CN110895692B - 车辆品牌识别方法、装置及可读存储介质 - Google Patents
车辆品牌识别方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110895692B CN110895692B CN201811070622.6A CN201811070622A CN110895692B CN 110895692 B CN110895692 B CN 110895692B CN 201811070622 A CN201811070622 A CN 201811070622A CN 110895692 B CN110895692 B CN 110895692B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- brand
- feature
- region
- network
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提供一种车辆品牌识别方法、装置及可读存储介质,所述方法包括:首先获取车辆图片,并将车辆图片输入预设的卷积神经网络,利用第一网络进行特征提取,得到第一特征图;然后对第一特征图进行区域检测,得到第一车辆特征区域并利用第二网络对第一特征图进行二次特征提取得到第二特征图;最后依据第一车辆特征区域提取出第二特征图中的多个车辆品牌特征并依据多个车辆品牌特征识别车辆图片中的车辆品牌。与现有技术相比,本发明提高了车辆品牌识别效率。
Description
技术领域
本发明实施例涉及图像处理技术领域,具体而言,涉及一种车辆品牌识别方法、装置及可读存储介质。
背景技术
随着科技的进步,智能交通***得到快速发展,越来越多的车辆导致道路堵塞,事故频发等问题,因此需要对交通***进行更为严格的管理。车辆品牌识别是对整个车辆结构化信息提取的一项重要内容,为了实现更为严格的交通管理,需要对车辆品牌进行识别。
现有技术中,依据车牌的精准位置信息进行品牌识别。当发生车辆无车牌、定位不到车牌、车牌定位不准确等情况时,车辆品牌识别效率低。
发明内容
本发明实施例的目的在于提供一种车辆品牌识别方法、装置及可读存储介质,以改善车辆品牌识别效率低的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种车辆品牌识别方法,应用于电子设备,所述方法包括:获取车辆图片,并将所述车辆图片输入预设的卷积神经网络,利用所述卷积神经网络的第一网络进行特征提取,得到第一特征图;对所述第一特征图进行区域检测,得到所述第一特征图中的第一车辆特征区域;利用所述卷积神经网络的第二网络对所述第一特征图进行二次特征提取,得到第二特征图;依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征,其中,所述第二特征图包括多个车辆品牌特征信息;依据所述多个车辆品牌特征识别所述车辆图片中的车辆品牌。
第二方面,本发明实施例提供了一种车辆品牌识别装置,应用于电子设备,所述装置包括第一特征提取模块、区域检测模块、第二特征提取模块、执行模块及品牌识别模块。其中,第一特征提取模块用于获取车辆图片,并将所述车辆图片输入预设的卷积神经网络,利用所述卷积神经网络的第一网络进行特征提取,得到第一特征图;区域检测模块用于对所述第一特征图进行区域检测,得到所述第一特征图中的第一车辆特征区域;第二特征提取模块用于利用所述卷积神经网络的第二网络对所述第一特征图进行二次特征提取,得到第二特征图;执行模块用于依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征,其中,所述第二特征图包括多个车辆品牌特征信息;品牌识别模块用于依据所述多个车辆品牌特征识别所述车辆图片中的车辆品牌。第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的车辆品牌识别方法。
相对现有技术,本发明实施例提供的一种车辆品牌识别方法、装置及可读存储介质,获取车辆图片并将车辆图片输入卷积神经网络的第一网络得到第一特征图,通过对第一特征图进行区域检测得到第一车辆特征区域,并依据所述第一车辆特征区域提取出所述第二特征图中的多个车辆品牌特征,再依据多个车辆品牌特征识别车辆图片中的车辆品牌。与现有技术相比,本发明实施例提供的车辆品牌识别方法对第一特征图进行区域检测得到第一车辆特征区域,并不仅仅依赖于车牌的精准位置信息对车辆品牌进行识别,提高了车辆品牌识别效率。
为使本发明实施例的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的电子设备的方框示意图。
图2示出了本发明实施例提供的车辆品牌识别方法流程图。
图3为图2示出的步骤S104的子步骤流程图。
图4为图2示出的步骤S105的子步骤流程图。
图5示出了本发明实施例提供的车辆品牌识别装置的方框示意图。
图标:100-电子设备;101-存储器;102-存储控制器;103-处理器;104-外设接口;105-通信模块;200-车辆品牌识别装置;201-第一特征提取模块;202-区域检测模块;203-第二特征提取模块;204-执行模块;205-品牌识别模块;300-摄像头;400-显示屏。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,图1示出了本发明实施例提供的电子设备100的方框示意图。电子设备100可以是,但不限于膝上型便携计算机、车载电脑、个人数字助理(personal digitalassistant,PDA)、服务器等等。所述电子设备100包括车辆品牌识别装置200、存储器101、存储控制器102、处理器103、外设接口104和通信模块105。
所述存储器101、存储控制器102、处理器103、外设接口104、通信模块105、摄像头300及显示屏400各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述车辆品牌识别装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述电子设备100的操作***(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如车辆品牌识别装置200包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,本发明任一实施例揭示的流程定义的服务器所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)、语音处理器以及视频处理器等;还可以是数字信号处理器、专用集成电路、现场可编程门阵列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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
外设接口104用于将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104、处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
通信模块105用于接收摄像头300拍摄的车辆图片并发送至处理器103。通信模块105可以是,但不限于DSP(Digital Signal Processing)芯片和半导体芯片。
显示屏400用于实现用户与电子设备100之间的交互,具体可以是,但不限于显示屏400将需要进行车辆图片的车辆品牌或者车辆图片进行显示。
第一实施例
请参照图2,图2示出了本发明实施例提供的车辆品牌识别方法流程图。车辆品牌识别方法包括以下步骤:
步骤S101,获取车辆图片,并将车辆图片输入预设的卷积神经网络,利用卷积神经网络的第一网络进行特征提取,得到第一特征图。
在本发明实施例中,车辆图片可以是包含有车前脸的图片,车辆图片可以包括左大灯、右大灯、车标、左后视镜、右后视镜、左雾灯、右雾灯及格栅等区域。车辆图片可以通过摄像头300实时拍摄得到,也可以预先从网络上下载得到。卷积神经网络用于特征提取和车辆品牌识别,其包括第一网络、第二网络和第三网络,车辆图片输入第一网络得到第一特征图,把第一特征图进行特征提取得到第一车辆特征区域,第一特征图经过第二网络得到第二特征图,依据第一车辆特征区域提取第二特征图中的多个车辆品牌特征并通过第三网络对多个车辆品牌特征进行识别。第一网络包括多个第一卷积层和至少一个第一池化层,且所述多个第一卷积层的总层数大于所述至少一个第一池化层的总层数,可以理解为,第一网络包括至少一个第一卷积池化组,每个第一卷积池化组包括至少一个第一卷积层和一个第一池化层,每个第一卷积池化组的第一池化层与下一个第一卷积池化组的第一卷积层相连,当第一网络中只有一个第一卷积池化组时,该第一卷积池化组中包括多个第一卷积层和一个第一池化层,第一网络中第一卷积层的总层数大于第一池化层的总层数。第一特征图可以是车辆图片经过多个第一卷积层和至少一个第一池化层而得到的特征图。将车辆图片输入预设的卷积神经网络,利用卷积神经网络的第一网络进行特征提取,得到第一特征图的方法可以包括:首先,将车辆图片输入第一网络;然后,对车辆图片进行多次卷积运算和至少一次池化处理,每个第一卷积池化组中的第一池化层的输出是下一个第一卷积池化组中的第一个第一卷积层的输入,最后一个第一池化层的输出即为第一特征图。
步骤S102,对第一特征图进行区域检测,得到第一特征图中的第一车辆特征区域。在本发明实施例中,第一车辆特征区域可以是第一特征图经区域检测得到的多个区域,其可以采用基于SSD(Single Shot MultiBox Detector)的目标检测算法对第一特征图进行区域检测得到。第一车辆特征区域包括车前脸区域、左大灯区域、右大灯区域、车标区域、左后视镜区域、右后视镜区域、左雾灯区域、右雾灯区域及格栅区域等9个区域。每个区域均为长方形,可以选用两个对角坐标来表示,也可以选用水平方向的长度与垂直方向的长度和一个坐标共同表示。例如,车前脸区域可以用坐标(0,0)和坐标(10,8)来表示,即车前脸区域是第一特征图中一个长为10个单位,宽为8个单位的长方形区域,也可以用坐标(0,0)和水平方向上的长度为10,垂直方向上的长度为8来表示车前脸区域。
于本发明的其它实施例中,还可以采集基于YOLO(You Only Look Once)的目标检测算法对第一特征图进行区域检测得到第一车辆特征区域。
在得到第一车辆特征区域之后,统计第一车辆特征区域中区域的个数,当区域个数小于第一预设个数(例如,4)时,重复执行步骤S101-S102,直至区域个数大于第一预设个数,当区域个数大于第二预设个数(例如,3)时,继续下述步骤。也可以在执行完步骤S105后进行区域个数与第一预设个数和第二预设个数的比较,当区域个数小于第一预设个数(例如,4)时,重复执行步骤S101-S105,直至区域个数大于第一预设个数,当区域个数大于第二预设个数(例如,3)时,电子设备100控制显示屏400显示车辆图片的车辆品牌。
步骤S103,利用卷积神经网络的第二网络对第一特征图进行二次特征提取,得到第二特征图。
在本发明实施例中,第二网络包括多个第二卷积层和至少一个第二池化层,且所述多个第二卷积层的总层数大于所述至少一个第二池化层的总层数,可以理解为,第二网络包括多个第二卷积池化组,每个第二卷积池化组包括至少一个第二卷积层和一个第二池化层,每个第二卷积池化组的第二池化层与下一个第二卷积池化组的第二卷积层相连,第二网络中第二卷积层的总层数大于第二池化层的总层数。第二特征图可以是第一特征图经过多个第二卷积层和至少一个第二池化层而得到的特征图。利用卷积神经网络中的第二网络对第一特征图进行二次特征提取的方法可以包括:首先,将第一特征图输入第二网络,然后,对第一特征图进行多次卷积和多次池化处理,每个第二卷积池化组中的第二池化层的输出是下一个第二卷积池化组中的第一个第二卷积层的输入,最后一个第二池化层的输出即为第二特征图。
需要说明的是,在本发明的其它实施例中,步骤S103和步骤S102的执行顺序可以交换,或者也同时执行步骤S102和步骤S103。
步骤S104,依据第一车辆特征区域,提取出第二特征图中的多个车辆品牌特征,其中,第二特征图包括多个车辆品牌特征信息。
在本发明实施例中,车辆品牌特征可以是第二特征图中包含多个车辆品牌特征信息的区域。多个车辆品牌特征可以包括车前脸区域对应的车辆品牌特征、车前脸区域对应的车辆品牌特征、左大灯区域对应的车辆品牌特征、右大灯区域对应的车辆品牌特征、车标区域对应的车辆品牌特征、左后视镜区域对应的车辆品牌特征、右后视镜区域对应的车辆品牌特征、左雾灯区域对应的车辆品牌特征及右雾灯区域对应的车辆品牌特征。多个车辆品牌特征信息可以是第一特征图经第二网络进行二次特征提取后得到的特征。依据第一车辆特征区域,提取出第二特征图中的多个车辆品牌特征的步骤包括:首先,确定第一特征图和第二特征图的比例关系,然后,依据比例关系和第二特征图得到第二车辆特征区域,最后,提取第二车辆特征区域对应的第二特征图中的多个车辆品牌特征信息,方可得到多个车辆品牌特征。
请参照图2,步骤S104还可以包括以下子步骤:
子步骤S1041,依据第二网络中第二池化层的总层数确定第一特征图和第二特征图的比例关系。
在本发明实施例中,第二网络中第二池化层的总层数是第二网络中所有第二卷积池化组中的第二池化层的总的层数。由于第二网络中包括多个第二池化层,每经过一次池化处理都会使图片的大小变小,而第二特征图是将第一特征图输入第二网络进行二次特征提取得到的,故第二特征图的大小与第一特征图的大小不一致,需要知道第一特征图和第二特征图的比例关系。
可以依据第二网络中第二池化层的总层数确定第一特征图和第二特征图的比例关系,第二网络中包括多个第二池化层,假设每经过一次池化处理都会使图片的大小变为原来的一半,第二网络中第二池化层的总层数为N,则第一特征图/第二特征图=2N。例如,第二网络中第二池化层的总层数N=3,得到第一特征图的大小与第二特征图的大小的比例关系为第一特征图/第二特征图=2N=23=8。
子步骤S1042,依据比例关系将第一车辆特征区域映射到第二特征图中,得到第二车辆特征区域。
在本发明实施例中,第二车辆特征区域可以是第一车辆特征区域映射到第二特征图得到的多个区域。第二车辆特征区域包括与第一车辆特征区域一一对应的车前脸区域、左大灯区域、右大灯区域、车标区域、左后视镜区域、右后视镜区域、左雾灯区域、右雾灯区域及格栅区域等9个区域。需要说明的是,第二车辆特征区域中的9个区域与第一特征中的9个区域之间的关系与第一特征图和第二特征图的比例关系有关。第一车辆特征区域是直接由第一特征图经区域检测后直接得到,所以第一车辆特征区域也是针对第一特征图的大小来选定的,所以将第一车辆特征区域映射到第二特征图中还需要依据比例关系。作为一种实施方式,首先,将比例关系求倒数,然后,将第一车辆特征区域映射到第二特征图之前,第一车辆特征区域与上述倒数相乘。例如,第一特征图的大小与第二特征图的大小的比例关系为8:1,求倒数得0.125,将第一车辆特征区域乘以上述倒数,然后再映射到第二特征图。当车前脸区域可以用坐标(0,0)和坐标(10,8)表示时,乘以0.125得到坐标(0,0)和坐标(1.25,1),再将坐标(0,0)和坐标(1.25,1)的长方形映射到第二特征图中,得到车前脸区域对应的第二车辆子特征区域。其它区域对应的第二车辆子特征区域的提取方式也与此相同,在此不再赘述。
子步骤S1043,提取与第二车辆特征区域对应的多个车辆品牌特征信息,以得到多个车辆品牌特征。
在本发明实施例中,第二特征图中包括了多个车辆品牌特征信息,例如,第二车辆特征区域中的车前脸区域的坐标为坐标(0,0)和坐标(1.25,1)的长方形区域对应的车辆品牌特征信息提取出来,得到车前脸区域对应的车辆品牌特征。其它区域对应的车辆品牌特征的提取方式也与此相同,在此不再赘述。
步骤S105,依据多个车辆品牌特征识别车辆图片中的车辆品牌。
在本发明实施例中,车辆品牌可以是,但不限于大众、福特、解放等。所述依据多个车辆品牌特征识别车辆图片中的车辆品牌的步骤,可以是利用支持向量机对车辆品牌特征进行分类,以识别车辆图片中的车辆品牌,还可以是利用卷积神经网络的第三网络对多个车辆品牌特征进行识别,以得到车辆图片中的车辆品牌。作为一种实施方式,利用支持向量机对车辆品牌特征进行分类,以识别车辆图片中的车辆品牌。对每一个车辆品牌特征利用HOG(Histogram Of gradient)进行形状特征向量的提取,利用LBP(Local BinaryPattern)进行外形特征向量的提取,将所有的车辆品牌特征的形状特征向量和外形特征向量连接成一个总的特征向量,利用支持向量机将总的特征向量与存储的标准特征向量相匹配,如果匹配,则基于形状特征向量计算车辆品牌的置信度,将置信度最高的品牌确定为车辆图片的车辆品牌。
作为另一种实施方式,利用卷积神经网络的第三网络对多个车辆品牌特征进行识别,以得到车辆图片中的车辆品牌。第三网络可以是金字塔池化层和1×1卷积层,也可以是金字塔池化层和全连接层。第三网络的金字塔池化层和第二网络相连。利用卷积神经网络的第三网络对多个车辆品牌特征进行识别,以得到车辆图片中的车辆品牌的步骤包括:首先,将多个车辆品牌特征输入第三网络的金字塔层进行最大池化处理,得到多个品牌特征向量,按照预设顺序将多个品牌特征向量进行排列得到特征向量序列,然后,将特征向量序列输入第三网络的1×1卷积层或者全连接层,得到一维特征向量并确定其中的最大特征数值,最后,依据车辆品牌表和最大特征数值确定车辆图片的车辆品牌。
请参照图3,步骤S105中利用卷积神经网络的第三网络对多个车辆品牌特征进行识别,以得到车辆图片中的车辆品牌的步骤还可以包括以下子步骤:
子步骤S1051,将多个车辆品牌特征进行金字塔池化处理得到多个品牌特征向量。
在本发明实施例中,将多个车辆品牌特征输入金字塔池化层,利用最大池化法进行对多个车辆品牌特征处理,得到多个品牌特征向量。品牌特征向量可以是多个车辆品牌特征经金字塔池化层而得到的与车辆品牌特征有关的向量。假设车前脸的车辆品牌特征的大小为a×a,并且车前脸的车辆品牌特征被划分成大小为n×n的子区域。金字塔池化可以视为滑动窗口模式下窗口大小为a/n,步幅为a/n的卷积算子。可选地,选用三个级别的空间金字塔池化配置,n×n分别是1×1、2×2和4×4。金字塔池化的最终输出是将这三个级别的池化结果连接成一个向量,即为车前脸的品牌特征向量,且车前脸的品牌特征向量为固定长度,因此,无需考虑输入车辆品牌特征的尺寸。其它区域的品牌特征向量的提取方式也与此相同,在此不再赘述。由子步骤S1051得到车前脸的品牌特征向量、左大灯的品牌特征向量、右大灯的品牌特征向量、车标的品牌特征向量、左后视镜的品牌特征向量、右后视镜的品牌特征向量、左雾灯的品牌特征向量、雾灯的品牌特征向量及格栅的品牌特征向量。
子步骤S1052,将多个品牌特征向量按照预设顺序进行排列得到特征向量序列。
在本发明实施例中,预设顺序可以是,但不限于车前脸-左大灯-右大灯-车标-左后视镜-右后视镜-左雾灯-雾灯-格栅。特征向量序列可以是多个品牌特征向量依次排列得到的。把子步骤S1051得到多个品牌特征向量按照预设顺序依次排练,得到特征向量序列。
子步骤S1053,对特征向量序列进行卷积运算,得到包含多个特征数值的一维特征向量。
在本发明实施例中,一维特征向量可以是特征向量序列经过卷积运算得到的一维向量,特征数值可以一维特征向量中包含的数值。例如,一维特征向量可以是(3,5,7,9,……3),里边的3,5,7,9,3均为特征数值。
子步骤S1054,从多个特征数值中确定出最大特征数值。
在本发明实施例中,最大特征数值为所有特征数值中的最大值。可以运用冒泡法、***排序法、选择排序法等方式确定出多个特征数值中的最大特征数值。例如,选用冒泡法确定出最大特征数值,比较相邻的特征数值。如果第一个特征数值比第二个特征数值大,就交换它们两个的位置;对每一对相邻特征数值作同样的工作,从开始到最后,这样在最后特征数值为最大特征数值。
所述电子设备100中预先存储有车辆品牌表,所述车辆品牌表包括多个依次排列的车辆品牌名称,所述车辆品牌表为一维向量。车辆品牌名称可以是,但不限于大众,奔驰,宝马等。例如,一维特征向量可以是(大众,别克,雪佛兰,现代,比亚迪,奔驰,宝马……)
子步骤S1055,将最大特征数值在车辆品牌表中对应的车辆品牌名称作为车辆图片的车辆品牌。
在本发明实施例中,由于一维特征向量和车辆品牌表均为一维向量,将一维特征向量与车辆品牌表对齐,每个一维特征向量中的特征数值对应一个车辆品牌名称,最大特征数值在车辆品牌表中对应的车辆品牌名称即为所述车辆图片的车辆品牌。例如一维特征向量为(2,4,7,8,5),车辆品牌表为(大众,别克,雪佛兰,现代,比亚迪),可以理解为,特征数值2对应的车辆品牌名称是大众,特征数值4对应的车辆品牌名称是别克,特征数值7对应的车辆品牌名称是雪佛兰,特征数值8对应的车辆品牌名称是现代,特征数值5对应的车辆品牌名称是比亚迪。由于8是所有特征数值中的最大特征数值,把特征数值8对应的车辆品牌名称现代作为该车辆图片的车辆品牌。
与现有技术相比,本发明实施例具有以下优势:
首先,检测出车前脸、左大灯、右大灯、车标、左后视镜、右后视镜、左雾灯、右雾灯及格栅9个区域用于品牌识别,从而获得更丰富的特征信息,对污损、倾斜、小像素、周围纹理、部分遮挡等因素的干扰具有较强的鲁棒性,提高了车辆品牌识别的准确度,且在发生车辆无车牌、定位不到车牌、车牌定位不准确等情况时,也进行车辆品牌识别,进而提高了车辆品牌识别的效率。
其次,区域检测中的第一特征图是车辆图片经卷积神经网络中的第一网络进行特征提取得到,实现部分网络参数和第一特征图的共享,减小了显存占用,提高了车辆品牌识别的速度。
最后,由于车辆区域特征检测与车辆品牌识别属于不同学习任务,本发明实施例实现了端到端的车辆区域特征检测和车辆品牌识别多任务学习。这样不仅实现了车辆区域检测网络和车辆品牌识别网络的网络参数、第一特征图的共享,减小了模型的显存占用,同时通过车辆区域特征检测学习对车辆品牌学习进行正则化,提升模型的泛化能力。
第二实施例
请参阅图4,图4示出了本发明实施例提供的车辆品牌识别装置200的方框示意图。车辆品牌识别装置200包括第一特征提取模块201、区域检测模块202、第二特征提取模块203、执行模块204及品牌识别模块205。
第一特征提取模块201,用于获取车辆图片,并将所述车辆图片输入预设的卷积神经网络,利用所述卷积神经网络的第一网络进行特征提取,得到第一特征图。
区域检测模块202,用于对所述第一特征图进行区域检测,得到所述第一特征图中的第一车辆特征区域。
第二特征提取模块203,用于利用所述卷积神经网络的第二网络对所述第一特征图进行二次特征提取,得到第二特征图。
在本发明实施例中,第一网络包括多个第一卷积层和至少一个第一池化层,且多个第一卷积层的总层数大于至少一个第一池化层的总层数;第二网络包括多个第二卷积层和至少一个第二池化层,且多个第二卷积层的总层数大于至少一个第二池化层的总层数。
执行模块204,用于依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征,其中,所述第二特征图包括多个车辆品牌特征信息。
在本发明实施例中,执行模块204具体用于:依据第二网络中第二池化层的总层数确定第一特征图和第二特征图的比例关系;依据比例关系将第一车辆特征区域映射到第二特征图中,得到第二车辆特征区域;提取与第二车辆特征区域对应的多个车辆品牌特征信息,以得到多个车辆品牌特征。
品牌识别模块205,用于依据多个车辆品牌特征识别车辆图片中的车辆品牌。
在本发明实施例中,品牌识别模块205可以用于利用支持向量机对车辆品牌特征进行分类,以识别车辆图片中的车辆品牌,还可以用于利用所述卷积神经网络的第三网络对所述多个车辆品牌特征进行识别,以得到所述车辆图片中的车辆品牌。
在本发明实施例中,品牌识别模块205具体用于:将多个车辆品牌特征进行金字塔池化处理得到多个品牌特征向量;将多个品牌特征向量按照预设顺序进行排列得到特征向量序列;对特征向量序列进行卷积运算,得到包含多个特征数值的一维特征向量;从多个特征数值中确定出最大特征数值;将最大特征数值在所述车辆品牌表中对应的车辆品牌名称作为车辆图片的车辆品牌。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质有计算机可执行指令,计算机可执行指令用于实现上述车辆品牌识别方法。
综上所述,本发明提供一种车辆品牌识别方法、装置及可读存储介质,所述方法包括:获取车辆图片,并将车辆图片输入预设的卷积神经网络,利用卷积神经网络的第一网络进行特征提取,得到第一特征图;对第一特征图进行区域检测,得到第一特征图中的第一车辆特征区域;利用卷积神经网络的第二网络对第一特征图进行二次特征提取,得到第二特征图;依据第一车辆特征区域,提取出第二特征图中的多个车辆品牌特征,其中,第二特征图包括多个车辆品牌特征信息;依据多个车辆品牌特征识别车辆图片中的车辆品牌。与现有中的根据车牌的精准位置信息进行车辆品牌识别相比,本发明提供的车辆品牌识别方法首先,检测出车前脸、左大灯、右大灯、车标、左后视镜、右后视镜、左雾灯、右雾灯及格栅9个区域用于车辆品牌识别,从而获得更丰富的特征信息,对污损、倾斜、小像素、周围纹理、部分遮挡等因素的干扰具有较强的鲁棒性,提高了车辆品牌识别的准确度,且在发生车辆无车牌、定位不到车牌、车牌定位不准确等情况时,也进行车辆品牌识别,进而提高了车辆品牌效率;其次,区域检测中的第一特征图是车辆图片经卷积神经网络中的第一网络进行特征提取得到,实现部分网络参数和第一特征图的共享,减小了显存占用,提高了车辆品牌识别的速度。最后,由于车辆区域特征检测与车辆品牌识别属于不同学习任务,本发明实施例实现了端到端的车辆区域特征检测和车辆品牌识别多任务学习。这样不仅实现了车辆区域检测网络和车辆品牌识别网络的网络参数、第一特征图的共享,减小了模型的显存占用,同时通过车辆区域特征检测学习对车辆品牌学习进行正则化,提升模型的泛化能力。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种车辆品牌识别方法,其特征在于,应用于电子设备,所述方法包括:
获取车辆图片,并将所述车辆图片输入预设的卷积神经网络,利用所述卷积神经网络的第一网络进行特征提取,得到第一特征图;
对所述第一特征图进行区域检测,得到所述第一特征图中的第一车辆特征区域;所述第一车辆特征区域包括车前脸区域、左大灯区域、右大灯区域、车标区域、左后视镜区域、右后视镜区域、左雾灯区域、右雾灯区域及格栅区域;
利用所述卷积神经网络的第二网络对所述第一特征图进行二次特征提取,得到第二特征图;
依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征,其中,所述第二特征图包括多个车辆品牌特征信息;所述多个车辆品牌特征包括所述车前脸区域对应的车辆品牌特征、所述左大灯区域对应的车辆品牌特征、所述右大灯区域对应的车辆品牌特征、所述车标区域对应的车辆品牌特征、所述左后视镜区域对应的车辆品牌特征、所述右后视镜区域对应的车辆品牌特征、所述左雾灯区域对应的车辆品牌特征、所述右雾灯区域对应的车辆品牌特征及所述格栅区域对应的车辆品牌特征;
依据所述多个车辆品牌特征识别所述车辆图片中的车辆品牌。
2.如权利要求1所述的方法,其特征在于,所述第一网络包括多个第一卷积层和至少一个第一池化层,且所述多个第一卷积层的总层数大于所述至少一个第一池化层的总层数;
所述第二网络包括多个第二卷积层和至少一个第二池化层,且所述多个第二卷积层的总层数大于所述至少一个第二池化层的总层数。
3.如权利要求2所述的方法,其特征在于,所述依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征的步骤,包括:
依据所述第二网络中第二池化层的总层数确定所述第一特征图和第二特征图的比例关系;
依据所述比例关系将所述第一车辆特征区域映射到所述第二特征图中,得到第二车辆特征区域;
提取与所述第二车辆特征区域对应的所述多个车辆品牌特征信息,以得到所述多个车辆品牌特征。
4.如权利要求1所述的方法,其特征在于,所述依据所述多个车辆品牌识别所述车辆图片中的车辆品牌的步骤,包括:
利用所述卷积神经网络的第三网络对所述多个车辆品牌特征进行识别,以得到所述车辆图片中的车辆品牌。
5.如权利要求4所述的方法,其特征在于,所述电子设备中预先存储有车辆品牌表,所述车辆品牌表包括多个依次排列的车辆品牌名称,所述车辆品牌表为一维向量,所述利用所述卷积神经网络的第三网络对所述多个车辆品牌特征进行识别,以得到所述车辆图片中的车辆品牌的步骤,包括:
将所述多个车辆品牌特征进行金字塔池化处理得到多个品牌特征向量;
将所述多个品牌特征向量按照预设顺序进行排列得到特征向量序列;
对所述特征向量序列进行卷积运算,得到包含多个特征数值的一维特征向量;
从所述多个特征数值中确定出最大特征数值;
将所述最大特征数值在所述车辆品牌表中对应的车辆品牌名称作为所述车辆图片的车辆品牌。
6.如权利要求5所述的方法,其特征在于,所述第三网络包括1×1卷积层或者全连接层。
7.一种车辆品牌识别装置,其特征在于,应用于电子设备,所述装置包括:
第一特征提取模块,用于获取车辆图片,并将所述车辆图片输入预设的卷积神经网络,利用所述卷积神经网络的第一网络进行特征提取,得到第一特征图;
区域检测模块,用于对所述第一特征图进行区域检测,得到所述第一特征图中的第一车辆特征区域;所述第一车辆特征区域包括车前脸区域、左大灯区域、右大灯区域、车标区域、左后视镜区域、右后视镜区域、左雾灯区域、右雾灯区域及格栅区域;
第二特征提取模块,用于利用所述卷积神经网络的第二网络对所述第一特征图进行二次特征提取,得到第二特征图;
执行模块,用于依据所述第一车辆特征区域,提取出所述第二特征图中的多个车辆品牌特征,其中,所述第二特征图包括多个车辆品牌特征信息;所述多个车辆品牌特征信息包括车前脸的品牌特征向量、左大灯的品牌特征向量、右大灯的品牌特征向量、车标的品牌特征向量、左后视镜的品牌特征向量、右后视镜的品牌特征向量、左雾灯的品牌特征向量、右雾灯的品牌特征向量及格栅的品牌特征向量;
品牌识别模块,用于依据所述多个车辆品牌特征识别所述车辆图片中的车辆品牌。
8.如权利要求7所述的装置,其特征在于,所述第一网络包括多个第一卷积层和至少一个第一池化层,且所述多个第一卷积层的总层数大于所述至少一个第一池化层的总层数;
所述第二网络包括多个第二卷积层和至少一个第二池化层,且所述多个第二卷积层的总层数大于所述至少一个第二池化层的总层数。
9.如权利要求8所述的装置,其特征在于,所述执行模块具体用于:
依据所述第二网络中第二池化层的总层数确定所述第一特征图和第二特征图的比例关系;
依据所述比例关系将所述第一车辆特征区域映射到所述第二特征图中,得到第二车辆特征区域;
提取与所述第二车辆特征区域对应的所述多个车辆品牌特征信息,以得到所述多个车辆品牌特征。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811070622.6A CN110895692B (zh) | 2018-09-13 | 2018-09-13 | 车辆品牌识别方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811070622.6A CN110895692B (zh) | 2018-09-13 | 2018-09-13 | 车辆品牌识别方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895692A CN110895692A (zh) | 2020-03-20 |
CN110895692B true CN110895692B (zh) | 2023-04-07 |
Family
ID=69785534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811070622.6A Active CN110895692B (zh) | 2018-09-13 | 2018-09-13 | 车辆品牌识别方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895692B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754784B (zh) * | 2020-06-23 | 2022-05-24 | 高新兴科技集团股份有限公司 | 基于注意力机制的多层网络的车辆主子品牌识别方法 |
CN112380913A (zh) * | 2020-10-21 | 2021-02-19 | 苏州怡林城信息科技有限公司 | 基于动态调整和局部特征向量联合的车牌检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和*** |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN108334892A (zh) * | 2017-12-26 | 2018-07-27 | 新智数字科技有限公司 | 一种基于卷积神经网络的车型识别方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124409A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Cascaded neural network with scale dependent pooling for object detection |
CN105654066A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
-
2018
- 2018-09-13 CN CN201811070622.6A patent/CN110895692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和*** |
CN105894045A (zh) * | 2016-05-06 | 2016-08-24 | 电子科技大学 | 一种基于空间金字塔池化的深度网络模型的车型识别方法 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN108334892A (zh) * | 2017-12-26 | 2018-07-27 | 新智数字科技有限公司 | 一种基于卷积神经网络的车型识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110895692A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110119148B (zh) | 一种六自由度姿态估计方法、装置及计算机可读存储介质 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN110909712B (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN104361359A (zh) | 基于图像检测的车辆识别方法 | |
CN109348731A (zh) | 一种图像匹配的方法及装置 | |
CN110853085B (zh) | 基于语义slam的建图方法和装置及电子设备 | |
CN110895692B (zh) | 车辆品牌识别方法、装置及可读存储介质 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN115100450B (zh) | 基于人工智能的智慧交通品牌汽车大数据检测方法及*** | |
CN110705338A (zh) | 车辆检测方法、装置及监控设备 | |
CN110544268A (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
CN110097108B (zh) | 非机动车的识别方法、装置、设备及存储介质 | |
JP2021532449A (ja) | 車線属性検出 | |
CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
CN116863124B (zh) | 车辆姿态确定方法、控制器及存储介质 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
WO2023044656A1 (zh) | 车辆通行提醒方法、装置及车载终端 | |
CN109213515A (zh) | 多平台下埋点归一方法及装置和电子设备 | |
KR20190081910A (ko) | 멀티 심도 이미지의 자동 변환 방법 | |
CN109409247B (zh) | 交通标志识别方法和装置 | |
CN112101139A (zh) | 人形检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |