CN112861567B - 一种车型分类方法及装置 - Google Patents
一种车型分类方法及装置 Download PDFInfo
- Publication number
- CN112861567B CN112861567B CN201911102143.2A CN201911102143A CN112861567B CN 112861567 B CN112861567 B CN 112861567B CN 201911102143 A CN201911102143 A CN 201911102143A CN 112861567 B CN112861567 B CN 112861567B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle type
- character information
- identified
- motor vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 64
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车型分类方法及装置,属于计算机技术领域,所述应用于电子设备,所述方法包括:通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;如果所述第一车型为预设车型,则通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括图像特征与机动车辆的车型的对应关系;根据所述第二车型,确定所述待识别机动车辆的目标车型。采用本申请,能够提高车型分类的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车型分类方法及装置。
背景技术
交通管理部门针对机动车辆的不同车型,设置有不同的管理规定,管理规定例如禁止行驶的路线、允许停放的位置。其中,车型包括轿车、面包车、客车、公交车以及皮卡车。为了保证道路安全,可以通过识别机动车辆的车型的方式,对违反管理规定的机车车辆进行检测。
相关技术中,用于检测违反管理规定的机动车辆的电子设备,可以通过安装在道路两侧的监控摄像机获取包含待识别机动车辆的图片。然后,电子设备可以通过预设的卷积神经网络和该图片,对待识别机动车辆的车型进行分类,得到待识别机动车辆的目标车型。之后,电子设备可以判断目标车型是否为预设车型,如果目标车型是预设车型,则电子设备可以判定待识别机动车辆违反了管理规定。
然而,通过卷积神经网络和包含待识别机动车辆的图片,无法对外形相似的客车和公交车进行分类,因此,基于作为粗粒度分类模型的卷积神经网络对机动车辆的车型进行分类,导致车型分类的准确率低。
发明内容
本申请实施例的目的在于提供一种车型分类方法及装置,以实现提高车型分类的准确率。具体技术方案如下:
第一方面,提供了一种车型分类方法,应用于电子设备,所述方法包括:
通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
如果所述第一车型为预设车型,则通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
根据所述第二车型,确定所述待识别机动车辆的目标车型。
可选的,如果所述第一车型为预设车型,所述方法还包括:
从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别所述车脸图像区域中包含的字符信息;
根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述根据所述第二车型,确定所述待识别机动车辆的目标车型包括:
如果所述第二车型与所述第三车型相同,将所述第二车型作为所述待识别机动车辆的目标车型。
可选的,如果所述第二车型与所述第三车型不同,所述方法还包括:
基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
如果所述第一置信水平大于所述第二置信水平,则将所述第二车型作为所述待识别机动车辆的目标车型;
如果所述第一置信水平小于所述第二置信水平,则将所述第三车型作为所述待识别机动车辆的目标车型。
可选的,所述字符信息为多个,所述基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平包括:
针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
可选的,所述如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功包括:
如果在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别,则确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
第二方面,提供了一种车型分类装置,应用于电子设备,所述装置包括:
第一分类模块,用于通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
第二分类模块,用于当所述第一车型为预设车型时,通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
第一确定模块,用于根据所述第二车型,确定所述待识别机动车辆的目标车型。
可选的,所述装置还包括:
提取模块,用于在所述第一车型为预设车型时,从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别模块,用于识别所述车脸图像区域中包含的字符信息;
