CN109766819A - 车辆身份识别方法及装置 - Google Patents
车辆身份识别方法及装置 Download PDFInfo
- Publication number
- CN109766819A CN109766819A CN201910008768.6A CN201910008768A CN109766819A CN 109766819 A CN109766819 A CN 109766819A CN 201910008768 A CN201910008768 A CN 201910008768A CN 109766819 A CN109766819 A CN 109766819A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- vehicle location
- image
- training
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆身份识别方法及识别装置,所述方法包括:获取待识别车辆的原始图像;根据车辆位置识别模型,从所述原始图像中获取车辆位置;根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;所述车辆身份信息包括车辆品牌,车辆位置识别模型基于深度神经网络。本发明实施例的车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用GPU进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
Description
技术领域
本发明涉及交通领域。更具体地说,本发明涉及一种车辆身份识别方法及装置。
背景技术
车辆身份识别对于交通安全问题具有重要意义,而车辆品牌是车辆身份的一个重要组成部分,对肇事车辆排查、***自动检测具有极其重要的作用。
车辆品牌识别可以包括图像中的车辆定位及品牌识别,车辆定位即从背景中识别出车辆。现有的车辆品牌高达几百种,部分品牌之间差异较小,而现有的车辆品牌识别方式容易产生识别错误。
发明内容
本发明的目的是提供一种车辆身份识别方法,提高了车辆身份识别的精确度。
为了实现根据本发明的这些目的和其它优点,提供了以下技术方案:
第一方面,提供了一种车辆身份识别方法,所述方法包括:
获取待识别车辆的原始图像;
根据车辆位置识别模型,从所述原始图像中获取车辆位置;
根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
可选的,所述根据车辆位置识别模型,从原始图像中获取车辆位置之前,所述方法还包括:
构建基于深度神经网络的yolov2模型或yolov3模型;
对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
可选的,所述对yolov2模型或yolov3模型进行训练,包括:
获得多幅第一图像;
从多幅所述第一图像中,筛选出包含汽车图像的第二图像;
将多幅所述第二图像变换为统一预设尺寸的多幅第三图像;
根据多幅所述第三图像,扩充训练集,所述训练集中的多幅图像为训练图像;
通过卷积法,对所述训练图像进行特征提取,获得所述训练图像中的汽车位置;
设置训练参数,包括初始学习率,初始学习率调整参数,动量系数,正则因子;
根据训练参数,采用多幅所述训练图像中的汽车位置对yolov2模型进行训练,获得所述车辆位置识别模型。
可选的,所述根据车辆位置及品牌识别模型,获取所述车辆的身份信息,包括:
根据所述车辆位置,获取待识别车辆的整体图像;
按照颜色,对所述待识别车辆分类;
对分类后的待识别车辆的整体图像,采用AlexNet网络提取车标;
根据车标,识别所述车辆品牌。
可选的,所述根据第三图像,扩充训练集,包括:
采用随机裁剪、随机翻转、颜色变换的方法扩充训练集。
可选的,所述采用随机裁剪的方法扩充训练集,包括:
设置随机裁剪的比例因子。
可选的,所述采用随机翻转的方法扩充训练集,包括:
设置水平翻转的概率。
可选的,所述采用颜色变换的方法扩充训练集,包括:
设置各个颜色通道的随机变化率。
第二方面,提供了一种车辆身份识别装置,所述装置包括:
原始图像获取单元,用于获取待识别车辆的原始图像;
车辆位置获取单元,用于根据车辆位置识别模型,从所述原始图像中获取车辆位置;
身份信息获取单元,用于根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
可选的,所述车辆位置获取单元包括:
模型构建子单元,用于构建基于深度神经网络的yolov2模型或yolov3模型;
训练子单元,用于对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
本发明至少包括以下有益效果:
本发明实施例公开了一种车辆身份识别方法及识别装置,所述方法包括:获取待识别车辆的原始图像;根据车辆位置识别模型,从所述原始图像中获取车辆位置;根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;所述车辆身份信息包括车辆品牌,车辆位置识别模型基于深度神经网络。本发明实施例的车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用GPU进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1是根据本发明一个实施例的车辆身份识别方法的流程图;
图2是根据本发明一个实施例的车辆身份识别方法中的汽车图像示意图;
图3所示为本发明实施例的车辆身份识别装置的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得;在本发明的描述中,术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
图1所示为本发明实施例的车辆身份识别方法的流程图,如图1所示,所述车辆身份识别方法包括:
步骤110,获取待识别车辆的原始图像;
步骤120,根据车辆位置识别模型,从所述原始图像中获取车辆位置;
步骤130,根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
本发明实施例中,步骤120之前,即所述根据车辆位置识别模型,从原始图像中获取车辆位置之前,所述方法还包括:
构建基于深度神经网络的yolov2模型或yolov3模型;
对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
本发明实施例中,所述对yolov2模型或yolov3模型进行训练,包括:
获得多幅第一图像;
从多幅所述第一图像中,筛选出包含汽车图像的第二图像;
将多幅所述第二图像变换为统一预设尺寸的多幅第三图像;
根据多幅所述第三图像,扩充训练集,所述训练集中的多幅图像为训练图像;
通过卷积法,对所述训练图像进行特征提取,获得所述训练图像中的汽车位置;
设置训练参数,包括初始学习率,初始学习率调整参数,动量系数,正则因子;
根据训练参数,采用多幅所述训练图像中的汽车位置对yolov2模型进行训练,获得所述车辆位置识别模型。
本发明一个实施例中,训练参数中,初始学习率可以是0.001,训练到30和40个epoch 后分别乘以0.1;动量系数可以是00.9;采用模型权重的l2范数作为正则项,正则因子为 0.0005;batch_size设为16。
本发明实施例中,车辆位置实际上可以指的是以待识别车辆为中心/重心的一个区域,或可以是包含待识别车辆大部分信息的一个区域,或可以是包含待识别车辆关键信息的一个区域。
本发明实施例中,步骤130中,所述根据车辆位置及品牌识别模型,获取所述车辆的身份信息,包括:
根据所述车辆位置,获取待识别车辆的整体图像;
按照颜色,对所述待识别车辆分类;
对分类后的待识别车辆的整体图像,采用AlexNet网络提取车标;
根据车标,识别所述车辆品牌。
实际上,本发明实施例的品牌识别模型,还可以有其他辅助信息,例如车型辅助识别,可以识别出五座、七座、大货车、厢式货车、特种车型汽车等。
本发明实施例中,所述根据第三图像,扩充训练集,包括:
采用随机裁剪、随机翻转、颜色变换的方法扩充训练集。
本发明实施例中,所述采用随机裁剪的方法扩充训练集,包括:
设置随机裁剪的比例因子。
本发明实施例中,所述采用随机翻转的方法扩充训练集,包括:
设置水平翻转的概率。
本发明实施例中,所述采用颜色变换的方法扩充训练集,包括:
设置各个颜色通道的随机变化率。
本发明实施例中,样本可以是MSCOCO数据集或人工标注的道路车辆图像,但是样本是有限的,因此本发明实施例中,采用随机裁剪、随机翻转、颜色变换的方法扩充训练集,并进行训练。例如,随机裁剪的比例因子可以是0.1;随机翻转可以是50%概率的水平翻转;颜色变换方法可以是各个颜色通道随机变化10%。
本发明实施例公开了一种车辆身份识别方法,所述方法包括:获取待识别车辆的原始图像;根据车辆位置识别模型,从所述原始图像中获取车辆位置;根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;所述车辆身份信息包括车辆品牌,车辆位置识别模型基于深度神经网络。本发明实施例的车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用GPU进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
图2所示为本发明实施例的车辆身份识别方法的示意图,如图2所示,为包含车辆图像的一副图像,本发明实施例中,该图片为待识别车辆的原始图像,根据车辆位置识别模型,从该图中获取车辆位置,如图2中的210。
根据图2中的车辆位置210,以及品牌识别模型,先识别颜色,然后识别出车辆品牌等身份信息。
本发明实施例的车辆身份识别方法中,车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用GPU进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
图3所示为本发明实施例的一种车辆身份识别装置的示意图,如图3所示,所述装置包括:
原始图像获取单元310,用于获取待识别车辆的原始图像;
车辆位置获取单元320,用于根据车辆位置识别模型,从所述原始图像中获取车辆位置;
身份信息获取单元330,用于根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
本发明实施例中,所述车辆位置获取单元320包括:
模型构建子单元,用于构建基于深度神经网络的yolov2模型或yolov3模型;
训练子单元,用于对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
本发明实施例的车辆身份识别装置中,车辆位置识别模型基于深度神经网络,基于深度神经网络算法的模型的复杂度较低,可以利用GPU进行运算加速,加快模型的训练速度,同时提高模型的分类速度和准确度,从而提高了车辆身份识别的精确度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种车辆身份识别方法,其特征在于,所述方法包括:
获取待识别车辆的原始图像;
根据车辆位置识别模型,从所述原始图像中获取车辆位置;
根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
2.如权利要求1所述的方法,其特征在于,所述根据车辆位置识别模型,从原始图像中获取车辆位置之前,所述方法还包括:
构建基于深度神经网络的yolov2模型或yolov3模型;
对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
3.如权利要求2所述的方法,其特征在于,所述对yolov2模型或yolov3模型进行训练,包括:
获得多幅第一图像;
从多幅所述第一图像中,筛选出包含汽车图像的第二图像;
将多幅所述第二图像变换为统一预设尺寸的多幅第三图像;
根据多幅所述第三图像,扩充训练集,所述训练集中的多幅图像为训练图像;
通过卷积法,对所述训练图像进行特征提取,获得所述训练图像中的汽车位置;
设置训练参数,包括初始学习率,初始学习率调整参数,动量系数,正则因子;
根据训练参数,采用多幅所述训练图像中的汽车位置对yolov2模型进行训练,获得所述车辆位置识别模型。
4.如权利要求3所述的方法,其特征在于,所述根据车辆位置及品牌识别模型,获取所述车辆的身份信息,包括:
根据所述车辆位置,获取待识别车辆的整体图像;
按照颜色,对所述待识别车辆分类;
对分类后的待识别车辆的整体图像,采用AlexNet网络提取车标;
根据车标,识别所述车辆品牌。
5.如权利要求3所述的方法,其特征在于,所述根据第三图像,扩充训练集,包括:
采用随机裁剪、随机翻转、颜色变换的方法扩充训练集。
6.如权利要求5所述的方法,其特征在于,所述采用随机裁剪的方法扩充训练集,包括:
设置随机裁剪的比例因子。
7.如权利要求5所述的方法,其特征在于,所述采用随机翻转的方法扩充训练集,包括:
设置水平翻转的概率。
8.如权利要求5所述的方法,其特征在于,所述采用颜色变换的方法扩充训练集,包括:
设置各个颜色通道的随机变化率。
9.一种车辆身份识别装置,其特征在于,所述装置包括:
原始图像获取单元,用于获取待识别车辆的原始图像;
车辆位置获取单元,用于根据车辆位置识别模型,从所述原始图像中获取车辆位置;
身份信息获取单元,用于根据所述车辆位置及品牌识别模型,获取所述车辆的身份信息;
其中,所述车辆身份信息包括车辆品牌,所述车辆位置识别模型基于深度神经网络。
10.如权利要求9所述的装置,其特征在于,所述车辆位置获取单元包括:
模型构建子单元,用于构建基于深度神经网络的yolov2模型或yolov3模型;
训练子单元,用于对所述yolov2模型或yolov3模型进行训练,获得所述车辆位置识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008768.6A CN109766819A (zh) | 2019-01-04 | 2019-01-04 | 车辆身份识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008768.6A CN109766819A (zh) | 2019-01-04 | 2019-01-04 | 车辆身份识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766819A true CN109766819A (zh) | 2019-05-17 |
Family
ID=66452594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910008768.6A Pending CN109766819A (zh) | 2019-01-04 | 2019-01-04 | 车辆身份识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766819A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160340A (zh) * | 2015-08-31 | 2015-12-16 | 桂林电子科技大学 | 一种车辆品牌识别***及方法 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106503710A (zh) * | 2016-10-26 | 2017-03-15 | 北京邮电大学 | 一种车标识别方法及装置 |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
-
2019
- 2019-01-04 CN CN201910008768.6A patent/CN109766819A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160340A (zh) * | 2015-08-31 | 2015-12-16 | 桂林电子科技大学 | 一种车辆品牌识别***及方法 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106503710A (zh) * | 2016-10-26 | 2017-03-15 | 北京邮电大学 | 一种车标识别方法及装置 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
Non-Patent Citations (1)
Title |
---|
张春玉等: "《一种有效的基于卷积神经网络的车辆检索算法》", 《科技创新与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119726A (zh) * | 2019-05-20 | 2019-08-13 | 四川九洲视讯科技有限责任公司 | 一种基于YOLOv3模型的车辆品牌多角度识别方法 |
CN110321864A (zh) * | 2019-07-09 | 2019-10-11 | 西北工业大学 | 基于多尺度裁剪机制的遥感图像文字说明生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063712B (zh) | 一种车辆信息提取方法和*** | |
CN106407981B (zh) | 一种车牌识别方法、装置及*** | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及*** | |
CN104217217B (zh) | 一种基于两层分类的车辆标志物检测方法与*** | |
CN104881662B (zh) | 一种单幅图像行人检测方法 | |
CN107491753A (zh) | 一种基于背景建模的违章停车检测方法 | |
CN106127747A (zh) | 基于深度学习的汽车表面损伤分类方法及装置 | |
WO2021238185A1 (zh) | 对象检测方法、装置、电子设备、存储介质和程序 | |
JP2018173756A (ja) | 検知装置、検知方法及び検知プログラム | |
CN103198315B (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN107862340A (zh) | 一种车型识别方法及装置 | |
CN109766819A (zh) | 车辆身份识别方法及装置 | |
CN105740886B (zh) | 一种基于机器学习的车标识别方法 | |
CN108073926A (zh) | 一种车牌识别方法及装置 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
JP2022530605A (ja) | 子供状態検出方法及び装置、電子機器、記憶媒体 | |
CN105930803A (zh) | 一种基于Edge Boxes的前车检测方法及装置 | |
CN110135327B (zh) | 一种基于多区域特征学习模型的驾驶员行为识别方法 | |
CN103530608A (zh) | 车辆类型判断方法和装置 | |
CN106157661A (zh) | 车辆的限制速度显示装置 | |
CN108205649A (zh) | 驾驶员开车接打电话的状态识别方法及装置 | |
CN105893942A (zh) | 一种基于eSC和HOG的自适应HMM的手语识别方法 | |
CN104732245B (zh) | 用于长途客车前方出现危险品运输车时的识别与预警方法 | |
CN108986255A (zh) | 电子装置、驾驶行为评分方法及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |