CN115309925A - 基于人工智能的车辆搜索方法、装置以及电子设备 - Google Patents
基于人工智能的车辆搜索方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN115309925A CN115309925A CN202210964769.XA CN202210964769A CN115309925A CN 115309925 A CN115309925 A CN 115309925A CN 202210964769 A CN202210964769 A CN 202210964769A CN 115309925 A CN115309925 A CN 115309925A
- Authority
- CN
- China
- Prior art keywords
- picture
- searched
- vehicle
- recall result
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于人工智能的车辆搜索方法、装置以及电子设备,涉及人工智能技术领域,具体涉及自然语言处理、智能交通、计算机视觉、智能搜索、深度学习、图像识别、视频分析技术领域,可应用在智慧城市、城市治理、公安应急场景下。具体实现方案为:通过确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,确定待搜索车辆图片的图片搜索结果,从而扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自然语言处理、智能交通、计算机视觉、智能搜索、深度学习、图像识别、视频分析技术领域,尤其涉及一种基于人工智能的车辆搜索方法、装置以及电子设备,可应用在智慧城市、城市治理、公安应急场景下。
背景技术
目前,相关技术中的车辆搜索方法,主要基于车辆图片,从车辆图片抓拍库中搜索相关车辆图片,方便后续处理。上述方案中,基于车辆图片进行搜索时,存在大量高度相似的不同车辆,搜索效果差。
发明内容
本公开提供了一种基于人工智能的车辆搜索方法、装置以及电子设备。
根据本公开的一方面,提供了一种基于人工智能的车辆搜索方法,所述方法包括:确定待搜索车辆图片的车牌信息以及特征向量;确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果;根据所述第一召回结果和所述第二召回结果,确定图片召回结果;根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果。
根据本公开的另一方面,提供了一种基于人工智能的车辆搜索装置,所述装置包括:第一确定模块,用于确定待搜索车辆图片的车牌信息以及特征向量;第二确定模块,用于确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果;第三确定模块,用于根据所述第一召回结果和所述第二召回结果,确定图片召回结果;第四确定模块,用于根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果。
根据本公开的另一方面,提供了一种电子设备,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本公开上述提出的基于人工智能的车辆搜索方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开上述提出的基于人工智能的车辆搜索方法。
根据本公开的另一方面,提供了一种计算机程序程序,包括计算机程序,所述计算机程序被处理器执行时实现本公开上述提出的基于人工智能的车辆搜索方法的步骤。
上述公开中的一个实施例具有如下优点或有益效果:
确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到车辆图片的搜索结果,提高搜索效率和搜索准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开实施例的一种基于人工智能的车辆搜索方法的流程图;
图5是用来实现本公开实施例的基于人工智能的车辆搜索方法的应用示意图;
图6是根据本公开第四实施例的示意图;
图7是用来实现本公开实施例的基于人工智能的车辆搜索方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,相关技术中的车辆搜索方法,主要基于车辆图片,从车辆图片抓拍库中搜索相关车辆图片,方便后续处理。上述方案中,基于车辆图片进行搜索时,存在大量高度相似的不同车辆,搜索效果差。
为此,本公开通过确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到待搜索车辆图片的图片搜索结果,从而扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
下面参考附图描述本公开实施例的基于人工智能的车辆搜索方法、装置以及电子设备。
图1是根据本公开第一实施例的示意图,需要说明的是,本公开实施例的基于人工智能的车辆搜索方法可应用于基于人工智能的车辆搜索装置,该装置可被配置于电子设备中,以使该电子设备可以执行基于人工智能的车辆搜索功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。以下以执行主体为电子设备为例进行说明。
如图1所示,该基于人工智能的车辆搜索方法可以包括如下步骤:
步骤101,确定待搜索车辆图片的车牌信息以及特征向量。
在本公开实施例中,电子设备确定待搜索车辆图片的车牌信息的过程例如可以为,将待搜索车辆图片输入车牌信息提取模型,获取车牌信息提取模型输出的车牌信息。又例如,确定待搜索车辆图片中的车牌区域,对车牌区域进行光学字符识别(opticalcharacter recognition,OCR),获取识别结果,其中,识别结果中包括车牌信息。
在本公开实施例中,电子设备确定待搜索车辆图片的特征向量的过程例如可以为,将待搜索车辆图片输入特征向量提取模型,获取特征向量提取模型输出的特征向量。其中,特征向量提取模型例如,深度神经网络等。
步骤102,确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果。
在本公开实施例中,电子设备执行步骤102的过程例如可以为,基于特征向量查询图片数据库,获取图片数据库中的第二候选车辆图片;其中,第二候选图片的特征向量与待搜索车辆图片的特征向量之间的相似度大于或者等于第二相似度阈值;根据第二候选车辆图片,确定第一召回结果;基于车牌信息查询图片数据库,获取图片数据库中的第三候选车辆图片;其中,第三候选车辆图片的车牌信息与待搜索图片的车牌信息之间的编辑距离小于或者等于第一距离阈值;根据第三候选车辆图片,确定第二召回结果,从而提高第一召回结果和第二召回结果的准确度。
其中,电子设备确定第一召回结果的过程例如可以为,根据相似度对第二候选车辆图片进行降序排序,得到排序结果;将排序结果中排序在前的一定数量的第二候选车辆图片,作为第一召回结果。
其中,电子设备确定第二召回结果的过程例如可以为,根据编辑距离对第三候选车辆图片进行降序排序,得到排序结果;将排序结果中排序在前的一定数量的第三候选车辆图片,作为第二召回结果。
其中,第二相似度阈值、第一距离阈值、第一召回结果中第二候选车辆图片的数量、第二召回结果中第三候选车辆图片的数量,可以根据搜索需求预先设置等,不做具体限定。
步骤103,根据第一召回结果和第二召回结果,确定图片召回结果。
在本公开实施例中,电子设备执行步骤103的过程例如可以为,对第一召回结果和第二召回结果进行合并以及去重处理,得到图片召回结果。
步骤104,根据图片召回结果,确定待搜索车辆图片的图片搜索结果。
在本公开实施例中,电子设备执行步骤104的过程例如可以为,针对图片召回结果中的每个候选车辆图片,确定候选车辆图片与待搜索车辆图片之间的打分分值;根据打分分值对图片召回结果中的候选车辆图片进行降序排序,得到排序结果;根据排序结果中排序在前的预设数量个候选车辆图片,生成图片搜索结果,由此,根据每个候选车辆图片的打分分值进行排序,可以使得结果具有更高的准确率。其中,预设数量,可以根据搜索需求预先设置等,不做具体限定。
在示例性实施例中,针对图片召回结果中的每个候选车辆图片,电子设备确定候选车辆图片与待搜索车辆图片之间的打分分值的过程可以为:针对图片召回结果中的每个候选车辆图片,确定候选车辆图片的车辆类型以及人脸特征向量;确定待搜索车辆图片的车辆类型以及人脸特征向量;确定候选车辆图片的车辆类型与待搜索车辆图片的车辆类型之间的类型相似度;确定候选车辆图片的人脸特征向量与待搜索车辆图片的人脸特征向量之间的人脸特征相似度;对待搜索车辆图片的特征向量与候选车辆图片的特征向量之间的相似度、类型相似度以及人脸特征相似度进行加权求和,得到打分分值。
其中,车辆类型例如,轿车、载货汽车、客车、挂车、非完整车辆、摩托车等,可以根据实际需要进行设定。其中,电子设备确定人脸特征向量的过程例如可以为,确定待搜索车辆图片中的人脸区域;对人脸区域进行特征提取处理,获取人脸区域的特征向量;将人脸区域的特征向量,作为待搜索车辆图片的人脸特征向量。
其中,电子设备对待搜索车辆图片的特征向量与候选车辆图片的特征向量之间的相似度、类型相似度以及人脸特征相似度进行加权求和,得到打分分值的过程例如可以为,根据待搜索车辆图片的特征向量、人脸特征向量以及车辆类型,结合注意力机制模型,确定特征向量的权重、人脸特征向量的权重以及车辆类型的权重;结合权重对上述3个相似度进行加权求和,得到打分分值,从而能够结合多种相似度以及权重来确定打分分值,提高打分分值的准确度,进而提高图片搜索结果的准确度。
在本公开实施例中,为了进一步提高搜索结果的准确度,可以针对待搜索车辆图片,设置负样本列表,其中,负样本列表中包括多个负样本车辆图片,其中,负样本车辆图片不能包含在待搜索车辆图片的图片搜索结果中。对应的,针对图片搜索结果中的每个候选车辆图片,若该候选车辆图片与负样本列表中所有负样本车辆图片之间的打分分值均大于或者等于一定分值阈值,则去除图片搜索结果中的该候选车辆图片;或者,若该候选车辆图片与负样本列表中某个或者部分负样本车辆图片之间的打分分值大于或者等于一定分值阈值,则去除图片搜索结果中的该候选车辆图片。
本公开实施例的基于人工智能的车辆搜索方法,通过确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到待搜索车辆图片的图片搜索结果,从而能够扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
为了进一步提高待搜索车辆图片的车牌信息的准确度,在未提取到车牌信息时,可以结合第一召回结果中候选车辆图片的车牌信息,确定待搜索车辆图片的车牌信息。如图2所示,图2是根据本公开第二实施例的示意图。图2所示实施例可以包括以下步骤:
步骤201,对待搜索车辆图片进行向量提取处理,获取特征向量。
在本公开实施例中,电子设备可以将待搜索车辆图片输入特征向量提取模型,获取特征向量提取模型输出的特征向量。其中,特征向量提取模型例如,深度神经网络等。
步骤202,对待搜索车辆图片进行车牌信息提取,获取车牌信息。
在本公开实施例中,一种示例中,电子设备可以将待搜索车辆图片输入车牌信息提取模型,获取车牌信息提取模型输出的车牌信息。另一种示例中,电子设备可以确定待搜索车辆图片中的车牌区域,对车牌区域进行OCR识别,获取识别结果,其中,识别结果中包括车牌信息。
步骤203,在进行车牌信息提取未获取到车牌信息时,根据第一召回结果中候选车辆图片的车牌信息,确定待搜索车辆图片的车牌信息。
在本公开实施例中,电子设备执行步骤203的过程例如可以为,从第一召回结果中选择第一候选车辆图片,其中,第一候选车辆图片的特征向量与待搜索车辆图片的特征向量之间的相似度大于或者等于第一相似度阈值;根据多个第一候选车辆图片的车牌信息,确定每个车牌信息对应的图片数量;在图片数量中存在第一图片数量时,将第一图片数量对应的车牌信息作为待搜索车辆图片的车牌信息,其中,第一图片数量为多个图片数量中的最大值,且第一图片数量与多个图片数量中其他图片数量的最小差值大于或者等于预设差值阈值。
其中,第一图片数量与多个图片数量中其他图片数量的最小差值大于或者等于预设差值阈值,可以有两种情况,一种是第一候选车辆图片的车牌信息均相同。另一种是第一候选车辆图片的车牌信息中,具有第一车牌信息的图片最多,具有其他车牌信息的图片很少。第一车牌信息,即,第一图片数量对应的车牌信息。
其中,在图片数量中存在第一图片数量时,将第一图片数量对应的车牌信息作为待搜索车辆图片的车牌信息,可以在确定待搜索车辆图片的车牌信息的情况下,进一步提高确定得到的车牌信息的准确度。
步骤204,确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果。
步骤205,根据第一召回结果和第二召回结果,确定图片召回结果。
步骤206,根据图片召回结果,确定待搜索车辆图片的图片搜索结果。
其中,需要说明的是,步骤204、205和206的详细说明,可以参考本公开中其他实施例中的说明,此处不再进行详细介绍。
综上,本公开实施例的基于人工智能的车辆搜索方法,通过对待搜索车辆图片进行向量提取处理,获取特征向量;对待搜索车辆图片进行车牌信息提取,获取车牌信息;在进行车牌信息提取未获取到车牌信息时,根据第一召回结果中候选车辆图片的车牌信息,确定待搜索车辆图片的车牌信息;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到待搜索车辆图片的图片搜索结果,从而扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
为了进一步提高确定得到的图片召回结果的准确度,扩展图片召回结果中的图片数量,可以从待搜索车辆图片的召回结果中选择待搜索候选车辆图片,进而进行搜索,获取待搜索候选车辆图片的召回结果,合并两个召回结果,进而确定待搜索图片的图片召回结果。如图3所示,图3是根据本公开第三实施例的示意图。图3所示实施例可以包括以下步骤:
步骤301,确定待搜索车辆图片的车牌信息以及特征向量。
步骤302,确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果。
步骤303,对第一召回结果和第二召回结果进行合并去重处理,得到待搜索车辆图片的召回结果。
步骤304,从待搜索车辆图片的召回结果中选择待搜索候选车辆图片。
在本公开实施例中,电子设备可以从待搜索车辆图片的召回结果中选择第四候选车辆图片,其中,第四候选车辆图片的车牌信息与待搜索车辆图片的车牌信息之间的编辑距离小于或者等于第二距离阈值,且第四候选车辆图片的特征向量与待搜索车辆图片的特征向量之间的相似度大于或者等于第三相似度阈值;从第四候选车辆图片中选择待搜索候选车辆图片,从而保证了候选车辆图片的准确性。
其中,需要说明的是,为了进一步提高选择得到的待搜索候选车辆图片的准确度,一种示例中,可以从第四候选车辆图片中,获取与待搜索车辆图片位于相同拍摄时间段内的多个候选车辆图片,从该多个候选车辆图片中选择待搜索候选车辆图片。其中,在相同拍摄时间段内,可以对相同车辆进行多次拍摄,得到相同车辆的多个车辆图片。因此,从位于相同拍摄时间段内的多个候选车辆图片中选择得到的待搜索候选车辆图片,有很大的概率为,对待搜索车辆图片对应的车辆进行再次拍摄得到的车辆图片。
另一种示例中,对第四候选车辆图片中同天同小时的图片分为一个采样区间并计算每一个采样区间的图片个数,从每个采样区间中选择相似度最大的车辆图片,直至数量达到预设数量个,将选择得到的预设数量个车辆图片作为待搜索候选车辆图片。
在本公开实施例中,在未选择到第四候选车辆图片时,电子设备可以从待搜索车辆图片的召回结果中选择第五候选车辆图片,其中,第五候选车辆图片的特征向量与待搜索车辆图片的特征向量之间的相似度大于或者等于第三相似度阈值;从第五候选车辆图片中选择待搜索候选车辆图片,从而保证了候选车辆图片的准确性。
其中,需要说明的是,待搜索候选车辆图片的数量可以为一个或者多个。另外,针对待搜索车辆图片,在设置有正样本列表的情况下,可以将正样本列表中的车辆图片,作为待搜索候选车辆图片。
步骤305,获取待搜索候选车辆图片的召回结果。
步骤306,根据待搜索车辆图片的召回结果以及待搜索候选车辆图片的召回结果,确定图片召回结果。
在本公开实施例中,电子设备执行步骤306的过程例如可以为,对待搜索车辆图片的召回结果以及待搜索候选车辆图片的召回结果进行合并去重处理,得到处理后召回结果;对处理后召回结果中的第六候选车辆图片进行去除处理,得到图片召回结果;其中,第六候选车辆图片的车牌信息与待搜索车辆图片的车牌信息之间的编辑距离大于或者等于第三距离阈值。由此,增大了图片召回结果中的图片数量。
步骤307,根据图片召回结果,确定待搜索车辆图片的图片搜索结果。
其中,需要说明的是,步骤301、302和307的详细说明,可以参考本公开中其他实施例中的说明,此处不再进行详细介绍。
本公开实施例的基于人工智能的车辆搜索方法,通过确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;对第一召回结果和第二召回结果进行合并去重处理,得到待搜索车辆图片的召回结果;从待搜索车辆图片的召回结果中选择待搜索候选车辆图片;获取待搜索候选车辆图片的召回结果;根据待搜索车辆图片的召回结果以及待搜索候选车辆图片的召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到待搜索车辆图片的图片搜索结果,从而扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
举例说明,图4是根据本公开实施例的一种基于人工智能的车辆搜索方法的流程图,如图4所示:首先输入待搜索车辆图片query,然后基于待搜索车辆图片query进行第一次召回,如果query为机动车辆,可以将基于特征向量的第一召回结果和车牌信息的第二召回结果合并以及去重之后作为第一次召回结果;从第一次召回结果中选择待搜索候选车辆图片,作为处理后的召回结果;将待搜索候选车辆图片的基于特征向量的第一召回结果和车牌信息的第二召回结果进行合并去重之后作为第二次召回结果;将第一次召回结果和第二次召回结果合并以及去重之后作为图片召回结果,并对图片召回结果中每一个候选车辆图片与待搜索车辆图片进行图图判别打分;在存在负样本列表时,对负样本列表中的负样本车辆图片与候选车辆图片进行图图判别打分,并去除图片召回结果中该打分较低的候选车辆图片;将图片召回结果中的候选车辆图片按照打分由高到低进行排序,选择排序在前的预设数量个候选车辆图片,这些预设数量个候选车辆图片即为待搜索车辆图片的图片搜索结果。
举例而言,图5是用来实现本公开实施例的基于人工智能的车辆搜索方法的应用示意图,在图5中包括:图片数据库501、数据分析模块(Data Analysis,DA)502、基础搜索模块(Basic Search,BS)503、存取控制模块(Access Control,AC)504。
其中,图片数据库501用于储存大量车辆图片以及车辆图片的车牌信息和特征向量;DA502用于解析待搜索车辆图片以及确定待搜索车辆图片的正样本列表和负样本列表;AC504包括中控5041和策略算子,中控用于从DA502获取待搜索车辆图片、正样本列表和负样本列表;中控调用策略算子获取待搜索车辆图片的车牌信息以及特征向量;调用BS模块进行以下处理:基于待搜索车辆图片的车牌信息以及特征向量,获取图片召回结果、对图片召回结果中的候选车辆图片进行排序、过滤图片召回结果中的部分候选车辆图片等操作。
为了实现上述实施例,本公开还提出一种基于人工智能的车辆搜索装置。
如图6所示,图6是根据本公开第四实施例的示意图,该基于人工智能的车辆搜索装置600包括:第一确定模块610、第二确定模块620、第三确定模块630和第四确定模块640。
其中,第一确定模块610,用于确定待搜索车辆图片的车牌信息以及特征向量。
第二确定模块620,用于确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果。
第三确定模块630,用于根据所述第一召回结果和所述第二召回结果,确定图片召回结果。
第四确定模块640,用于根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果。
作为本公开实施例的一种可能实现方式,所述第一确定模块610,具体用于,对所述待搜索车辆图片进行向量提取处理,获取所述特征向量;对所述待搜索车辆图片进行车牌信息提取,获取所述车牌信息;在进行车牌信息提取未获取到所述车牌信息时,根据所述第一召回结果中候选车辆图片的车牌信息,确定所述待搜索车辆图片的车牌信息。
作为本公开实施例的一种可能实现方式,所述第一确定模块610,具体用于,从所述第一召回结果中选择第一候选车辆图片,其中,所述第一候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第一相似度阈值;根据多个所述第一候选车辆图片的车牌信息,确定每个所述车牌信息对应的图片数量;在所述图片数量中存在第一图片数量时,将所述第一图片数量对应的车牌信息作为所述待搜索车辆图片的车牌信息,其中,所述第一图片数量为多个所述图片数量中的最大值,且所述第一图片数量与多个所述图片数量中其他图片数量的最小差值大于或者等于预设差值阈值。
作为本公开实施例的一种可能实现方式,所述第二确定模块620,具体用于,基于所述特征向量查询图片数据库,获取所述图片数据库中的第二候选车辆图片;其中,所述第二候选图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第二相似度阈值;根据所述第二候选车辆图片,确定所述第一召回结果;基于所述车牌信息查询所述图片数据库,获取所述图片数据库中的第三候选车辆图片;其中,所述第三候选车辆图片的车牌信息与所述待搜索图片的车牌信息之间的编辑距离小于或者等于第一距离阈值;根据所述第三候选车辆图片,确定所述第二召回结果。
作为本公开实施例的一种可能实现方式,所述第三确定模块630,包括:处理单元、选择单元、获取单元和确定单元;所述处理单元,用于对所述第一召回结果和所述第二召回结果进行合并去重处理,得到所述待搜索车辆图片的召回结果;所述选择单元,用于从所述待搜索车辆图片的召回结果中选择待搜索候选车辆图片;所述获取单元,用于获取所述待搜索候选车辆图片的召回结果;所述确定单元,用于根据所述待搜索车辆图片的召回结果以及所述待搜索候选车辆图片的召回结果,确定图片召回结果。
作为本公开实施例的一种可能实现方式,所述选择单元,具体用于,从所述待搜索车辆图片的召回结果中选择第四候选车辆图片,其中,所述第四候选车辆图片的车牌信息与所述待搜索车辆图片的车牌信息之间的编辑距离小于或者等于第二距离阈值,且所述第四候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第三相似度阈值;从所述第四候选车辆图片中选择所述待搜索候选车辆图片。
作为本公开实施例的一种可能实现方式,所述选择单元,还用于,在未选择到所述第四候选车辆图片时,从所述待搜索车辆图片的召回结果中选择第五候选车辆图片,其中,所述第五候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于所述第三相似度阈值;从所述第五候选车辆图片中选择所述待搜索候选车辆图片。
作为本公开实施例的一种可能实现方式,所述确定单元,具体用于,对所述待搜索车辆图片的召回结果以及所述待搜索候选车辆图片的召回结果进行合并去重处理,得到处理后召回结果;对所述处理后召回结果中的第六候选车辆图片进行去除处理,得到所述图片召回结果;其中,所述第六候选车辆图片的车牌信息与所述待搜索车辆图片的车牌信息之间的编辑距离大于或者等于第三距离阈值。
作为本公开实施例的一种可能实现方式,所述第四确定模块640,具体用于,针对所述图片召回结果中的每个候选车辆图片,确定所述候选车辆图片与所述待搜索车辆图片之间的打分分值;根据所述打分分值对所述图片召回结果中的候选车辆图片进行降序排序,得到排序结果;根据所述排序结果中排序在前的预设数量个候选车辆图片,生成所述图片搜索结果。
作为本公开实施例的一种可能实现方式,所述第四确定模块640,具体用于,针对所述图片召回结果中的每个候选车辆图片,确定所述候选车辆图片的车辆类型以及人脸特征向量;确定所述待搜索车辆图片的车辆类型以及人脸特征向量;确定所述候选车辆图片的车辆类型与所述待搜索车辆图片的车辆类型之间的类型相似度;确定所述候选车辆图片的人脸特征向量与所述待搜索车辆图片的人脸特征向量之间的人脸特征相似度;对所述待搜索车辆图片的特征向量与所述候选车辆图片的特征向量之间的相似度、所述类型相似度以及所述人脸特征相似度进行加权求和,得到所述打分分值。
其中,需要说明的是,上述对基于人工智能的车辆搜索方法的解释说明也适用于本实施例中的基于人工智能的车辆搜索装置,该实施例对此不再赘述。
本公开实施例的基于人工智能的车辆搜索装置,通过确定待搜索车辆图片的车牌信息以及特征向量;确定基于特征向量的第一召回结果以及基于车牌信息的第二召回结果;根据第一召回结果和第二召回结果,确定图片召回结果;根据图片召回结果,确定待搜索车辆图片的图片搜索结果。由此,通过结合待搜索车辆图片的车牌信息以及特征向量,对基于车牌信息的第二召回结果和基于特征向量的第一召回结果进行融合去重,得到待搜索车辆图片的图片搜索结果,从而扩展图片搜索结果中的图片数量,且提高搜索效率和搜索准确度。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如基于人工智能的车辆搜索方法。例如,在一些实施例中,基于人工智能的车辆搜索方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的基于人工智能的车辆搜索方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于人工智能的车辆搜索方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种基于人工智能的车辆搜索方法,包括:
确定待搜索车辆图片的车牌信息以及特征向量;
确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果;
根据所述第一召回结果和所述第二召回结果,确定图片召回结果;
根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果。
2.根据权利要求1所述的方法,其中,所述确定待搜索车辆图片的车牌信息以及特征向量,包括:
对所述待搜索车辆图片进行向量提取处理,获取所述特征向量;
对所述待搜索车辆图片进行车牌信息提取,获取所述车牌信息;
在进行车牌信息提取未获取到所述车牌信息时,根据所述第一召回结果中候选车辆图片的车牌信息,确定所述待搜索车辆图片的车牌信息。
3.根据权利要求2所述的方法,其中,所述根据所述第一召回结果中候选车辆图片的车牌信息,确定所述待搜索车辆图片的车牌信息,包括:
从所述第一召回结果中选择第一候选车辆图片,其中,所述第一候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第一相似度阈值;
根据多个所述第一候选车辆图片的车牌信息,确定每个所述车牌信息对应的图片数量;
在所述图片数量中存在第一图片数量时,将所述第一图片数量对应的车牌信息作为所述待搜索车辆图片的车牌信息,其中,所述第一图片数量为多个所述图片数量中的最大值,且所述第一图片数量与多个所述图片数量中其他图片数量的最小差值大于或者等于预设差值阈值。
4.根据权利要求1所述的方法,其中,所述确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果,包括:
基于所述特征向量查询图片数据库,获取所述图片数据库中的第二候选车辆图片;其中,所述第二候选图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第二相似度阈值;
根据所述第二候选车辆图片,确定所述第一召回结果;
基于所述车牌信息查询所述图片数据库,获取所述图片数据库中的第三候选车辆图片;其中,所述第三候选车辆图片的车牌信息与所述待搜索图片的车牌信息之间的编辑距离小于或者等于第一距离阈值;
根据所述第三候选车辆图片,确定所述第二召回结果。
5.根据权利要求1所述的方法,其中,所述根据所述第一召回结果和所述第二召回结果,确定图片召回结果,包括:
对所述第一召回结果和所述第二召回结果进行合并去重处理,得到所述待搜索车辆图片的召回结果;
从所述待搜索车辆图片的召回结果中选择待搜索候选车辆图片;
获取所述待搜索候选车辆图片的召回结果;
根据所述待搜索车辆图片的召回结果以及所述待搜索候选车辆图片的召回结果,确定图片召回结果。
6.根据权利要求5所述的方法,其中,所述从所述待搜索车辆图片的召回结果中选择待搜索候选车辆图片,包括:
从所述待搜索车辆图片的召回结果中选择第四候选车辆图片,其中,所述第四候选车辆图片的车牌信息与所述待搜索车辆图片的车牌信息之间的编辑距离小于或者等于第二距离阈值,且所述第四候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于第三相似度阈值;
从所述第四候选车辆图片中选择所述待搜索候选车辆图片。
7.根据权利要求6所述的方法,其中,所述从所述待搜索车辆图片的召回结果中选择待搜索候选车辆图片,还包括:
在未选择到所述第四候选车辆图片时,从所述待搜索车辆图片的召回结果中选择第五候选车辆图片,其中,所述第五候选车辆图片的特征向量与所述待搜索车辆图片的特征向量之间的相似度大于或者等于所述第三相似度阈值;
从所述第五候选车辆图片中选择所述待搜索候选车辆图片。
8.根据权利要求5所述的方法,其中,所述根据所述待搜索车辆图片的召回结果以及所述待搜索候选车辆图片的召回结果,确定图片召回结果,包括:
对所述待搜索车辆图片的召回结果以及所述待搜索候选车辆图片的召回结果进行合并去重处理,得到处理后召回结果;
对所述处理后召回结果中的第六候选车辆图片进行去除处理,得到所述图片召回结果;其中,所述第六候选车辆图片的车牌信息与所述待搜索车辆图片的车牌信息之间的编辑距离大于或者等于第三距离阈值。
9.根据权利要求1所述的方法,其中,所述根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果,包括:
针对所述图片召回结果中的每个候选车辆图片,确定所述候选车辆图片与所述待搜索车辆图片之间的打分分值;
根据所述打分分值对所述图片召回结果中的候选车辆图片进行降序排序,得到排序结果;
根据所述排序结果中排序在前的预设数量个候选车辆图片,生成所述图片搜索结果。
10.根据权利要求9所述的方法,其中,所述针对所述图片召回结果中的每个候选车辆图片,确定所述候选车辆图片与所述待搜索车辆图片之间的打分分值,包括:
针对所述图片召回结果中的每个候选车辆图片,确定所述候选车辆图片的车辆类型以及人脸特征向量;
确定所述待搜索车辆图片的车辆类型以及人脸特征向量;
确定所述候选车辆图片的车辆类型与所述待搜索车辆图片的车辆类型之间的类型相似度;
确定所述候选车辆图片的人脸特征向量与所述待搜索车辆图片的人脸特征向量之间的人脸特征相似度;
对所述待搜索车辆图片的特征向量与所述候选车辆图片的特征向量之间的相似度、所述类型相似度以及所述人脸特征相似度进行加权求和,得到所述打分分值。
11.一种基于人工智能的车辆搜索装置,包括:
第一确定模块,用于确定待搜索车辆图片的车牌信息以及特征向量;
第二确定模块,用于确定基于所述特征向量的第一召回结果以及基于所述车牌信息的第二召回结果;
第三确定模块,用于根据所述第一召回结果和所述第二召回结果,确定图片召回结果;
第四确定模块,用于根据所述图片召回结果,确定所述待搜索车辆图片的图片搜索结果。
12.一种电子设备,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权利要求1-10中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964769.XA CN115309925A (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的车辆搜索方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964769.XA CN115309925A (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的车辆搜索方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115309925A true CN115309925A (zh) | 2022-11-08 |
Family
ID=83862738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964769.XA Pending CN115309925A (zh) | 2022-08-11 | 2022-08-11 | 基于人工智能的车辆搜索方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309925A (zh) |
-
2022
- 2022-08-11 CN CN202210964769.XA patent/CN115309925A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
CN111538903B (zh) | 搜索推荐词确定方法、装置、电子设备及计算机可读介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN114741544B (zh) | 图像检索方法、检索库构建方法、装置、电子设备及介质 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN114880505A (zh) | 图像检索方法、装置及计算机程序产品 | |
US20230096921A1 (en) | Image recognition method and apparatus, electronic device and readable storage medium | |
CN113032584A (zh) | 一种实体关联方法、装置、电子设备及存储介质 | |
CN113722600A (zh) | 应用于大数据的数据查询方法、装置、设备及产品 | |
CN116246287B (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN116662633A (zh) | 搜索方法、模型训练方法、装置、电子设备及存储介质 | |
CN115309925A (zh) | 基于人工智能的车辆搜索方法、装置以及电子设备 | |
CN112860626B (zh) | 一种文档排序方法、装置及电子设备 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114417029A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN113920306A (zh) | 目标再识别方法、装置及电子设备 | |
CN113344121A (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN114639143B (zh) | 基于人工智能的人像归档方法、设备及存储介质 | |
CN114861062B (zh) | 信息过滤方法和装置 | |
CN115168537B (zh) | 语义检索模型的训练方法、装置、电子设备及存储介质 | |
EP4123999A2 (en) | Method and apparatus for pushing a resource, and storage medium | |
CN113656393B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN116166783A (zh) | 生成相似问题的方法、装置及存储介质 |
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 |