第二确定模块,用于根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述第一确定模块,还用于当所述第二车型与所述第三车型相同时,将所述第二车型作为所述待识别机动车辆的目标车型。
可选的,所述装置还包括:
所述第二分类模块,还用于基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
所述第二确定模块,还用于基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
第三确定模块,用于在所述第二车型与所述第三车型不同,且所述第一置信水平大于所述第二置信水平时,将所述第二车型作为所述待识别机动车辆的目标车型;
所述第三确定模块,还用于在所述第二车型与所述第三车型不同,且所述第一置信水平小于所述第二置信水平时,将所述第三车型作为所述待识别机动车辆的目标车型。
可选的,所述第二确定模块包括:
第一确定子模块,用于当所述字符信息为多个时,针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
计算子模块,用于在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
第二确定子模块,用于将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
可选的,所述第一确定子模块包括:
第三确定子模块,用于当在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别时,确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
第四确定子模块,用于根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现现任一第一方面所述的方法步骤。
第四方面,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内存储有计算机程序,所述计算机程序被处理器执行时实现任一第一方面所述的方法步骤。
本申请实施例提供的一种车型分类方法及装置,通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到待识别机动车辆的第一车型;如果第一车型为预设车型,则通过预设的细粒度分类模型,对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型,其中,细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;根据第二车型,确定待识别机动车辆的目标车型。
由于当第一车型为容易分类错误的预设车型时,通过细粒度分类模型对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型,并根据第二车型确定待识别机动车辆的目标车型,因此,能够提高车型分类的准确率。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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为本申请实施例提供的一种车型分类方法的流程图;
图2为本申请实施例提供的一种车型分类方法的流程图;
图3a为本申请实施例提供的一种车脸图像区域的示意图;
图3b为本申请实施例提供的另一种车脸图像区域的示意图;
图4为本申请实施例提供的一种车型分类方法的流程图;
图5为本申请实施例提供的一种车型分类装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供了一种车型分类方法,该方法应用于电子设备,电子设备可以是任一具有搜索功能、计算功能的电子设备,例如电子计算机、平板电脑。电子设备可以与安装在道路两侧的监控摄像机相连,基于监控摄像机获取的包含机动车辆的图片,对道路中行驶的机车车辆的车型进行识别,从而对道路中违反管理规定的机车车辆进行检测。车型包括轿车、面包车、客车、公交车以及皮卡车。
本申请实施例提供了一种电子设备基于粗粒度分类模型、细粒度分类模型,对机动车辆的车型进行分类的方法,如图1所示,具体处理过程包括:
步骤101,通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到待识别机动车辆的第一车型。
其中,电子设备中可以预先设置有粗粒度分类模型、粗粒度分类模型例如卷积神经网络、支持向量机。
在实施中,电子设备可以通过监控摄像机对道路进行拍摄,得到道路图片,然后,电子设备可以判断道路图片中是否包含机动车辆,即判断该道路图片是否包含待识别机动车辆。
如果该道路图片包含待识别机动车辆,则电子设备可以通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到待识别机动车辆的第一车型。如果该道路图片不包含待识别机动车辆,则电子设备可以不作后续处理。
本申请实施例中,电子设备可以通过预设的目标检测算法,判断该图片是否包含机动车辆。目标检测算法可以是任一具有图像识别功能的算法,例如Faster R-CNN(FasterRecurrent-Convolutional Neural Networks,更快循环卷积神经网络)、YOLO(You OnlyLook Once,实时目标检测***),本申请实施例不作具体限定。本申请实施例对电子设备通过粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类的具体步骤不做限定。
步骤102,如果第一车型为预设车型,则通过预设的细粒度分类模型,对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型。
其中,细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,细粒度分类模型包括图像特征与机动车辆的车型的对应关系,例如注意力模型、支持向量机。本申请实施例中,预设车型可以是公交车或客车。预设车型也可以是公交车、城际客车、游览客车、校车中的一种或多种。
在实施中,电子设备可以判断第一车型是否为预设车型。如果第一车型是预设车型,则电子设备可以在包含待识别机动车辆的图片中,确定待识别机动车辆的图像区域,然后,生成包含该图像区域的预设尺寸的默认尺寸图片。之后,电子设备可以将默认尺寸图片输入至预设的细粒度分类模型中,细粒度分类模型的输出结果即为待识别机动车辆的第二车型,从而实现对包含待识别机动车辆的图片进行二次分类。如果第一车型不是预设车型,则电子设备可以不作后续处理。
例如,如果第一车型为客车或公交车,电子设备可以在包含待识别机动车辆的图片中,确定待识别机动车辆的图像区域。然后,电子设备可以生成包含该图像区域的尺寸为224*224的默认尺寸图片,默认尺寸图片中除该图像区域外的图像区域可以填充黑色像素。之后,电子设备可以将该默认尺寸图片输入至细粒度分类模型中,细粒度分类模型的输出结果为客车,即待识别机动车辆的第二车型为客车,从而完成待识别机动车辆的图片的二次分类。如果第一车型为轿车,则电子设备可以判定第一车型不是预设车型,电子设备可以不作后续处理。
步骤103,根据第二车型,确定待识别机动车辆的目标车型。
在实施中,电子设备根据第二车型,确定待识别机动车辆的目标车型的方式可以是多种多样的,在一种可行的实现方式中,电子设备可以直接将第二车型作为待识别机动车辆的目标车型。在另一种可行的实现方式中,电子设备可以通过其他方式,对待识别机动车辆的车型进行检测,将得到的检测结果与第二车型进行比较,根据比较结果,确定待识别机动车辆的目标车型,具体处理过程后续会进行详细说明。
本申请实施例中,在确定待识别机动车辆的目标车型后,电子设备可以根据目标车型和预设的违规判断规则,判断待识别机动车辆是否违反管理规定。违规判断规则可以是某一监控摄像机拍摄的道路图片中,待识别机动车辆的车型不可以是客车。违规判断规则也可以是某一时间段内待识别机动车辆的车型不可以是客车。
例如,目标车型为客车时,电子设备根据预设的违规判断规则,判定客车不应该出现在当前道路中,则电子设备可以判定该待识别机动车辆违反了管理规定。
在一种可行的实现方式中,电子设备可以判断目标车型是否为预设车型,并在目标车型为预设车型时,发送预设的报警消息,以提示存在违反管理规定的机动车辆。或者,电子设备可以获取待识别机动车辆的车牌号,以便通过记录车牌号的方式,记录违反管理规定的机动车辆。
本申请实施例中,通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到待识别机动车辆的第一车型;如果第一车型为预设车型,则通过预设的细粒度分类模型,对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型;根据第二车型,确定待识别机动车辆的目标车型。由于当第一车型为容易分类错误的预设车型时,通过细粒度分类模型对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型,并根据第二车型确定待识别机动车辆的目标车型,因此,能够提高车型分类的准确率。
可选的,电子设备可以通过对包含待识别机动车辆的图片中的文字进行语义分析的方式,对待识别机动车辆的车型进行检测,得到检测结果,然后,根据检测结果与第二车型的比较结果,确定目标车型。如图2所示,具体处理过程包括:
步骤201,从包含待识别机动车辆的图片中,提取待识别机动车辆的车脸图像区域。
其中,车脸图像区域为包含待识别机动车辆车脸的图像区域,待识别机动车辆车脸包括散热器隔栅、车灯、前风挡玻璃等部位。
电子设备从包含待识别机动车辆的图片中,提取待识别机动车辆的车脸图像区域的具体实现方式,可以采用相关技术中任一种车脸提取方式,在此不做限定。
步骤202,识别车脸图像区域中包含的字符信息。
其中,电子设备中可以预先设置有文字识别算法,文字识别算法可以是任一具有文字识别功能的算法,例如OCR(Optical Character Recognition,光学字符识别)、attention OCR(基于注意力机制的光学字符识别),本申请实施例不作具体限定。
在实施中,电子设备可以通过文字识别算法,识别车脸图像区域中包含的字符信息。
在一种可行的实现方式中,步骤201~步骤202的具体处理过程可以是:电子设备可以在包含待识别机动车辆的图片中,确定车牌对应的车牌图像区域,然后,电子设备可以在车牌图像区域中填充灰色像素,并根据车牌图像区域的坐标,按照预设比例扩大车牌图像区域,确定车脸图像区域。
电子设备可以在车脸图像区域中,确定包含文字的图像区域,通过radon hough(拉东-霍夫)变换的方式,对该图像区域中文字的显示方向进行校正。然后,通过投影直方图方式,对校正后的图像区域进行分割,得到多个包含单行文字的图片;之后,电子设备可以通过文字识别算法对包含单行文字的图片进行识别,得到车脸图像区域包含的字符信息。
电子设备通过文字识别算法对图3a所示的车脸图像区域进行识别,可以得到字符信息:崇州、华阳。电子设备通过文字识别算法对图3b所示的车脸图像区域进行识别,可以得到字符信息:调露村、116路、百祥村、老人民医院以及新人民医院。
