CN109766819A - 车辆身份识别方法及装置 - Google Patents

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

车辆身份识别方法及装置

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。