CN110598621A - 车辆品牌识别方法、装置、设备及计算机可读存储介质 - Google Patents

车辆品牌识别方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110598621A
CN110598621A CN201910842564.2A CN201910842564A CN110598621A CN 110598621 A CN110598621 A CN 110598621A CN 201910842564 A CN201910842564 A CN 201910842564A CN 110598621 A CN110598621 A CN 110598621A
Authority
CN
China
Prior art keywords
vehicle
brand
brand identification
image
model
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
Application number
CN201910842564.2A
Other languages
English (en)
Inventor
毛亮
黄渤伦
朱婷婷
贺迪龙
薛昆南
谭焕新
侯玉清
刘双广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN201910842564.2A priority Critical patent/CN110598621A/zh
Publication of CN110598621A publication Critical patent/CN110598621A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/09—Recognition of logos

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆品牌识别方法、装置、设备及计算机可读存储介质，通过对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；对各张车前脸图像按照预设的命名格式进行品牌标注；根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果；本发明能够提高识别精度，同时降低识别难度。

Description

车辆品牌识别方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及计算机图像处理领域，尤其涉及一种车辆品牌识别方法、装置、设备及计算机可读存储介质。
背景技术
对视频监控拍摄到的道路现场车辆进行特征识别是智能交通领域十分重要的研究方向，尤其在违法犯罪车龄跟踪方面具有十分重要的意义。目前，常用的车辆特征识别主要依赖车标特征、车型，通过提取车标特征、车型识别车辆。但是，由于现实场景中车辆的盗牌、无牌、污损车牌现象十分严重，而且车辆车标较小、定位精度低，导致依据视频监控拍摄到的道路现场车辆图像进行车牌识别存在一定的现实条件限制，识别难度高、精度低。
发明内容
针对上述问题，本发明的目的在于提供一种车辆品牌识别方法、装置、设备及计算机可读存储介质，其能够有效提高车辆品牌的识别精度，降低识别难度。
第一方面，本发明实施例提供了一种车辆品牌识别方法，包括以下步骤：
对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；
对各张车前脸图像按照预设的命名格式进行品牌标注；
根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；
根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；
根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
相对于现有技术，本发明实施例的有益效果在于：
通过截取卡口***在不同场景下拍摄的多种角度的卡口场景图像中的车前脸图像作为残差卷积网络的训练样本和测试样本，可以理解的是，该车前脸图像包括前大灯特征、远光灯特征、车标特征、前格栅特征等，从而构建出一个高精度的车辆品牌识别模型，对卡口***拍摄的图片进行裁剪，可以减少图片的无效信息，减少计算量，从而提高识别的效率；通过该车辆品牌识别模型对裁剪后的目标车脸区域图像进行品牌识别，能大大地提高识别精度，同时降低识别难度。
作为一种优选方案，所述根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型，具体包括：
将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
根据所述测试结果，确认最终的车辆品牌识别模型。
相对于现有技术，本发明实施例的有益效果在于：
以arcface loss和Softmax作残差卷积网络的损失函数，其能有效提高车脸精细粒度的分类，从而进一步提高车辆品牌识别模型识别的精度。
作为一种优选方案，所述采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果，具体包括：
将所述测试样本集按照拍摄时间划分为白天测试样本和夜晚测试样本；
将所述白天测试样本输入到所述当前车辆品牌识别模型进行测试，获得白天主品牌识别准确率及白天子品牌识别准确率；
将所述夜晚测试样本输入到所述当前车辆品牌识别模型进行测试，获得夜晚主品牌识别准确率及夜晚子品牌识别准确率；
根据所述白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，得到所述测试结果。
作为一种优选方案，所述根据所述测试结果，确认最终输出的车辆品牌识别模型，具体包括：
判断所述测试结果是否符合预设的测试条件；其中，预设的测试条件包括：判断所述白天主品牌识别准确率否达到预设的第一阈值、所述白天子品牌识别准确率否达到预设的第二阈值、所述夜晚主品牌识别准确率否达到预设的第三阈值以及所述夜晚子品牌识别准确率否达到预设的第四阈值；
当判断出所述测试结果符合所述测试条件，确认将所述当前车辆品牌识别模型作为最终的车辆品牌识别模型。
相对于现有技术，本发明实施例的有益效果在于：
将测试样本集按照拍摄时间分为白天测试样本和夜晚测试样本，并分别采用车辆品牌识别模型进行测试，充分考虑卡口***拍摄过程中外界环境、天气、光照等对拍摄图像质量的影响，以车辆品牌识别模型输出的白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，判断该车辆品牌识别模型的识别精度是否达到预期要求，能有避免光照对车辆品牌识别的影响。
作为一种优选方案，所述预设的命名格式为依次排列的主品牌、子品牌、年份。
作为一种优选方案，所述对预先采集的卡口场景图像进行截取，获得若干张车前脸图像，具体包括：
将所述预先采集的卡口场景图像输入到所述车脸检测模型进行图像截取，从各张卡口场景图像中截取出车前脸图像。
第二方面，本发明实施例提供了一种车辆品牌识别装置，包括：
图像截取模块，用于对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；
品牌标注模块，用于对各张车前脸图像按照预设的命名格式进行品牌标注；
车辆品牌识别模型建立模块，用于根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；
车脸区域图像获取模块，用于根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；
品牌识别模块，用于根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
作为一种优选方案，，所述车辆品牌识别模型建立模块包括：
样本划分单元，用于将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
模型训练单元，用于采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
模型测试单元，用于采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
模型确定单元，用于根据所述测试结果，确认最终的车辆品牌识别模型。
第三方面，本发明实施例提供了一种车辆品牌识别设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的车辆品牌识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的车辆品牌识别方法。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的车辆品牌识别方法的流程示意图；
图2是本发明第二实施例提供的车辆品牌识别装置的示意框图；
图3是本发明第三实施例提供的车辆品牌识别设备的示意框图。
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，所描述的实施例仅仅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做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。
请参照图1，本发明第一实施例提供了一种车辆品牌识别方法，其可由车辆品牌识别设备来执行，在本发明实施例中，所述车辆品牌识别设备可为电脑、手机、平板电脑、、笔记本电脑或者服务器等计算设备，所述车辆品牌识别方法可作为其中一个功能模块集成与所述车辆品牌识别设备上，由所述车辆品牌识别设备来执行。所述车辆品牌识别方法具体包括以下步骤：
S11：对预先采集的卡口场景图像进行截取，获得若干张车前脸图像。
在本发明实施例中，该车前脸图像包括但不限于前大灯特征、远光灯特征、车标特征、前格栅特征。卡口场景图像包括各类卡口***拍摄到的多种角度下的车辆图像，可以选去158类主品牌、1700类子品牌对应的车辆的卡口场景图像。需要说明的是，本发明实施例对于卡口场景图像的获取方式不做具体的限定，例如可以是直接从公安***的智能车辆识别***的数据库中获取，或者直接获取卡口***拍摄的图片。需要说明的是，本发明实施例对于卡口场景图像的截取方式不做任何限制，例如可以通过预先构建的车脸检测模型图像截取，或者通过对卡口场景图像进行特征定位，截取包括前大灯特征、远光灯特征、车标特征、前格栅特征的图像；通过对卡口场景图像进行截取处理，可以减少图片的无效信息，减少计算量，从而提高识别的效率。
在一种可选的实施例中，所述对预先采集的卡口场景图像进行截取，获得若干张车前脸图像，具体包括：
将所述预先采集的卡口场景图像输入到预先建立的车脸检测模型进行图像截取，从各张卡口场景图像中截取出车前脸图像。
在本实施例中，可通过将预先采集的标准车前脸图像输入到卷积神经网络进行训练，得到所述车脸检测模型。该标准车前脸图像包括前大灯特征、远光灯特征、车标特征、前格栅特征中的一个或多个特征。为了减少计算量，将所述预先采集的卡口场景图像输入到预先建立的车脸检测模型之前，还可以对所述卡口场景图像进行二值化处理。在所述车脸检测模型中，根据设定的比例以及面积的规格，获取所述卡口场景图像满足条件的一系列区域框，在这个区域框的选取过程中，也是用了卷积层来选取特征，并通过非最大值抑制从一系列区域框获取候选框，再通过全连接层进行候选框参数微调，从而获取车前脸图像，通过所述车前脸图像，能够利用卷积神经网络直接产生建议的区域，实现了区域生成网络和分类网络的权值共享，大大提高了监测的性能和速度。
在另一种可选的实施例中，所述对预先采集的卡口场景图像进行截取，获得若干张车前脸图像，具体包括：
对所述卡口场景图像进行特征点定位，确定所述卡口场景图像中的前大灯特征、远光灯特征、车标特征、前格栅特征的位置；
根据所述卡口场景图像中的前大灯特征、远光灯特征、车标特征、前格栅特征的位置，对所述卡口场景图像进行截图处理，获得车脸特征图像；
按照预设的尺寸对所述车辆特征图像进行缩放处理，获得车前脸图像。
S12：对各张车前脸图像按照预设的命名格式进行品牌标注。
优选地，所述预设的命名格式为依次排列的主品牌、子品牌、年份。
在本发明实施例中，对每张车前脸图像按照主品牌-子品牌-年份的格式进行标注。
S13：根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型。
S14：根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像。
S15：根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
在本发明实施例中，通过截取卡口***在不同场景下拍摄的多种角度的卡口场景图像中的车前脸图像作为残差卷积网络的训练样本和测试样本，从而构建出一个高精度的车辆品牌识别模型，对卡口***拍摄的图片进行裁剪，可以减少图片的无效信息，减少计算量，从而提高识别的效率；通过该车辆品牌识别模型对裁剪后的目标车脸区域图像进行品牌识别，能大大地提高识别精度，同时降低识别难度。
在一种可选的实施例中，所述根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型，具体包括：
将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
根据所述测试结果，确认最终的车辆品牌识别模型。
在本发明实施例中，按照9：1的比例对步骤S12获得车前脸图像进行训练样本集和测试样本集的划分，之后采用训练样本集对所述残差卷积网络进行离线训练，获得车辆识别模型，采用测试样本集对所述车辆识别模型进行测试，最后输出通过测试条件的模型作为最终的车辆识别模型。本发明实施例采用所述残差卷积网络进行特征提取，特征表达能力强，且可实现端对端训练测试。
需要说明的是，所述残差卷积网络(ResNet)中的全连接层后依次接入arcfaceloss层和Softmax层，其中，arcface loss层由一个Combined Margin层和Scale层构成，为了避免Scale层在该残差卷积网络中与其他的block中的Scale层命名出现重复，因此将arcfaceloss层中的Scale层命名为Margin Scale层。所述Combined Margin层由三个参数影响，分别为：m1，m2，m3；在本发明实施例中，将m1设置为1，m2设置为0，m3设置为0.2。所述Margin Scale层由scale_param参数影响，在本发明实施例中，将scale_param参数设置为64。通过设置Combined Margin层和Margin Scale层的参数，对所述残差卷积网络进行初始化，初始化完成后就可以开始进行模型的训练。所述残差卷积网络训练过程主要由两部分组成：一是ResNet残差卷积神经网络候进行特征提取；二是使用Arcface Loss和Softmax作为损失函数来计算模型的损失度；通过以arcface loss和Softmax作残差卷积网络的损失函数，其能有效提高车脸精细粒度的分类，从而进一步提高车辆品牌识别模型识别的精度、同时提升了模型的泛化能力和区分能力。
在一种可选的实施例中，所述采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果，具体包括：
将所述测试样本集按照拍摄时间划分为白天测试样本和夜晚测试样本；
将所述白天测试样本输入到所述当前车辆品牌识别模型进行测试，获得白天主品牌识别准确率及白天子品牌识别准确率；
将所述夜晚测试样本输入到所述当前车辆品牌识别模型进行测试，获得夜晚主品牌识别准确率及夜晚子品牌识别准确率；
根据所述白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，得到所述测试结果。
在一种可选的实施例中，所述根据所述测试结果，确认最终输出的车辆品牌识别模型，具体包括：
判断所述测试结果是否符合预设的测试条件；其中，预设的测试条件包括：判断所述白天主品牌识别准确率否达到预设的第一阈值、所述白天子品牌识别准确率否达到预设的第二阈值、所述夜晚主品牌识别准确率否达到预设的第三阈值以及所述夜晚子品牌识别准确率否达到预设的第四阈值；
当判断出所述测试结果符合所述测试条件，确认将所述当前车辆品牌识别模型作为最终的车辆品牌识别模型。
将测试样本集按照拍摄时间分为白天测试样本和夜晚测试样本，并分别采用车辆品牌识别模型进行测试，充分考虑卡口***拍摄过程中外界环境、天气、光照等对拍摄图像质量的影响，以车辆品牌识别模型输出的白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，判断该车辆品牌识别模型的识别精度是否达到预期要求，能有避免光照对车辆品牌识别的影响。
需要说明的是，本发明实施例对第一阈值、第二阈值、第三阈值及第四阈值的数值不做具体的限定，可以根据实际需要自定义设定。例如，第一阈值、第二阈值、第三阈值及第四阈值均设置为90％。若所述白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率达到90％的准确率则把S13获得车牌识别模型作为最终的模型，否则调整样本结构、网络参数(Combined Margin层和Margin Scale层的参数)以及网络结构再在之前的模型的基础上重新进行训练，即将之前得到的模型作为预训练模型进行微调，从而获得符合预期准确率的车牌识别模型。
采用上述方案，对实际应用场景的卡口图像采用车牌识别模型进行测试，可以得到如下表所示的测试结果：
模型 白天主品牌 白天子品牌 夜晚主品牌 夜晚子品牌
ResNet 99.91％ 96.28％ 99.77％ 91.93％
其中，单128*256分辨率的图像处理整体耗时15ms左右。可见，采用所示车牌识别模型进行车品牌识别准确率可以高达90％以上，模型识别准确率高，且识别效率高，实时性强，可满足实际的应用需求，在车辆监控、公安车辆***方面具有很好应用前景。
请参阅图2，本发明第二实施例提供了一种车辆品牌识别装置，包括：
图像截取模块1，用于对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；
品牌标注模块2，用于对各张车前脸图像按照预设的命名格式进行品牌标注；
车辆品牌识别模型建立模块3，用于根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；
车脸区域图像获取模块4，用于根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；
品牌识别模块5，用于根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
在一种可选的实施例中，所述车辆品牌识别模型建立模块3包括：
样本划分单元，用于将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
模型训练单元，用于采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
模型测试单元，用于采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
模型确定单元，用于根据所述测试结果，确认最终的车辆品牌识别模型。
在一种可选的实施例中，所述模型测试单元包括：
样本划分子单元，用于将所述测试样本集按照拍摄时间划分为白天测试样本和夜晚测试样本；
第一测试子单元，用于将所述白天测试样本输入到所述当前车辆品牌识别模型进行测试，获得白天主品牌识别准确率及白天子品牌识别准确率；
第二测试子单元，用于将所述夜晚测试样本输入到所述当前车辆品牌识别模型进行测试，获得夜晚主品牌识别准确率及夜晚子品牌识别准确率；
测试结果获得子单元，用于根据所述白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，得到所述测试结果。
在一种可选的实施例中，所述模型确定单元包括：
判单子单元，用于判断所述测试结果是否符合预设的测试条件；其中，预设的测试条件包括：判断所述白天主品牌识别准确率否达到预设的第一阈值、所述白天子品牌识别准确率否达到预设的第二阈值、所述夜晚主品牌识别准确率否达到预设的第三阈值以及所述夜晚子品牌识别准确率否达到预设的第四阈值；
模型确定子单元，用于当判断出所述测试结果符合所述测试条件，确认将所述当前车辆品牌识别模型作为最终的车辆品牌识别模型。
在一种可选的实施例中，所述预设的命名格式为依次排列的主品牌、子品牌、年份。
在一种可选的实施例中，图像截取模块1包括：
车前脸图像截取单元，用于将所述预先采集的卡口场景图像输入到所述车脸检测模型进行图像截取，从各张卡口场景图像中截取出车前脸图像。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图3，是本发明第三实施例提供的车辆品牌识别设备的示意图。如图3所示，该车辆品牌识别设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作***151，包含各种***程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的车辆品牌识别方法，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图像截取模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车辆品牌识别设备中的执行过程。
所述车辆品牌识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车辆品牌识别设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车辆品牌识别设备的示例，并不构成对车辆品牌识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
所称处理器11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11是所述车辆品牌识别设备的控制中心，利用各种接口和线路连接整个车辆品牌识别设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11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，实现所述车辆品牌识别设备的各种功能。所述存储器15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***、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、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述车辆品牌识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的车辆品牌识别方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车辆品牌识别方法，其特征在于，包括以下步骤：
对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；
对各张车前脸图像按照预设的命名格式进行品牌标注；
根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；
根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；
根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
2.如权利要求1所述的车辆品牌识别方法，其特征在于，所述根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型，具体包括：
将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
根据所述测试结果，确认最终的车辆品牌识别模型。
3.如权利要求2所述的车辆品牌识别方法，其特征在于，所述采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果，具体包括：
将所述测试样本集按照拍摄时间划分为白天测试样本和夜晚测试样本；
将所述白天测试样本输入到所述当前车辆品牌识别模型进行测试，获得白天主品牌识别准确率及白天子品牌识别准确率；
将所述夜晚测试样本输入到所述当前车辆品牌识别模型进行测试，获得夜晚主品牌识别准确率及夜晚子品牌识别准确率；
根据所述白天主品牌识别准确率、白天子品牌识别准确率、夜晚主品牌识别准确率及夜晚子品牌识别准确率，得到所述测试结果。
4.如权利要求3所述的车辆品牌识别方法，其特征在于，所述根据所述测试结果，确认最终输出的车辆品牌识别模型，具体包括：
判断所述测试结果是否符合预设的测试条件；其中，预设的测试条件包括：判断所述白天主品牌识别准确率否达到预设的第一阈值、所述白天子品牌识别准确率否达到预设的第二阈值、所述夜晚主品牌识别准确率否达到预设的第三阈值以及所述夜晚子品牌识别准确率否达到预设的第四阈值；
当判断出所述测试结果符合所述测试条件，确认将所述当前车辆品牌识别模型作为最终的车辆品牌识别模型。
5.如权利要求1所述的车辆品牌识别方法，其特征在于，所述预设的命名格式为依次排列的主品牌、子品牌、年份。
6.如权利要求1所述的车辆品牌识别方法，其特征在于，所述对预先采集的卡口场景图像进行截取，获得若干张车前脸图像，具体包括：
将所述预先采集的卡口场景图像输入到所述车脸检测模型进行图像截取，从各张卡口场景图像中截取出车前脸图像。
7.一种车辆品牌识别装置，其特征在于，包括：
图像截取模块，用于对预先采集的卡口场景图像进行截取，获得若干张车前脸图像；
品牌标注模块，用于对各张车前脸图像按照预设的命名格式进行品牌标注；
车辆品牌识别模型建立模块，用于根据品牌标注后的车前脸图像，对预先建立的残差卷积网络进行训练，得到车辆品牌识别模型；
车脸区域图像获取模块，用于根据接收到的目标车辆图像，通过预先建立的车脸检测模型，获取目标车脸区域图像；
品牌识别模块，用于根据所述目标车脸区域图像，通过所述车辆品牌识别模型，获取所述目标车脸区域图像对应的车辆品牌识别结果。
8.如权利要求7所述的车辆品牌识别装置，其特征在于，所述车辆品牌识别模型建立模块包括：
样本划分单元，用于将品牌标注后的车前脸图像按照预设的比例，划分成训练样本集和测试样本集；
模型训练单元，用于采用所述训练样本集对所述残差卷积网络进行训练，得到当前车辆品牌识别模型；其中，所述残差卷积网络包括arcface loss损失函数和Softmax损失函数；
模型测试单元，用于采用所述测试样本集对训练好的当前车辆品牌识别模型进行测试，得到测试结果；
模型确定单元，用于根据所述测试结果，确认最终的车辆品牌识别模型。
9.一种车辆品牌识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车辆品牌识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车辆品牌识别方法。
CN201910842564.2A 2019-09-06 2019-09-06 车辆品牌识别方法、装置、设备及计算机可读存储介质 Pending CN110598621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910842564.2A CN110598621A (zh) 2019-09-06 2019-09-06 车辆品牌识别方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910842564.2A CN110598621A (zh) 2019-09-06 2019-09-06 车辆品牌识别方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110598621A true CN110598621A (zh) 2019-12-20

Family

ID=68857979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910842564.2A Pending CN110598621A (zh) 2019-09-06 2019-09-06 车辆品牌识别方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110598621A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444867A (zh) * 2020-03-31 2020-07-24 高新兴科技集团股份有限公司 一种基于卷积神经网络的车辆后拍子品牌识别方法
CN111860505A (zh) * 2020-07-23 2020-10-30 北京以萨技术股份有限公司 一种车牌颜色识别精准度的测试方法、***、终端及介质
CN112525556A (zh) * 2020-12-24 2021-03-19 湖南联科科技有限公司 自动识别车辆品牌的诊断方法、装置、设备及存储介质
CN113298021A (zh) * 2021-06-11 2021-08-24 宿州学院 基于卷积神经网络的矿区运输车辆头尾识别方法及***
CN113408559A (zh) * 2020-03-17 2021-09-17 杭州萤石软件有限公司 一种车辆品牌识别方法、装置及存储介质
CN113807302A (zh) * 2021-09-26 2021-12-17 重庆紫光华山智安科技有限公司 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质
CN114820626A (zh) * 2022-06-30 2022-07-29 南通浩盛汽车科技有限公司 一种汽车前脸零件配置智能检测方法
CN115631404A (zh) * 2022-10-31 2023-01-20 大连海洋大学 基于改进YOLOv4和FIRN的鱼类个体身份识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897677A (zh) * 2017-02-06 2017-06-27 桂林电子科技大学 一种车辆特征分类检索***和方法
CN107301417A (zh) * 2017-06-28 2017-10-27 广东工业大学 一种无监督多层神经网络的车辆品牌识别的方法及装置
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法
US20180293552A1 (en) * 2017-04-11 2018-10-11 Alibaba Group Holding Limited Image-based vehicle maintenance plan
CN109902732A (zh) * 2019-02-22 2019-06-18 哈尔滨工业大学（深圳） 车辆自动分类方法及相关装置
CN110135318A (zh) * 2019-05-08 2019-08-16 佳都新太科技股份有限公司 过车记录的确定方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897677A (zh) * 2017-02-06 2017-06-27 桂林电子科技大学 一种车辆特征分类检索***和方法
US20180293552A1 (en) * 2017-04-11 2018-10-11 Alibaba Group Holding Limited Image-based vehicle maintenance plan
CN107301417A (zh) * 2017-06-28 2017-10-27 广东工业大学 一种无监督多层神经网络的车辆品牌识别的方法及装置
CN108549926A (zh) * 2018-03-09 2018-09-18 中山大学 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN109902732A (zh) * 2019-02-22 2019-06-18 哈尔滨工业大学（深圳） 车辆自动分类方法及相关装置
CN110135318A (zh) * 2019-05-08 2019-08-16 佳都新太科技股份有限公司 过车记录的确定方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANKANG DENG: "ArcFace: Additive Angular Margin Loss for Deep Face Recognition", 《ARXIV:1801.07698V3 [CS.CV]》 *
杨东援: "《连续数据环境下的交通规则与管理》", 31 January 2014 *
赵池航: "《交通信息感知理论与方法 汉 英》", 30 September 2014 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408559A (zh) * 2020-03-17 2021-09-17 杭州萤石软件有限公司 一种车辆品牌识别方法、装置及存储介质
CN111444867A (zh) * 2020-03-31 2020-07-24 高新兴科技集团股份有限公司 一种基于卷积神经网络的车辆后拍子品牌识别方法
CN111860505A (zh) * 2020-07-23 2020-10-30 北京以萨技术股份有限公司 一种车牌颜色识别精准度的测试方法、***、终端及介质
CN112525556A (zh) * 2020-12-24 2021-03-19 湖南联科科技有限公司 自动识别车辆品牌的诊断方法、装置、设备及存储介质
CN113298021A (zh) * 2021-06-11 2021-08-24 宿州学院 基于卷积神经网络的矿区运输车辆头尾识别方法及***
CN113807302A (zh) * 2021-09-26 2021-12-17 重庆紫光华山智安科技有限公司 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质
CN114820626A (zh) * 2022-06-30 2022-07-29 南通浩盛汽车科技有限公司 一种汽车前脸零件配置智能检测方法
CN115631404A (zh) * 2022-10-31 2023-01-20 大连海洋大学 基于改进YOLOv4和FIRN的鱼类个体身份识别方法

Similar Documents

Publication Publication Date Title
CN110598621A (zh) 车辆品牌识别方法、装置、设备及计算机可读存储介质
US10636169B2 (en) Synthesizing training data for broad area geospatial object detection
US10628890B2 (en) Visual analytics based vehicle insurance anti-fraud detection
CN109002820B (zh) 一种车牌识别方法、装置及相关设备
CN110728283A (zh) 一种车牌类型识别方法及设备
US11830103B2 (en) Method, apparatus, and computer program product for training a signature encoding module and a query processing module using augmented data
CN105512660A (zh) 车牌号码识别方法及装置
CN110503682B (zh) 矩形控件识别方法、装置、终端及存储介质
CN110991506A (zh) 一种车辆品牌识别方法、装置、设备及存储介质
Do et al. Automatic license plate recognition using mobile device
CN111476099B (zh) 一种目标检测方法、目标检测装置及终端设备
CN115984273B (zh) 道路病害检测方法、装置、计算机设备及可读存储介质
CN112052855A (zh) 一种基于深度学习的车牌识别方法及装置
CN112784834A (zh) 一种自然场景下的车牌自动识别方法
CN111127358B (zh) 图像处理方法、装置及存储介质
CN105320708A (zh) 车型数据库的建立方法及服务器
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111178153A (zh) 一种交通标志检测方法及***
CN113205510B (zh) 铁路侵限异物检测方法、装置及终端
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN116958582A (zh) 一种数据处理方法和相关装置
CN111104965A (zh) 车辆目标识别的方法及装置
CN115775272A (zh) 基于深度学习的道路宽度信息提取方法、***及介质
CN112132215B (zh) 一种识别物体类型的方法、装置及计算机可读存储介质
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质

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: 20191220