步骤203,根据预先存储的字符信息与车型的对应关系、字符信息,确定待识别机动车辆的第三车型。
其中,电子设备中可以预先设置有语义分析算法,语义分析算法可以是任一具有语义分析与字符匹配功能的算法,例如KMP算法(The Knuth-Morris-Pratt Algorithm,克努特—莫里斯—普拉特操作)、BM算法(Boyer-Moore字符串搜索算法),本申请实施例不作具体限定。
在实施中,电子设备可以在预先存储的字符信息与车型的对应关系中,查找与车脸图像区域包含的字符信息匹配的目标字符信息,并将目标字符信息对应的车型,作为待识别机动车辆的第三车型。
在一种可行的实现方式中,电子设备可以通过语义分析算法,匹配车脸图像区域包含的字符信息与字符信息与车型的对应关系包含的字符信息。
步骤204,如果第二车型与第三车型相同,将第二车型作为待识别机动车辆的目标车型。
在实施中,电子设备可以判断第二车型与第三车型是否相同,如果第二车型与第三车型相同,电子设备可以将第二车型或第三车型作为待识别机动车辆的目标车型。
如果第二车型与第三车型不同,电子设备可以根据预设选择规则,选择第二车型或第三车型作为待识别机动车辆的目标车型,具体处理过程后续会进行详细说明。
本申请实施例中,由于一般情况下客车或公交车的车脸区域均设置有文字标语,以便标识该客车或公交车的起点、终点、途径站点、线路编号等信息。因此,电子设备可以从包含待识别机动车辆的图片中,提取待识别机动车辆的车脸图像区域,识别车脸图像区域中包含的字符信息,然后,根据字符信息与车型的对应关系和字符信息,确定待识别机动车辆的第三车型。当第二车型与第三车型相同时,将第二车型或第三车型作为目标车型,由于基于文字语义解析的方式,获取待识别机动车辆的第三车型,再通过与细粒度分类模型的分类结果交叉验证的方式确定待识别机动车辆的目标车型,因此,能够提高车型分类的准确率。
可选的,如果第二车型与第三车型不同,电子设备根据预设选择规则选择第二车型或第三车型,作为待识别机动车辆的目标车型的具体处理过程可以包括:
电子设备基于细粒度分类模型和包含待识别机动车辆的图像,不仅能够确定第二车型,还可以确定第二车型的第一置信水平;电子设备基于字符信息与车型的对应关系和字符信息,不仅能够确定待识别机动车辆的第三车型,还可以确定第三车型的第二置信水平。
电子设备可以比较第一置信水平和第二置信水平,如果第一置信水平大于第二置信水平,则将第二车型作为待识别机动车辆的目标车型。如果第一置信水平小于第二置信水平,则将第三车型作为待识别机动车辆的目标车型。
例如,第二车型为客车,第三车型为公交车,第二车型的第一置信水平为0.8,第三车型的第二置信水平为0.9,电子设备可以比较第一置信水平和第二置信水平,确定第一置信水平小于第二置信水平,然后,电子设备可以将第三车型公交车作为待识别机动车辆的目标车型。
本申请实施例中,电子设备可以在通过细粒度分类模型和包含待识别机动车辆的图片确定出的第二车型,与通过语义分析算法和字符信息确定出的第三车型不相同时,比较第二车型的第一置信水平、第三车型的第二置信水平,并将对应的置信水平更大的车型确定为目标车型,由此,能够提高车型分类的准确率。
本申请实施例提供了一种细粒度分类模型的设置过程,具体包括:细粒度分类模型中卷积层的每个通道代表某一种视觉特征,或待识别机动车辆的某个局部区域。其中,视觉特征例如散热格栅的纹理、雾灯的轮廓,局部区域例如车脸的上半部分、车灯形状、方向指示灯、车标。为了便于通过某一卷积层表示待识别对象的某一局部区域的全部特征,需要对通道进行聚类合并、为每个通道分配权重从而进行通道的加权计算。
可以理解的是,由于卷积神经网络输出层的限制,所以粗粒度分类模型无法针对公交车和客车等外形相似的车型进行正确的分类,而细粒度分类模型由于通过对峰值相应区域类似的通道进行聚类、并将同一类别的通道进行加权相加,可以找到具有机动车辆中具有区分度的部件,学***,因此,能够实现精细的车型分类,有效提高相似车型的分类正确率。
本申请实施例中,基于图像样本及其所包括的机动车辆的车型对细粒度分类模型进行训练的具体实现方式,可以采用相关技术中任一种模型训练方式,在此不做限定。
可选的,本申请实施例提供了一种当车脸图像区域中包含的字符信息为多个时,电子设备基于字符信息与车型的对应关系和字符信息,确定待识别机动车辆的第三车型、以及第三车型的第二置信水平的实现方式,如图4所示,具体包括:
步骤401,针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到该字符信息对应的车型,则确定字符匹配成功。
其中,电子设备中可以预先存储有字符信息与车型的对应关系,字符信息与车型的对应关系可以是字符信息“班车”、“接驳车”、“旅游”对应的车型为客车,字符信息“线路”、“公交”、“党员先锋号”、“投币”对应的车型为公交车。
在实施中,电子设备可以针对车脸图像区域包含的每个字符信息,根据语义分析算法,将该字符信息与字符信息与车型的对应关系包含的字符信息进行匹配。如果存在与该字符信息匹配的目标字符信息,则电子设备将目标字符信息对应的车型作为该字符信息对应的车型,确定查找到该字符信息对应的车型,并确定字符匹配成功。
如果不存在与该字符信息匹配的目标字符信息,则电子设备可以确定字符匹配失败。由此,电子设备可以确定字符匹配成功的字符信息,以及其对应的车型。
步骤402,在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值。
在实施中,电子设备可以确定字符匹配成功的字符信息的数量,并在字符匹配成功的字符信息中,确定对应的车型为同一车型的字符信息的数量,然后,电子设备可以计算对应的车型为同一车型的字符信息的数量占字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值。
例如,电子设备可以确定字符匹配成功的字符信息的数量为5个,并在字符匹配成功的字符信息中,确定对应的车型为公交车的字符信息的数量为1个,对应的车型为客车的字符信息的数量为4个。然后,电子设备可以计算对应的车型为公交车的字符信息的数量占字符匹配成功的字符信息的数量的比例值,得到公交车对应的比例值为0.2。电子设备可以计算对应的车型为客车的字符信息的数量占字符匹配成功的字符信息的数量的比例值,得到客车对应的比例值为0.8。
步骤403,将不同车型对应的比例值中的最大值作为第二置信水平,并将最大值对应的车型作为待识别机动车辆的第三车型。
例如,电子设备可以将不同车型对应的比例值0.2、0.8中的最大值0.8作为第二置信水平,并将比例值0.8对应的车型客车作为待识别机动车辆的第三车型。
本申请实施例中,电子设备可以针对每个字符信息,根据字符信息与车型的对应关系、对该字符信息进行字符匹配。然后针对字符匹配成功的字符信息,计算对应的车型为同一车型的字符信息的数量占字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值。将不同车型对应的比例值中的最大值作为第二置信水平,并将最大值对应的车型作为待识别机动车辆的第三车型。由于将不同车型对应的比例值中的最大值作为第二置信水平,并将最大值对应的车型作为待识别机动车辆的第三车型,因此,能够提高车型分类的准确率。
可选的,本申请实施例提供了一种电子设备根据字符信息与车型的对应关系,对车脸图像区域包含的字符信息进行字符匹配的实现方式,包括:
步骤一、如果在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别,则确定字符匹配成功。
其中,电子设备中可以预先存储有字符信息与道路级别的对应关系,道路级别包括公路级别或城市道路级别。电子设备可以通过获取预先存储的全国公交数据库的方式,获取字符信息与道路级别的对应关系。电子设备中还可以预先存储有道路级别与车型的对应关系,道路级别与车型的对应关系例如城市道路级别对应的车型为公交车,公路级别对应的车型为客车。本申请实施例中,道路级别还可以是城市、公交线路、公交车站中的一种或多种,本申请实施例不作具体限定。
在实施中,电子设备可以针对车脸图像区域包含的每个字符信息,根据语义分析算法,将该字符信息与字符信息与道路级别的对应关系包含的字符信息进行匹配。如果存在与该字符信息匹配的目标字符信息,则电子设备将目标字符信息对应的道路级别作为该字符信息对应的道路级别,确定查找到该字符信息对应的道路级别,并确定字符匹配成功。
如果不存在与该字符信息匹配的目标字符信息,则电子设备可以确定字符匹配失败。
例如,如图3a所示的字符信息“崇州”“华阳”,电子设备可以根据语义分析算法、字符信息与道路级别的对应关系,确定该字符信息对应的目标道路级别为城市。如图3b所示的字符信息“116路”,电子设备可以根据语义分析算法、字符信息与道路级别的对应关系,确定该字符信息对应的目标道路级别为公交线路,类似的,针对字符信息“调露村”、“百祥村”、“老人民医院”、“新人民医院”,电子设备可以确定其对应的目标道路级别为公交车站。
步骤二、根据目标道路级别、预先存储的道路级别与车型的对应关系,确定目标道路级别对应的车型,得到该字符信息对应的车型。
在实施中,电子设备可以在预先存储的道路级别与车型的对应关系中,将目标道路级别对应的车型,作为该字符信息对应的车型。
例如,基于图3a所示的车脸图像区域,电子设备可以将目标道路级别城市对应的车型客车,作为字符信息“崇州”“华阳”对应的车型。基于图3b所示的车脸图像区域,电子设备可以将目标道路级别公交线路对应的车型公交车,作为字符信息“116路”对应的车型。
由此,电子设备可以确定字符匹配成功的字符信息,以及其对应的车型。
本申请实施例中,如果电子设备在字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别,则确定字符匹配成功。然后,电子设备可以根据预先存储的道路级别与车型的对应关系,确定目标道路级别对应的车型,得到该字符信息对应的车型。由此,电子设备可以基于预设的全国公交数据库,确定字符信息对应的目标道路级别,并进一步的,基于道路级别与车型的对应关系,确定目标道路级别对应的车型,提高确定该字符信息对应的车型的准确率。便于后续根据字符信息对应的车型确定第三车型,以及第三车型的第二置信水平,因此,能够提高车型分类的准确率。
本申请实施例还提供了一种车型分类装置,如图5所示,所述应用于电子设备,所述装置包括:
第一分类模块510,用于通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
第二分类模块520,用于当所述第一车型为预设车型时,通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
第一确定模块530,用于根据所述第二车型,确定所述待识别机动车辆的目标车型。
可选的,所述装置还包括:
提取模块,用于在所述第一车型为预设车型时,从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别模块,用于识别所述车脸图像区域中包含的字符信息;
第二确定模块,用于根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述第一确定模块,还用于当所述第二车型与所述第三车型相同时,将所述第二车型作为所述待识别机动车辆的目标车型。
可选的,所述装置还包括:
所述第二分类模块,还用于基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
所述第二确定模块,还用于基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
第三确定模块,用于在所述第二车型与所述第三车型不同,且所述第一置信水平大于所述第二置信水平时,将所述第二车型作为所述待识别机动车辆的目标车型;
所述第三确定模块,还用于在所述第二车型与所述第三车型不同,且所述第一置信水平小于所述第二置信水平时,将所述第三车型作为所述待识别机动车辆的目标车型。
可选的,所述第二确定模块包括:
第一确定子模块,用于当所述字符信息为多个时,针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
计算子模块,用于在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
第二确定子模块,用于将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
可选的,所述第一确定子模块包括:
第三确定子模块,用于当在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别时,确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
第四确定子模块,用于根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
本申请实施例提供的一种车型分类装置,通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到待识别机动车辆的第一车型;如果第一车型为预设车型,则通过预设的细粒度分类模型,对包含待识别机动车辆的图片进行二次分类,得到待识别机动车辆的第二车型,其中,细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;根据第二车型,确定待识别机动车辆的目标车型。
本申请实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
如果所述第一车型为预设车型,则通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
根据所述第二车型,确定所述待识别机动车辆的目标车型。
可选的,如果所述第一车型为预设车型,所述方法还包括:
从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别所述车脸图像区域中包含的字符信息;
根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述根据所述第二车型,确定所述待识别机动车辆的目标车型包括:
如果所述第二车型与所述第三车型相同,将所述第二车型作为所述待识别机动车辆的目标车型。
可选的,如果所述第二车型与所述第三车型不同,所述方法还包括:
基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
如果所述第一置信水平大于所述第二置信水平,则将所述第二车型作为所述待识别机动车辆的目标车型;
如果所述第一置信水平小于所述第二置信水平,则将所述第三车型作为所述待识别机动车辆的目标车型。
可选的,所述字符信息为多个,所述基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平包括:
针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
可选的,所述如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功包括:
如果在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别,则确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一车型分类方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一车型分类方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种车型分类方法,其特征在于,应用于电子设备,所述方法包括:
通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
如果所述第一车型为预设车型,则通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
根据所述第二车型,确定所述待识别机动车辆的目标车型;
如果所述第一车型为预设车型,所述方法还包括:
从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别所述车脸图像区域中包含的字符信息;
根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述根据所述第二车型,确定所述待识别机动车辆的目标车型包括:
如果所述第二车型与所述第三车型相同,将所述第二车型作为所述待识别机动车辆的目标车型。
2.根据权利要求1所述的方法,其特征在于,如果所述第二车型与所述第三车型不同,所述方法还包括:
基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
如果所述第一置信水平大于所述第二置信水平,则将所述第二车型作为所述待识别机动车辆的目标车型;
如果所述第一置信水平小于所述第二置信水平,则将所述第三车型作为所述待识别机动车辆的目标车型。
3.根据权利要求2所述的方法,其特征在于,所述字符信息为多个,所述基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平包括:
针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
4.根据权利要求3所述的方法,其特征在于,所述如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功包括:
如果在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别,则确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
5.一种车型分类装置,其特征在于,应用于电子设备,所述装置包括:
第一分类模块,用于通过预设的粗粒度分类模型,对包含待识别机动车辆的图片进行初步分类,得到所述待识别机动车辆的第一车型;
第二分类模块,用于当所述第一车型为预设车型时,通过预设的细粒度分类模型,对所述包含待识别机动车辆的图片进行二次分类,得到所述待识别机动车辆的第二车型,其中,所述细粒度分类模型为基于图像样本及其所包括的机动车辆的车型预先训练完成的,所述细粒度分类模型包括机动车辆各部位的图像特征与机动车辆的车型的对应关系;
第一确定模块,用于根据所述第二车型,确定所述待识别机动车辆的目标车型;
提取模块,用于在所述第一车型为预设车型时,从所述包含待识别机动车辆的图片中,提取所述待识别机动车辆的车脸图像区域;
识别模块,用于识别所述车脸图像区域中包含的字符信息;
第二确定模块,用于根据预先存储的字符信息与车型的对应关系、所述字符信息,确定所述待识别机动车辆的第三车型;
所述第一确定模块,还用于当所述第二车型与所述第三车型相同时,将所述第二车型作为所述待识别机动车辆的目标车型。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
所述第二分类模块,还用于基于所述细粒度分类模型和所述包含待识别机动车辆的图像,确定所述第二车型的第一置信水平;
所述第二确定模块,还用于基于所述字符信息与车型的对应关系、所述字符信息,确定所述第三车型的第二置信水平;
第三确定模块,用于在所述第二车型与所述第三车型不同,且所述第一置信水平大于所述第二置信水平时,将所述第二车型作为所述待识别机动车辆的目标车型;
所述第三确定模块,还用于在所述第二车型与所述第三车型不同,且所述第一置信水平小于所述第二置信水平时,将所述第三车型作为所述待识别机动车辆的目标车型。
7.根据权利要求6所述的装置,其特征在于,所述第二确定模块包括:
第一确定子模块,用于当所述字符信息为多个时,针对每个字符信息,如果在预先存储的字符信息与车型的对应关系中,查找到与该字符信息对应的车型,则确定字符匹配成功;
计算子模块,用于在字符匹配成功的字符信息中,计算对应的车型为同一车型的字符信息的数量占所述字符匹配成功的字符信息的数量的比例值,得到不同车型对应的比例值;
第二确定子模块,用于将所述不同车型对应的比例值中的最大值作为第二置信水平,并将所述最大值对应的车型作为所述待识别机动车辆的第三车型。
8.根据权利要求7所述的装置,其特征在于,所述第一确定子模块包括:
第三确定子模块,用于当在预先存储的字符信息与道路级别的对应关系中,查找到该字符信息对应的目标道路级别时,确定字符匹配成功,其中,所述道路级别包括公路级别或城市道路级别;
第四确定子模块,用于根据所述目标道路级别、预先存储的道路级别与车型的对应关系,确定所述目标道路级别对应的车型,得到该字符信息对应的车型。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911102143.2A CN112861567B (zh) | 2019-11-12 | 2019-11-12 | 一种车型分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911102143.2A CN112861567B (zh) | 2019-11-12 | 2019-11-12 | 一种车型分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861567A CN112861567A (zh) | 2021-05-28 |
CN112861567B true CN112861567B (zh) | 2024-01-05 |
Family
ID=75984307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911102143.2A Active CN112861567B (zh) | 2019-11-12 | 2019-11-12 | 一种车型分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861567B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657180A (zh) * | 2021-07-23 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆识别方法、服务器和计算机可读存储介质 |
CN113516104B (zh) * | 2021-08-09 | 2023-08-29 | 上海高德威智能交通***有限公司 | 一种营运客车识别方法、装置、电子设备及存储介质 |
CN113723258B (zh) * | 2021-08-24 | 2024-05-28 | 广州邦讯信息***有限公司 | 危险品车辆图像识别方法及其相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类*** |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别***及图像识别方法 |
CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通(深圳)有限公司 | 一种车牌识别方法、装置及相关设备 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
CN109657664A (zh) * | 2017-10-12 | 2019-04-19 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法、装置及电子设备 |
-
2019
- 2019-11-12 CN CN201911102143.2A patent/CN112861567B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938560A (zh) * | 2016-03-23 | 2016-09-14 | 吉林大学 | 一种基于卷积神经网络的车型精细分类*** |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别***及图像识别方法 |
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN109657664A (zh) * | 2017-10-12 | 2019-04-19 | 杭州海康威视数字技术股份有限公司 | 一种车牌类型的识别方法、装置及电子设备 |
CN109002820A (zh) * | 2018-06-27 | 2018-12-14 | 迪蒙智慧交通(深圳)有限公司 | 一种车牌识别方法、装置及相关设备 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于多分支卷积神经网络的车辆图像比对方法;蔡晓东;甘凯今;杨超;王丽娟;;电视技术(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861567A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861567B (zh) | 一种车型分类方法及装置 | |
US9082038B2 (en) | Dram c adjustment of automatic license plate recognition processing based on vehicle class information | |
JP5127392B2 (ja) | 分類境界確定方法及び分類境界確定装置 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN109190488B (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
KR101973933B1 (ko) | 승차인원 검지방법 및 그 장치 | |
CN107730896A (zh) | 车牌识别方法及装置 | |
CN110909598B (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
US10824881B2 (en) | Device and method for object recognition of an input image for a vehicle | |
CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN116645646A (zh) | 一种用于停车异常检测预警方法及*** | |
CN113297939A (zh) | 障碍物检测方法、***、终端设备及存储介质 | |
CN114724107B (zh) | 一种图像检测方法、装置、设备及介质 | |
CN104463135B (zh) | 一种车标识别方法和*** | |
CN116030663A (zh) | 一种车辆预警方法、装置、电子设备及存储介质 | |
CN114882393B (zh) | 一种基于目标检测的道路逆行与交通事故事件检测方法 | |
CN112115928B (zh) | 基于违停车辆标签的神经网络的训练方法和检测方法 | |
Hamzah et al. | Parking Violation Detection on The Roadside of Toll Roads with Intelligent Transportation System Using Faster R-CNN Algorithm | |
CN112949341A (zh) | 一种信息获得方法、装置、电子设备及存储介质 | |
CN111723601A (zh) | 一种图像处理的方法及装置 | |
KR101698266B1 (ko) | 지능형 고속 다중 객체 인식 장치 및 방법 | |
CN111738185B (zh) | 一种目标识别方法、装置及设备 | |
CN114155476B (zh) | Aeb有效避免事故场景识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |