据本公开的实施例，所述目标图像的尺寸为512×512。

根据本公开的实施例，所述卷积层不包含1×1的卷积层。

根据本公开的实施例，所述地理范围包含q个目标区域，q为大于等于2的整数，所述车辆位置与所述目标区域存在映射关系，所述基于所述车辆识别结果获取车流量数据还包括：统计第i个时点的子图像中第p个目标区域中每类车辆的数量，标记为第一车流数据，其中，p满足1≤p≤q，i满足1≤i≤m；基于所述m个不同时点的子图像的第一车流数据获取第二车流数据，其中，所述第二车流数据包含每个时点的子图像的第一车流数据；基于预设的算法对所述第二车流数据进行处理，获取所述车流量数据，其中，所述车流量数据与目标区域存在映射关系。

根据本公开的实施例，所述车流量数据至少包含汽车流量数据。

根据本公开的实施例，所述基于所述车流量数据进行网点选址预测包括：对q个目标区域对应的车流量数据按照从大到小的顺序进行排序；基于排序结果获取网点选址预测结果。

本公开的第二方面提供了一种网点选址预测装置，包括：获取模块，配置为获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；识别模块，配置为基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到；第一处理模块，配置为基于所述车辆识别结果获取车流量数据；第二处理模块，配置为基于所述车流量数据进行网点选址预测。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述网点选址预测方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述网点选址预测方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述网点选址预测方法。

本公开的实施例提供的方法，将车流量数据作为网点选址预测的重要指标，利用深度残差模块改进的YOLOv3网络训练得到的车辆识别模型获取目标区域的车流量数据，一定程度上降低了传统人工调研方法的人力和时间成本，提升了网点预测的智能性和准确度。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的网点选址预测方法、装置、设备、介质和程序产品的应用场景图。

图2示意性示出了根据本公开实施例的网点选址预测方法的流程图。

图3示意性示出了根据本公开实施例的基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果的方法的流程图。

图4示意性示出了根据本公开实施例的基于特征提取网络处理目标图像，获取第一特征图像的方法的流程图。

图5示意性示出了根据本公开一些具体的实施例的基于所述第二至第n组输出图像获取第一特征图像的方法的流程图。

图6示意性示出了根据本公开实施例的将所述第一特征图像输入特征融合网络以获取第二特征图像的方法的流程图。

图7示意性示出了根据本公开实施例的对目标图像进行预处理的方法的流程图。

图8示意性示出了本公开的示例的特征提取网络。

图9示意性示出了本公开的示例的车辆识别模型网络结构图。

图10示意性示出了根据本公开的实施例的基于车辆识别结果获取车流量数据的方法的流程图。

图11示意性示出了根据本公开的实施例的基于所述车流量数据进行网点选址预测的方法的流程图。

图12示意性示出了根据本公开实施例的网点选址预测装置的结构框图。

图13示意性示出了根据本公开实施例的适于实现网点选址预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

银行网点的选址对于网点的经济效益，客户资源抢夺和市场份额占领有着重要影响。在进行选址评估的过程中，目标地区的人口流量，经济水平是影响决策的重要因素。传统的网点选址方法通过人工调研目标地区的人口流量，经济水平。然而，人力调研耗时耗力，成本较高，且人工统计数据往往不全面，不完备。

在研究获得本公开的实施例的过程中，发明人发现，网点周围车流量与网点地段的人口流量和经济水平关联，车流量越多，特别是汽车流量越多，代表该网点地段越好，在一定程度上决定了网点客户的多少。由此，车流量越多可以为银行网点选址提供有价值的信息。在此基础上，可以基于车流量数据对网点选址进行预测，在一定程度上可以解决传统的调研方法难以获得全面，科学，准确数据的问题。传统的车流量数据常常采用人力调研的方法获得，耗时耗力。随着深度学习的发展，一些可以更好的识别车辆类别的模型得到了越来越多的应用，利用车辆识别结果来进行车流量数据调研将极大地减少人力成本，提高调研结果的准确度和效率。

在基于深度学习的车辆识别模型中，较为经典的模型有Faster R-CNN、YOLOv3等，YOLOv3模型无论是检测精度还是检测速度上，都比Faster R-CNN有更大的优势。但是YOLOv3依然存在对于汽车等小尺寸车辆目标检测精度较低的问题。

针对现有技术中存在的上述问题，本公开的实施例提供了一种网点选址预测方法，包括：获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量；基于所述车辆识别结果获取车流量数据；以及基于所述车流量数据进行网点选址预测，其中，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到。

需要说明的是，本公开实施例提供的网点选址预测方法、装置、设备、介质和程序产品可用于大数据技术、目标检测技术在车流量数据获取相关方面，也可用于除大数据技术、目标检测技术之外的多种领域，如金融领域，特别是网点选址预测方面等。本公开实施例提供的网点选址预测方法、装置、设备、介质和程序产品的应用领域不做限定。

以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。

图1示意性示出了根据本公开实施例的网点选址预测方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以具备图像获取功能。终端设备101、102、103还可以有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具备图像获取功能的各种电子设备，包括但不限于相机，摄像头，智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，还可以将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的网点选址预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的网点选址预测装置一般可以设置于服务器105中。本公开实施例所提供的网点选址预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的网点选址预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图11对公开实施例的网点选址预测方法进行详细描述。

图2示意性示出了根据本公开实施例的网点选址预测方法的流程图。

如图2所示，该实施例的网点选址预测方法包括操作S210～操作S240，该网点选址预测方法可以由处理器执行，也可以由包括处理器的任何电子设备执行。

在操作S210，获取含有待识别车辆的目标图像。

根据本公开的实施例，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数。

在操作S220，基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果。

根据本公开的实施例，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量。

在操作S230，基于所述车辆识别结果获取车流量数据。

在操作S240，基于所述车流量数据进行网点选址预测。

在本公开的实施例中，目标图像可以为按照预设的观察周期获取的相同地理范围在不同时点的图像。其中，地理范围可以为待考察区域，例如城市，街道，行政区域等。目标图像可以获取自待考察区域的车辆数据集，其可以基于监控摄像头，无人机航拍，卫星遥感图像等方式获取。在本公开的实施例中，目标图像可以主要是来自于无人机航拍城市各地区的车流图片。可以理解，在进行车辆识别前，可以对车辆数据集图片进行预处理，筛选出清晰且含有车辆目标的图片作为目标图像。观察周期的设置可以提升获取的车流量数据的准确性，以实现对网点选址的更准确评估，其可以基于专家经验设定。本公开实施例的车辆识别模型可以基于深度残差模块改进的YOLOv3网络训练得到。在模型识别的特征中，更深的网络层数可以降低网络的误差。然而，随着网络层数的加深，可能会出现网络退化的问题。残差结构可以有效的解决这个问题，其使用的快捷链路可以强化特征的传递，减少信息丢失，从而增加特征提取网络的特征复用，为后续的检测网络提供更丰富的目标特征。本公开的实施例借鉴了ResNet的残差思想，改进了YOLOv3中的特征提取网络。具体的，在YOLOv3中构建了一种以深度残差网络作为主要改进方法的特征提取网络。更具体的，在DarkNet-53中增加了一些残差模块和更多的卷积层，用于提取车辆目标的特征，进而实现更准确的车辆识别，尤其可以提升对汽车等车辆的小尺寸目标的识别能力。其中，在训练本公开实施例的车辆识别模型的过程中，在对车辆数据集进行预处理获得目标图像后，可以选取一定数量的目标图像(例如80％)作为训练集，剩余的目标图像(例如20％)作为测试集。使用训练集对进行模型训练。当损失函数值趋于稳定时停止训练，得到最佳的预测模型作为最终的车辆识别模型。本公开的实施例的车辆识别模型能够标记出对应于每个子图像的车辆位置、车辆类别以及每类车辆的数量。其中，车辆位置可以基于车辆识别模型的预测目标框获取。由此，可以获取每个子图像的车辆分布状况，进一步，可以判断出待考察区域中任意目标区域的车流量的大小。更进一步，可以预测适用于作为网点选址的重点目标区域。可以理解，在经过观察周期后，可以基于周期内的目标图像进一步对各目标区域进行评估，以利于预测最适宜作为网点选址地点的区域。

图3示意性示出了根据本公开实施例的基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果的方法的流程图。

如图3所示，该实施例的获得车辆识别结果的方法包括操作S310～操作S350。

在操作S310，基于特征提取网络处理所述目标图像，获取第一特征图像，其中，所述第一特征图像包含k组不同目标尺寸的第一子特征图，k为大于等于6的整数。

在操作S320，将所述第一图像特征输入特征融合网络以获取第二特征图像。

在操作S330，将所述第二特征图像输入预测层网络以获取预测特征图像。

在操作S340，基于所述预测特征图像生成先验目标框。

在操作S350，基于非极大值抑制算法处理所述先验目标框，获取车辆识别结果。

根据本公开的实施例，基于深度残差模块改进的YOLOv3网络包含特征提取网络，特征融合网络以及预测层网络。传统的YOLOv3网络的特征提取网络为DarkNet-53网络。本公开的实施例通在特征提取网络中了增加残差模块和更多的卷积层。其中，残差模块使用的快捷链路可以强化特征的传递，减少信息丢失，从而增加特征提取网络的特征复用，为后续的检测网络提供丰富的目标特征。由此，更多的残差模块可以提供更丰富的目标特征。随着特征提取网络残差模块的增加，特征融合网络能够融合更多种尺寸的第一子特征图，以能够输出更多种尺寸的第二特征图像。多尺度特征融合使不同层级特征图的特征信息得到了充分的融合和利用。第二特征图像的每一组尺寸的特征图都是一组检测分支，每一组检测分支都能利用上下文语义信息独立的执行车辆识别任务，并且各组分支共享从特征提取网络提取的特征，增强了网络特征的表达能力。预测层网络包含卷积层。在对第二特征图像进行卷积处理后，获取最终用于车辆识别的预测特征图像。在进行预测时，可以将预测特征图像依据尺寸划分为N×N的网格(预测特征图的尺度不同，N的大小也就不同)，并为每个网格配置预设个数的不同的先验框。相较传统的YOLOv3网络，本公开的实施例提供的改进的YOLOv3网络可以产生更多的先验框，在一定程度上提升车辆目标的检测效果。本公开的实施例的车辆位置通过车辆目标框标定。其中，车辆目标框通过使用非极大值抑制算法处理先验目标框生成。非极大值抑制算法通过迭代-遍历-消除的过程抑制冗余的先验目标框。其具体过程主要包括：将所有先验目标框的得分进行排序，选中最高分及其对应的框。遍历其余的框，如果和当前最高分框的重叠面积大于预设的阈值，则将框删除。从未处理的框中继续选择得分最高的，重复上述比较-删除过程。由此，在利用非极大值抑制方法去除重复或者错误的边界框后，可以获得保留正确分类和位置信息的边界框，提高先验目标框标注的准确度，从而得到最终的车辆识别结果。

本公开的实施例设计的特征提取网络包含残差模块以及卷积层，其中，所述残差模块组数为n，n满足k≤n且n为整数。由此，可以在基于残差模块获取特征识别结果后，进行识别结果筛选，以满足本公开实施例的车辆识别需求。其中，所述卷积层的层数与残差模块组数关联。例如，在经过一个或多个卷积层处理后，连接第一组残差模块进行处理。进一步，交替完成一组卷积层处理，一组残差模块处理的处理方式，以输出不同尺寸的特征图。由此，卷积层的层数a可以满足a＞n且a为整数，例如，a＝n+1。在本公开的实施例中，所述卷积层可以包含满足目标视野的卷积层，以获取满足目标尺寸的特征图。值得注意的是，此时，可以舍弃不满足目标视野的卷积层，以简化网络结构，较少数据处理开销，提高车辆识别效率。其中，不满足目标视野的卷积层可以为对于识别本公开实施例的车辆作用不大的卷积层。

在一些具体的实施例中，所述卷积层不包含1×1的卷积层。本公开的实施例的特征提取网络可以输出最小尺寸为1×1的特征图，其映射在输入图像上的区域接近整个图像大小。而待检测车辆数据集中没有接近整个图像大小的车辆目标，偏离了实际需要，因此，本公开的实施例的特征提取网络舍弃了1×1卷积层，这对模型最终的检测精度影响很小，同时因为降低了计算复杂度，反而会在一定程度上提升模型的识别速度。

图4示意性示出了根据本公开实施例的基于特征提取网络处理目标图像，获取第一特征图像的方法的流程图。

如图4所示，该实施例的基于特征提取网络处理目标图像获取第一特征图像的方法包括操作S410～操作S440。

在操作S410，将目标图像输入至所述特征提取网络，经卷积层处理后获取第一组输出图像。

在操作S420，基于残差模块处理所述第一组输出图像，获取第二组输出图像。

在操作S430，交替执行述卷积层处理步骤和所述残差模块处理步骤，直至获取第n组输出图像。

在操作S440，基于所述第二至第n组输出图像获取第一特征图像。

根据本公开的实施例，特征提取方法由卷积层和残差模块交替执行。例如，可以首先由一个或多个卷积层提取特征。例如，在经过第一个卷积层中第一尺寸的滤波器过滤后，将结果输入至下一个卷积层，第二个卷积层使用第二尺寸的滤波器过滤输入数据后，再输入再下一个卷积层，直至第一组残差模块上一层的卷积层。在第一组残差模块上一层的卷积层中的滤波器过滤该层输入数据并执行2倍下采样操作后，得到第一组输出图像。将第一组输出图像输入到第一组残差模块中进行处理，获取第二组输出图像。本公开的实施例使用的残差模块类似于YOLOv3中使用的残差模块，其中包含了卷积层、BN层、激活函数LeakyReLU等结构，并以残差的方式进行连接。在获取第一组输出图像后。继续由一个卷积层和一组残差模块交替处理的方式处理n-1次，直至获取第n组输出图像。其中，每组卷积层处理+残差模块处理的处理流程均为进行卷积层滤波其过滤并执行2倍下采样操作后输入至残差模块处理。每组残差模块中的残差模块个数预先设定。这些残差模块中除了滤波器和输出图像尺寸不同之外，其他结构都是相似的，由此，可以得到第二至第n组输出图像。进一步，可以基于所述第二至第n组输出图像获取第一特征图像。例如，第二至第n组输出图像共同构成第一特征图像。

根据一些具体的实施例中，所述基于特征提取网络处理所述目标图像，获取第一特征图像还包括：舍弃不满足目标尺寸的输出图像。

根据本公开的具体的实施例，在第二至第n组输出图像中，部分浅层输出图像感受野较小，对于检测车辆数据集中大中型车辆尺寸来说没有实际价值。由此，可以舍弃不满足目标尺寸的输出图像，例如，预设数量的浅层输出图像，以在能够在满足各规格车辆识别需求的同时，减少数据处理开销。应理解，舍弃的不满足目标尺寸的输出图像为第二至第n组输出图像中的一组或多组。

图5示意性示出了根据本公开一些具体的实施例的基于所述第二至第n组输出图像获取第一特征图像的方法的流程图。

如图5所示，该具体的实施例的基于第二至第n组输出图像获取第一特征图像的方法包括操作S510。

在操作S510，舍弃第二至第n-k组输出图像，以获取k组不同目标尺寸的第一子特征图。可以理解，当n＞k时，第二至第n-k组输出图像可以作为用处不大的浅层输出图像被舍弃，以减少数据处理开销，提高数据处理效率。

在一个具体的示例中，第一特征图像包含6组第一子特征图，所述第一子特征图的尺寸分别为64×64像素、32×32像素、16×16像素、8×8像素、4×4像素、2×2像素。上述6组子特征图的尺寸基本能覆盖车辆数据集中不同尺寸的车辆目标，全面反映车辆数据集中各大中小尺寸车辆目标的特征信息，使得特征提取网络能更好的完成特征提取任务。

图6示意性示出了根据本公开实施例的将所述第一特征图像输入特征融合网络以获取第二特征图像的方法的流程图。

如图6所示，该实施例的获取第二特征图像的方法包括操作S610～操作S630。

在操作S610，将获取自特征提取网络的第k组第一子特征图，标记为第1组第二子特征图。

在操作S620，将所述第j组第二子特征图执行2倍上采样操作后，与特征提取网络输出的第k-j组第一子特征图采用级联方式融合，获取第s组第二子特征图，其中，j按从小到大的顺序遍历[1，k-1]中的整数值，s满足s＝j+1且s为整数。

在操作S630，基于第1～k组第二子特征图获取第二特征图像。

根据本公开的实施例，采用与YOLOv3中类似的多尺度特征融合策略对来自于特征提取网络的第一特征图像进行融合，以充分利用不同层级特征图的特征信息。由于特征提取网络输出更多，更匹配尺寸的子特征图，融合后的第二特征图像对于本公开的应用场景也具备更佳的预测能力。在融合的过程中，以最后一组子特征图为第1组第二子特征图，其也可以作为用于预测的特征图像。进一步，从最后一组第一子特征图开始，将每一组第一子特征图执行2倍上采样操作后与前一组第一子特征图采用级联方式融合以获得融合后的第二子特征图。重复执行k-1次上述融合过程后，可以获取k组第二子特征图。具体的，以第k组第一子特征图作为第1组第二子特征图，执行2倍上采样操作后，与第k-1组第一子特征图级联融合，获取第2组第二子特征图。将第2组第二子特征图执行2倍上采样操作后，与第k-2组第一子特征图级联融合，获取第3组第二子特征图。将第3组第二子特征图执行2倍上采样操作后，与第k-3组第一子特征图级联融合，获取第4组第二子特征图。依次类推，直至将第k-1组第二子特征图执行2倍上采样操作后，与第1组第一子特征图级联融合，获取第k组第二子特征图。由于从第2组第二子特征图开始，每一组第二子特征图均利用了前面各组特征图的信息，且k组第二子特征图共享从特征提取网络提取的特征，增强了网络特征的表达能力。应理解，第二特征图像中各组子特征图都能利用上下文语义信息独立的执行车辆识别任务，由此可以识别各类不同尺寸，规格的车辆。

根据本公开的实施例，在进行车辆识别前，所述方法还包括对目标图像进行预处理的步骤。

图7示意性示出了根据本公开实施例的对目标图像进行预处理的方法的流程图。

如图7所示，该实施例的对目标图像进行预处理的方法包括操作S710。

在操作S710，调整目标图像的尺寸，使得调整后的目标图像在经过特征提取网络处理后能够输出目标尺寸的第一特征图像。

在本公开的实施例中，目标图像作为输入图像，其尺寸大小与能够获取的第一特征图像的组数以及尺寸关联。为了使得在经过特征提取网络处理后能够输出目标尺寸的第一特征图像，可以对目标图像的尺寸进行调整。其中，在增加目标图像的尺寸后，能够在将其输入深层残差模块改进的特征提取网络后，输出更多种满足目标尺寸需求的第一特征图像，以完成本公开实施例的车辆识别任务。

在一个具体的示例中，目标图像的尺寸为512×512像素。由此，可以得到9种不同尺寸的第一特征图像，满足汽车、货车、公交车、卡车等不同多种车辆类型和规格的准确识别。

下面结合图8-图9示例性详细说明本公开一个示例的基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果的方法。应理解，下述描述仅是示例性说明，不构成对本公开的具体限制。

在本公开的一个示例中，为了统一融合特征图的尺寸，使特征提取网络能输出更多种尺寸的特征图，满足本示例车辆检测的需要，将原YOLOv3中采用的尺寸为416×416的输入图像的尺寸调整为512×512，作为本公开的示例的目标图像尺寸。上述调整使得本示例所使用的特征提取网络可以输出10种尺寸的特征图(1×1像素，2×2像素，4×4像素，8×8像素，16×16像素，32×32像素，64×64像素，128×128像素，256×256像素，512×512像素)，相较于传统的YOLOv网络能够提取的13×13像素，26×26像素，52×52像素，104×104像素，208×208像素，416×416像素的特征图在车辆识别方面有更优异的表现。其中，最小尺寸为1×1的特征图对应的感受野最大，有利于对大尺寸目标的检测。然而，在本公开的示例中，由于最小的特征图尺寸为1×1，其映射在输入图像上的区域接近整个图像大小，而车辆数据集中没有接近整个图像大小的车辆目标，偏离了实际需要，因此本示例设计的特征提取网络舍弃了1×1卷积层，这对模型最终的检测精度影响很小，同时因为降低了计算复杂度，反而会在一定程度上提升模型的检测速度。

图8示意性示出了本公开的示例的特征提取网络。

如图8所示，目标图像尺寸为512×512，第一个卷积层使用了16个3×3大小的滤波器过滤输入图像，然后将结果输出到下一个卷积层，第二个卷积层使用了32个3×3大小的滤波器，并进行了步长为2的下采样操作，得到的结果输入到第一组残差模块(包含一个残差模块)中。该残差模块类似于YOLOv3中使用的残差模块，其中包含了卷积层、BN层、激活函数Leaky ReLU等结构，并以残差的方式进行连接。经过一个残差模块后得到的特征图尺寸为256×256。接下来，继续分别执行2个、8个、8个、4个、4个、4个、2个残差模块的7组网络，这些残差模块中除了滤波器和输出的特征图尺寸不同之外，其他都是相似的。并且，每组残差模块之前都进行了步长为2的下采样操作，这样就能获取8组不同尺寸的特征图。

图9示意性示出了本公开的示例的车辆识别模型网络结构图。

如图9所示，本公开的示例的车辆识别模型网络结构包含特征提取网络，特征融合网络以及预测层网络。其中，特征提取网络与图8相对应。在图9中，CBL代表卷积块，Res代表残差模块，其后代表该组残差模块包含的残差组件个数。Conv代表卷积层。在本公开的示例中，采用级联融合方式进行融合。作为本公开示例的优化，浅层的特征图感受野太小，对于识别车辆数据集中尺寸规格的车辆没有实际价值。因此，本示例摒弃前3组残差模块输出的3组特征图，只选用后面的6组特征图。各组特征图尺寸分别为64×64、32×32、16×16、8×8、4×4、2×2。这六组特征图尺寸基本能覆盖目标图像中不同尺寸的车辆目标，以全面反映大中小尺寸车辆目标的特征信息，使得特征提取网络能更好的完成特征提取任务，实现对于各种类型和尺寸的车辆的准确分类。在获取来自于本公开示例特征提取网络的6组特征图后，可以实现对于6个不同尺度的特征图的融合，以充分的融合和利用不同层级特征图的特征信息。具体的，对于尺寸为2×2，4×4，8×8，16×16，32×32的特征图，按顺序执行2倍的上采样操作，然后再分别与特征提取网络提取出的尺寸为4×4，8×8，16×16，32×32，64×64的特征图进行特征融合，以获得6组特征图检测分支，其尺寸分别为2×2，4×4，8×8，16×16，32×32，64×64。每一组分支都能利用上下文语义信息独立的执行车辆目标检测任务，且这6组分支共享从特征提取网络提取的特征，以增强网络的表达能力。在预测层网络对该6组新的特征图检测分支进行卷积处理后，可以得到最终的预测特征图像以实现车辆识别。

在车辆识别阶段，将预测特征图像划分为N×N的网格。其中，预测特征图像的尺度不同，N的大小也就不同。在本示例中，可以基于预测特征图像的尺寸划分为2×2网格，4×4网格，8×8网格，16×16网格，32×32网格以及64×64网格。为每个网格配置3个不同的先验目标框。由此，对于每张目标图片，6个特征图将产生16380个先验目标框，多于传统的YOLOv3最多产生的10647个先验目标框。更多的先验目标框可以在一定程度上提升车辆目标的检测效果。最后，利用非极大值抑制方法去除重复或者错误的先验目标框，获得保留正确分类和位置信息的先验目标框作为车辆边界框，并得到最终的车辆识别结果。在本公开的示例中，车辆边界框可以用于标识车辆位置。同时，车辆识别结果还包括车辆类别以及每种车的数量。本公开示例的车辆类别主要包含汽车、货车、公交车、卡车，以统计适用于网点选址预测的车流量数据。

为验证本示例车辆识别模型的有效性，本示例使用航拍车流数据集作为实验的数据集，使用数据集中的4种车辆类别(汽车、货车、公交车、卡车)作为检测目标，以识别速度和平均识别精确度作为评价指标，对比分析两种方法的识别效果。

表1示出了本示例的车辆识别模型与传统YOLOv3识别模型的检测结果对比。

模型	识别速度(fps)	平均识别精确度(mAP(％))
			YOLOv3	47.7	88.67
本示例	44.5	93.47

表1

如表1所示，本公开的示例的车辆识别模型能在保证实时识别的基础上，获得相比传统的YOLOv3网络更快的识别速度和更高的平均识别精确度，从而能更好的预测车流量，为网点选址提供重要参考。

根据本公开的实施例，在获取车辆识别结果后，还可以进一步基于车辆识别结果获取车流量数据。其中，目标图像来自于相同的地理范围。所述地理范围包含q个目标区域，q为大于等于2的整数，所述车辆位置与所述目标区域存在映射关系。由此，可以通过识别目标区域的车辆并获取目标区域的车流量数据，并将不同目标区域的车流量数据进行对比以预测网点选址。

图10示意性示出了根据本公开的实施例的基于车辆识别结果获取车流量数据的方法的流程图。

如图10所示，该实施例的基于车辆识别结果获取车流量数据的方法包括操作S1010～操作S1030。

在操作S1010，统计第i个时点的子图像中第p个目标区域中每类车辆的数量，标记为第一车流数据。

在操作S1020，基于所述m个不同时点的子图像的第一车流数据获取第二车流数据。

在操作S1030，基于预设的算法对所述第二车流数据进行处理，获取所述车流量数据。

根据本公开的实施例，第i个时点是m个时点中的一个元素，第p个目标区域是q个目标区域中的元素。应理解，p满足1≤p≤q，i满足1≤i≤m。由于车辆识别结果中包含可以标记车辆位置的车辆目标框，即车辆位置可以和车辆目标框形成对应射关系。由此，可以获取第i个时点下，子图像中每个目标区域中每类车辆的数量，并将其标记为第一车流数据。进一步，可以获取每个时点下，每个目标区域中每类车辆的数量。将每个时点下的第一车流数据汇总可以得到第二车流数据。对第二车流数据进行处理后可以得到车流量数据。可以理解，所述车流量数据与目标区域存在映射关系。由此，可以获取每个目标区域的车流量，从而可以基于车流量进行网点选址预测。需说明，预设的算法可以为现有技术中的算法，以能够实现车流量数据获取为准，本公开的实施例对此不做特别限制。

在本公开的实施例中，车流量数据至少包含汽车流量数据。在一些具体的实施例中，在利用车流量数据进行网点选址预测时，可以主要筛选汽车流量数据。结合网点营业的目标及需求，车流量越大，尤其是汽车流量越大的区域，应具有较多的潜在网点客户，从而可以为网点选址提供更为重要的参考。

图11示意性示出了根据本公开的实施例的基于所述车流量数据进行网点选址预测的方法的流程图。

如图11所示，该实施例的基于所述车流量数据进行网点选址预测的方法包括操作S1110～操作S1120。

在操作S1110，对q个目标区域对应的车流量数据按照从大到小的顺序进行排序。

在操作S1120，基于排序结果获取网点选址预测结果。

根据本公开的实施例，在获取了全部q个目标区域的车流量数据后，可以对车流量进行排序。车流量大的区域应具有较多的潜在网点客户。可以基于排序结果，将预设数量的排序靠前的目标区域作为潜在的网点选址预测结果。也可以基于业务需求对排序结果进行处理和筛选，以获取最终的网点选址预测结果。

基于上述网点选址预测方法，本公开还提供了一种网点选址预测装置。以下将结合图12对该装置进行详细描述。

图12示意性示出了根据本公开实施例的网点选址预测装置的结构框图。

如图12所示，该实施例的网点选址预测装置800包括获取模块810、识别模块820、第一处理模块830和第二处理模块840。

获取模块810被配置为获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数。

识别模块820被配置为基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到。

第一处理模块830被配置为基于所述车辆识别结果获取车流量数据。

第二处理模块840被配置为基于所述车流量数据进行网点选址预测。

根据本公开的实施例，获取模块810、识别模块820、第一处理模块830和第二处理模块840中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块810、识别模块820、第一处理模块830和第二处理模块840中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块810、识别模块820、第一处理模块830和第二处理模块840中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图13示意性示出了根据本公开实施例的适于实现网点选址预测方法的电子设备的方框图。

如图13所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (18)

1.一种网点选址预测方法，其特征在于，包括：

获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；

基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量；

基于所述车辆识别结果获取车流量数据；以及

基于所述车流量数据进行网点选址预测，

其中，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到。

2.根据权利要求1所述的方法，其中，所述基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果包括：

基于特征提取网络处理所述目标图像，获取第一特征图像，其中，所述第一特征图像包含k组不同目标尺寸的第一子特征图，k为大于等于6的整数；

将所述第一图像特征输入特征融合网络以获取第二特征图像；

将所述第二特征图像输入预测层网络以获取预测特征图像；

基于所述预测特征图像生成先验目标框；以及

基于非极大值抑制算法处理所述先验目标框，获取车辆识别结果。

3.根据权利要求2所述的方法，其中，所述将所述第一特征图像输入特征融合网络以获取第二特征图像包括：

将获取自特征提取网络的第k组第一子特征图，标记为第1组第二子特征图；

将所述第j组第二子特征图执行2倍上采样操作后，与特征提取网络输出的第k-j组第一子特征图采用级联方式融合，获取第s组第二子特征图，其中，j按从小到大的顺序遍历[1，k-1]中的整数值，s满足s＝j+1且s为整数；以及

基于第1～k组第二子特征图获取第二特征图像。

4.根据权利要求2所述的方法，其中，所述特征提取网络包含残差模块以及卷积层，其中，所述残差模块组数为n，n满足k≤n且n为整数，所述卷积层的层数与残差模块组数关联，所述卷积层包含满足目标视野的卷积层。

5.根据权利要求4所述的方法，其中，所述基于特征提取网络处理所述目标图像，获取第一特征图像包括：

将目标图像输入至所述特征提取网络，经卷积层处理后获取第一组输出图像；

基于残差模块处理所述第一组输出图像，获取第二组输出图像；

交替执行述卷积层处理步骤和所述残差模块处理步骤，直至获取第n组输出图像；以及

基于所述第二至第n组输出图像获取第一特征图像。

6.根据权利要求2所述的方法，其中，所述基于特征提取网络处理所述目标图像，获取第一特征图像还包括：

舍弃不满足目标尺寸的输出图像。

7.根据权利要求5所述的方法，其中，所述基于所述第二至第n组输出图像获取第一特征图像还包括：

舍弃第二至第n-k组输出图像，以获取k组不同目标尺寸的第一子特征图。

8.根据权利要求2所述的方法，其中，在进行车辆识别前，所述方法还包括对目标图像进行预处理的步骤，所述预处理包括调整目标图像的尺寸，使得调整后的目标图像在经过特征提取网络处理后能够输出目标尺寸的第一特征图像。

9.根据权利要求2所述的方法，其中，所述第一特征图像包含6组第一子特征图，所述第一子特征图的尺寸分别为64×64、32×32、16×16、8×8、4×4、2×2。

10.根据权利要求8所述的方法，其中，所述目标图像的尺寸为512×512。

11.根据权利要求4所述的方法，其中，所述卷积层不包含1×1的卷积层。

12.根据权利要求1所述的方法，其中，所述地理范围包含q个目标区域，q为大于等于2的整数，所述车辆位置与所述目标区域存在映射关系，所述基于所述车辆识别结果获取车流量数据还包括：

统计第i个时点的子图像中第p个目标区域中每类车辆的数量，标记为第一车流数据，其中，p满足1≤p≤q，i满足1≤i≤m；

基于所述m个不同时点的子图像的第一车流数据获取第二车流数据，其中，所述第二车流数据包含每个时点的子图像的第一车流数据；

基于预设的算法对所述第二车流数据进行处理，获取所述车流量数据，其中，所述车流量数据与目标区域存在映射关系。

13.根据权利要求12所述的方法，其中，所述车流量数据至少包含汽车流量数据。

14.根据权利要求12所述的方法，其中，所述基于所述车流量数据进行网点选址预测包括：

对q个目标区域对应的车流量数据按照从大到小的顺序进行排序；

基于排序结果获取网点选址预测结果。

15.一种网点选址预测装置，包括：

获取模块，配置为获取含有待识别车辆的目标图像，其中，所述目标图像包含对应于相同地理范围的m个不同时点的子图像，其中，m为大于等于2的整数；

识别模块，配置为基于预训练得到的车辆识别模型对所述目标图像进行车辆识别，获得车辆识别结果，其中，所述车辆识别结果包含对应于每个子图像的车辆位置、车辆类别以及每种车辆数量，所述车辆识别模型基于深度残差模块改进的YOLOv3网络训练得到；

第一处理模块，配置为基于所述车辆识别结果获取车流量数据；

第二处理模块，配置为基于所述车流量数据进行网点选址预测。

16.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～14中任一项所述的方法。

17.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～14中任一项所述的方法。

18.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～14中任一项所述的方法。

Images