CN113343881A - 基于深度学习的车辆品牌型号细粒度分类***及方法 - Google Patents
基于深度学习的车辆品牌型号细粒度分类***及方法 Download PDFInfo
- Publication number
- CN113343881A CN113343881A CN202110683549.5A CN202110683549A CN113343881A CN 113343881 A CN113343881 A CN 113343881A CN 202110683549 A CN202110683549 A CN 202110683549A CN 113343881 A CN113343881 A CN 113343881A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- fine
- brand
- image
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的车辆品牌型号细粒度分类***及方法，属于计算机视觉中的目标精细分类领域，本发明要解决的技术问题为安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢，采用的技术方案为：该***包括，车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。
Description
技术领域
本发明涉及计算机视觉中的目标精细分类领域，具体地说是一种基于深度学习的车辆品牌型号细粒度分类***及方法。
背景技术
近些年，随着计算机硬件的快速更新迭代，依托计算力的深度学习技术发展迅猛，并应用在实际生活中，例如停车场、小区入口随处可见的车牌识别机器，可以实现车辆自动登记、停车计时收费等操作。但针对***、嫌疑车辆等，仅仅依靠车牌信息是远远不够的，还需要掌握车辆一些具体信息，如车辆的品牌、型号、生产年份、款式信息等，实现提取这些信息的任务被称为车辆品牌型号细粒度分类。目前，车辆品牌型号细粒度领域研究很多，且性能都有较大的提升。
专利号为CN109948610A的专利文献公开了一种基于深度学***均，得到二级特征向量；将二级特征向量采用加权投票机制得到三级特征向量；建立品牌分类器，每个品牌下建立型号分类器，每个型号下建立年份分类器；将车辆按照品牌-车型-年份进行逐层检测得到最终的车型分类结果。该技术方案将复杂的车牌定位问题转化成分类问题，并将分类问题简单细化，但是存在不足之处，具体如下：
①针对视频中一帧图像存在多辆车时，不能很好的工作；
②操作步骤繁琐，识别效率较低。
虽然，车辆品牌型号细粒度分类技术得到了极大的发展，但依旧面临着诸多挑战，尤其是在安防场景下，待解决的问题更复杂多样，主要如下：
①安防视频或图像存在多辆车的现象，现有的专利无法有效解决每个车辆品牌型号的精细识别；
②车辆品牌型号细粒度分类领域存在着类内差异大于类间差异的问题，采用常见的卷积神经网络(如resnet、vgg、alexnet等)已经无法满足需求；
③现有的专利方法操作步骤繁琐，不能实现端到端的推理操作，识别效率较低；
④安防视频或图像，极易出现质量模糊、过亮过暗等现象，导致车辆品牌型号识别精度降低的问题。
发明内容
本发明的技术任务是提供一种基于深度学习的车辆品牌型号细粒度分类***及方法，来解决安防场景下图像中存在多辆车辆、细粒度领域类内差异大于类间差异、图像质量模糊等导致车辆品牌型号细粒度识别效果差、识别效率慢的问题。
本发明的技术任务是按以下方式实现的，一种基于深度学习的车辆品牌型号细粒度分类***，该***包括，
车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；
车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。
作为优选，所述车辆检测模块的工作过程如下：
S101、获取安防场景下车辆图像数据；
S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；
S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。
更优地，所述步骤S101中的车辆图像数据包括轿车、卡车及公交车。
更优地，所述步骤S102中的目标检测模型采用yolov3、SSD、faster-rcnn中一种。
作为优选，所述车辆品牌型号细粒度分类模块的工作过程具体如下：
S201、将目标车辆图像进行预处理；
S202、获取特征向量；
S203、确定为车辆品牌型号细粒度分类输出类别；
S204、获取车辆真实的型号信息。
更优地，所述步骤S201中将目标车辆图像进行预处理具体如下：
S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；
S20102、将图像放缩到统一大小(如448*448)；
S20103、归一化处理，使其符合网络输入标准：公式如下：
其中，X表示归一化前图像像素值矩阵；X′表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值；σ表示imagenet数据集的标准差值。
更优地，所述步骤S202中获取特征向量具体如下：
S20201、以常见的CNN作为骨干网络，附加数个注意力卷积模块，搭建车辆品牌型号细粒度分类网络；其中，骨干网络作为车辆整体特征提取器，注意力卷积模块关注车辆局部细节特征；CNN包括resnte50及inceptionV3；
S20202、在学习车辆图像整体特征的基础上，进一步学习车辆的局部细节特征；其中，车辆的局部细节特征包括车灯形状及车标形状；
S20203、将整体特征和局部特征融合，输出特征向量。
更优地，所述步骤S203中确定为车辆品牌型号细粒度分类输出类别具体如下：
S20301、将步骤S201预处理后的目标车辆图像输入步骤S202搭建的车辆品牌型号细粒度分类网络中，得到车辆图像的特征向量；
S20302、将特征向量输入分类器(如softmax等)，输出维度与车辆品牌型号细粒度类别数量相同的类别概率向量，选择概率最大值对应的类别，确定为车辆品牌型号细粒度分类输出类别。
更优地，所述步骤S204中获取车辆真实的型号信息具体如下：
根据步骤S203输出的车辆品牌型号细粒度分类输出类别，并按照标签映射表，获取车辆真实的型号信息；其中，车辆真实的型号信息的显示形式为品牌-子品牌-年款。
一种基于深度学习的车辆品牌型号细粒度分类方法，该方法具体步骤如下：
(1)、获取安防场景图像并输入预训练好的车辆检测模型，经过网络前向推理，输出所有车辆的位置坐标信息；
(2)、对安防场景图像按照步骤(1)中的车辆坐标信息进行裁剪，获得所有车辆图像；
(3)、以车辆检测模块输出的车辆图像作为车辆品牌型号细粒度分类模块的输入，并对车辆图像进行预处理，得到符合分类模型标准输入的结果；
(4)、将步骤(3)的输出传入预训练好的车辆品牌型号细粒度分类模型，经过网络前向推理，输出所有车辆的品牌型号细粒度类别信息。
本发明的基于深度学习的车辆品牌型号细粒度分类***及方法具有以下优点：
(一)本发明在获取安防场景图像后，通过目标检测算法，对车辆检测定位，然后将定位到的车辆图像输入车辆品牌型号细粒度分类算法，获得车辆品牌型号的细粒度分类结果；通过车辆检测模块和车辆品牌型号细粒度分类模块，可有效的解决视频或图像内存在多辆车、图像细粒度分类领域数据存在类内差异大于类间差异、以及图像质量模糊等问题导致的车辆品牌型号细粒度分类效果差的问题；
(二)本发明的车辆检测模块和车辆品牌型号细粒度分类模块均是基于深度神经网络构建，具有准确性高、识别效率高的特点；
(三)本发明将待检测图像输入目标检测网络提取车辆图像，经过车辆品牌型号细粒度模型对车辆品牌型号进行精确识别；
(四)本发明基于深度学习的目标检测算法对车辆定位检测，以解决图像中多辆车存在的问题，然后采用细粒度分类专有算法，对车辆品牌型号进行精细识别，以改善细粒度领域类内差异大于类间差异的问题；并通过深度学习的强大学习能力，可有效改善应对安防图像质量，同时将目标检测和细粒度分类算法结合，实现端到端的推理过程，提高了识别效率；
(五)本发明首先基于深度学习目标检测算法对车辆检测定位，然后通过含有注意力机制的细粒度分类网络，关注车辆的细节信息和整体信息，对车辆品牌型号进行更加准确的识别；具有如下优点：
①本发明全部基于深度学习神经网络搭建，检测和分类模块接口融合，对图像实现端到端的推理，过程不含人工设计特征等操作，提高了车辆品牌型号精细识别效率；
②本发明首先采用目标检测算法对车辆检测定位，避免了图像中存在多个车辆导致识别精度差的问题；
③本发明采用包含注意力机制模块的网络，通过对车辆图像整体特征和车辆局部细节特征的学习，可以有效解决细粒度领域数据类内差异大于类间差异的问题，从而提高车辆品牌型号细粒度分类精度；
④本发明在训练阶段，充分考虑数据多样性，对数据增强操作(如模糊、亮度、随机裁剪等)，增强模型鲁棒性，可有效改善在安防场景出现的图像质量模糊等导致的识别率降低的问题。
综上所述，针对安防场景下图像存在多辆车辆以及细粒度领域类内差异大于类间差异、等导致的车辆品牌型号细粒度分类效果差以及识别速度慢的问题，本发明基于深度学习的目标检测算法对车辆检测定位，然后采用先进的细粒度分类模型对检测出的车辆品牌型号进行精确识别，提高了车辆品牌型号细粒度的识别效率和识别精度。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于深度学习的车辆品牌型号细粒度分类***的结构框图；
附图2为车辆检测结果示意图；
附图3为车辆品牌型号细粒度分类结果展示图一；
附图4为车辆品牌型号细粒度分类结果展示图二。
具体实施方式
参照说明书附图和具体实施例对本发明的基于深度学习的车辆品牌型号细粒度分类***及方法作以下详细地说明。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
如附图1所示，本发明的基于深度学习的车辆品牌型号细粒度分类***，该***包括，
车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；
车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。
本实施例中的车辆检测模块的工作过程如下：
S101、获取安防场景下车辆图像数据；
S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；
S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。
本实施例中步骤S101的车辆图像数据包括轿车、卡车及公交车。
本实施例中步骤S102的目标检测模型采用yolov3、SSD、faster-rcnn中一种。
本实施例中的车辆品牌型号细粒度分类模块的工作过程具体如下：
S201、将目标车辆图像进行预处理；
S202、获取特征向量；
S203、确定为车辆品牌型号细粒度分类输出类别；
S204、获取车辆真实的型号信息。
本实施例中步骤S201的将目标车辆图像进行预处理具体如下：
S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；
S20102、将图像放缩到统一大小(如448*448)；
S20103、归一化处理，使其符合网络输入标准：公式如下：
其中，X表示归一化前图像像素值矩阵；X′表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值；σ表示imagenet数据集的标准差值。
本实施例中步骤S202的获取特征向量具体如下：
S20201、以常见的CNN作为骨干网络，附加数个注意力卷积模块，搭建车辆品牌型号细粒度分类网络；其中，骨干网络作为车辆整体特征提取器，注意力卷积模块关注车辆局部细节特征；CNN包括resnte50及inceptionV3；
S20202、在学习车辆图像整体特征的基础上，进一步学习车辆的局部细节特征；其中，车辆的局部细节特征包括车灯形状及车标形状；
S20203、将整体特征和局部特征融合，输出特征向量。
本实施例中步骤S203的确定为车辆品牌型号细粒度分类输出类别具体如下：
S20301、将步骤S201预处理后的目标车辆图像输入步骤S202搭建的车辆品牌型号细粒度分类网络中，得到车辆图像的特征向量；
S20302、将特征向量输入分类器(如softmax等)，输出维度与车辆品牌型号细粒度类别数量相同的类别概率向量，选择概率最大值对应的类别，确定为车辆品牌型号细粒度分类输出类别。
本实施例中步骤S204的获取车辆真实的型号信息具体如下：
根据步骤S203输出的车辆品牌型号细粒度分类输出类别，并按照标签映射表，获取车辆真实的型号信息；其中，车辆真实的型号信息的显示形式为品牌-子品牌-年款。
实施例2：
本发明的基于深度学习的车辆品牌型号细粒度分类方法，该方法具体步骤如下：
(1)、获取安防场景图像并输入预训练好的车辆检测模型，经过网络前向推理，输出所有车辆的位置坐标信息；
(2)、对安防场景图像按照步骤(1)的车辆坐标信息进行裁剪，获得所有车辆图像；
(3)、以车辆检测模块输出的车辆图像作为车辆品牌型号细粒度分类模块的输入，并对车辆图像进行预处理，得到符合分类模型标准输入的结果；
(4)、将步骤(3)的输出传入预训练好的车辆品牌型号细粒度分类模型，经过网络前向推理，输出所有车辆的品牌型号细粒度类别信息。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的车辆品牌型号细粒度分类***，其特征在于，该***包括，
车辆检测模块，用于利用目标检测网络对安防场景图像中的车辆进行检测定位，获取目标车辆的坐标信息，根据坐标信息裁剪出目标车辆图像，并将目标车辆图像输入车辆品牌型号细粒度分类模块；
车辆品牌型号细粒度分类模块，用于将整体和局部细节特征融合，并输入分分类器获取车辆品牌型号的精细识别结果。
2.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述车辆检测模块的工作过程如下：
S101、获取安防场景下车辆图像数据；
S102、选择预训练好的目标检测模型，将步骤S101的车辆图像数据结果输入目标检测模型，进行网络前向推理；
S103、对步骤S102的网络前向推理结果进行判断处理，获得所有车辆类型的目标坐标信息，根据目标坐标信息在步骤S101中的车辆图像上裁剪出相应的目标车辆图像，将目标车辆图像作为车辆品牌型号细粒度分类模块的输入。
3.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S101中的车辆图像数据包括轿车、卡车及公交车。
4.根据权利要求2所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S102中的目标检测模型采用yolov3、SSD、faster-rcnn中一种。
5.根据权利要求1所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述车辆品牌型号细粒度分类模块的工作过程具体如下：
S201、将目标车辆图像进行预处理；
S202、获取特征向量；
S203、确定为车辆品牌型号细粒度分类输出类别；
S204、获取车辆真实的型号信息。
6.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S201中将目标车辆图像进行预处理具体如下：
S20101、在保持目标车辆图像不形变的前提下，通过对图像短边增加像素，使得图像长宽比变成1；
S20102、将图像放缩到统一大小；
S20103、归一化处理，使其符合网络输入标准：公式如下：
其中，X表示归一化前图像像素值矩阵；X′表示归一化后图像像素值矩阵；μ表示imagenet数据集的均值；σ表示imagenet数据集的标准差值。
7.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S202中获取特征向量具体如下：
S20201、以CNN作为骨干网络，附加数个注意力卷积模块，搭建车辆品牌型号细粒度分类网络；其中，骨干网络作为车辆整体特征提取器，注意力卷积模块关注车辆局部细节特征；CNN包括resnte50及inceptionV3；
S20202、在学习车辆图像整体特征的基础上，进一步学习车辆的局部细节特征；其中，车辆的局部细节特征包括车灯形状及车标形状；
S20203、将整体特征和局部特征融合，输出特征向量。
8.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S203中确定为车辆品牌型号细粒度分类输出类别具体如下：
S20301、将步骤S201预处理后的目标车辆图像输入步骤S202搭建的车辆品牌型号细粒度分类网络中，得到车辆图像的特征向量；
S20302、将特征向量输入分类器，输出维度与车辆品牌型号细粒度类别数量相同的类别概率向量，选择概率最大值对应的类别，确定为车辆品牌型号细粒度分类输出类别。
9.根据权利要求5所述的基于深度学习的车辆品牌型号细粒度分类***，其特征在于，所述步骤S204中获取车辆真实的型号信息具体如下：
根据步骤S203输出的车辆品牌型号细粒度分类输出类别，并按照标签映射表，获取车辆真实的型号信息；其中，车辆真实的型号信息的显示形式为品牌-子品牌-年款。
10.一种基于深度学习的车辆品牌型号细粒度分类方法，其特征在于，该方法具体步骤如下：
(1)、获取安防场景图像并输入预训练好的车辆检测模型，经过网络前向推理，输出所有车辆的位置坐标信息；
(2)、对安防场景图像按照步骤(1)中的车辆坐标信息进行裁剪，获得所有车辆图像；
(3)、以车辆检测模块输出的车辆图像作为车辆品牌型号细粒度分类模块的输入，并对车辆图像进行预处理，得到符合分类模型标准输入的结果；
(4)、将步骤(3)的输出传入预训练好的车辆品牌型号细粒度分类模型，经过网络前向推理，输出所有车辆的品牌型号细粒度类别信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683549.5A CN113343881A (zh) | 2021-06-21 | 2021-06-21 | 基于深度学习的车辆品牌型号细粒度分类***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110683549.5A CN113343881A (zh) | 2021-06-21 | 2021-06-21 | 基于深度学习的车辆品牌型号细粒度分类***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343881A true CN113343881A (zh) | 2021-09-03 |
Family
ID=77477774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110683549.5A Pending CN113343881A (zh) | 2021-06-21 | 2021-06-21 | 基于深度学习的车辆品牌型号细粒度分类***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343881A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023077940A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京沃东天骏信息技术有限公司 | 识别、处理方法和装置及智检*** |
| CN116110222A (zh) * | 2022-11-29 | 2023-05-12 | 东风商用车有限公司 | 基于大数据的车辆应用场景分析方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388896A (zh) * | 2018-02-09 | 2018-08-10 | 杭州雄迈集成电路技术有限公司 | 一种基于动态时序卷积神经网络的车牌识别方法 |
| CN109214441A (zh) * | 2018-08-23 | 2019-01-15 | 桂林电子科技大学 | 一种细粒度车型识别***及方法 |
| CN109948610A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习的视频中车辆细粒度分类方法 |
| CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
| CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、***及存储介质 |
| CN111767954A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 车辆细粒度识别模型生成方法、***、设备及存储介质 |
| CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN112966709A (zh) * | 2021-01-27 | 2021-06-15 | 中国电子进出口有限公司 | 一种基于深度学习的精细车型识别方法及*** |
-
2021
- 2021-06-21 CN CN202110683549.5A patent/CN113343881A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388896A (zh) * | 2018-02-09 | 2018-08-10 | 杭州雄迈集成电路技术有限公司 | 一种基于动态时序卷积神经网络的车牌识别方法 |
| CN109214441A (zh) * | 2018-08-23 | 2019-01-15 | 桂林电子科技大学 | 一种细粒度车型识别***及方法 |
| CN109948610A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习的视频中车辆细粒度分类方法 |
| CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
| CN111709416A (zh) * | 2020-05-15 | 2020-09-25 | 珠海亿智电子科技有限公司 | 车牌定位方法、装置、***及存储介质 |
| CN111767954A (zh) * | 2020-06-30 | 2020-10-13 | 苏州科达科技股份有限公司 | 车辆细粒度识别模型生成方法、***、设备及存储介质 |
| CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN112966709A (zh) * | 2021-01-27 | 2021-06-15 | 中国电子进出口有限公司 | 一种基于深度学习的精细车型识别方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023077940A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京沃东天骏信息技术有限公司 | 识别、处理方法和装置及智检*** |
| CN116110222A (zh) * | 2022-11-29 | 2023-05-12 | 东风商用车有限公司 | 基于大数据的车辆应用场景分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及*** | |
| CN111461134A (zh) | 一种基于生成对抗网络的低分辨率车牌识别方法 | |
| CN103824091B (zh) | 一种用于智能交通***的车牌识别方法 | |
| CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
| CN113343881A (zh) | 基于深度学习的车辆品牌型号细粒度分类***及方法 | |
| CN101140625A (zh) | 一种多分辨率退化字符自适应识别***及方法 | |
| WO2024037408A1 (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
| CN113255659A (zh) | 一种基于MSAFF-Yolov3的车牌校正检测识别方法 | |
| CN111339830A (zh) | 一种基于多模态数据特征的目标分类方法 | |
| Yao et al. | Coupled multivehicle detection and classification with prior objectness measure | |
| CN114973207A (zh) | 一种基于目标检测的路标识别方法 | |
| CN112766273A (zh) | 一种车牌识别方法 | |
| Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| Sun et al. | Vehicle Type Recognition Combining Global and Local Features via Two‐Stage Classification | |
| CN112085018A (zh) | 基于神经网络的车牌识别*** | |
| Ying et al. | License plate detection and localization in complex scenes based on deep learning | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN106650814B (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
| CN117115616A (zh) | 一种基于卷积神经网络的实时低照度图像目标检测方法 | |
| CN116259032A (zh) | 基于改进YOLOv5的道路交通标志检测与识别算法 | |
| CN114882469A (zh) | 一种基于dl-ssd模型的交通标志检测方法及*** | |
| Roy | Automatics number plate recognition using convolution neural network | |
| CN113283299A (zh) | 基于cgan网络增强局部放电信号prpd图谱数据的方法 | |
| NGUYEN | License plate detection and refinement based on deep convolutional neural network |
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 |
Application publication date: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |