車輛信息識別方法及裝置制造方法及圖紙

本公開涉及一種車輛信息識別方法及裝置，所述方法包括：獲取訓練樣本集，訓練樣本集中包括預設個數的訓練樣本；根據訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；當訓練結果滿足預設優化目標時，保存深度卷積神經網絡的參數信息；獲取包括待識別車輛的目標圖像數據；將目標圖像數據輸入通過參數信息構建的深度卷積神經網絡中，對待識別車輛的車型和車身顏色進行識別。本公開可同時進行車型和車身顏色兩個目標的識別，識別準確率高；使用一個深度卷積神經網絡對兩種屬性進行分類，在提高識別率的同時提高了識別效率，節省了運行時間與運行內存。

Vehicle information identifying method and device

The present invention relates to a device and a vehicle information recognition method, the method comprises: obtaining the training samples, the training sample set including the preset number of training samples; according to the training sample set and the preset optimization goal, the training of convolutional neural network, the optimization objective is to preset the loss function and the loss function corresponding to the corresponding body color models the minimization of summation or convergence; when the training results meet the preset optimization target, parameter information preservation depth convolutional neural network; obtain target image data to identify the vehicle; use the destination image data input through the depth of convolutional neural network parameter information construction, to identify the vehicle models and body color recognition. The public recognition can be carried out simultaneously and two target models of body color, high recognition accuracy; on the two attributes are classified using a convolutional neural network, at the same time improve the recognition rate improves the recognition efficiency, save the running time and memory operation.

【技術實現步驟摘要】
車輛信息識別方法及裝置
本公開涉及信息識別
，具體地，涉及一種車輛信息識別方法及裝置。
技術介紹
隨著現代化經濟的高速發展，車輛的數量和種類日益增加，交通監管面臨巨大挑戰。由于車輛外觀復雜多樣，受到背景、光照、視角等因素影響，對車輛信息的識別存在很大的難度，準確性難以保證。相關技術中，基于機器學習進行車輛識別時，主要是利用分類器對車輛信息進行單一化目標的識別，例如，僅對車輛的車型進行識別，或者通過學習識別車輛與非車輛的判定邊界或驗證生成的車輛候選區域等。因此，相關技術中的車輛信息識別，具有車輛參數識別單一化的問題。
技術實現思路
為克服相關技術中存在的問題，本公開提供一種車輛信息識別方法及裝置。第一方面，本公開提供一種車輛信息識別方法，包括：獲取訓練樣本集，所述訓練樣本集中包括預設個數的訓練樣本，每個訓練樣本包括：車輛的圖像數據、車輛的車型標簽和車輛的車身顏色標簽；根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，所述預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息；獲取包括待識別車輛的目標圖像數據；將所述目標圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，對所述待識別車輛的車型和車身顏色進行識別。在一個實施例中，所述車型對應的損失函數為：所述車身顏色對應的損失函數為：所述車型對應的損失函數和車身顏色對應的損失函數的加權和為：E＝λm×Em+(1-λm)×Ec；其中，Em是車型對應的損失函數，Ec是車身顏色對應的損失函數，E所述加權和，zj是深度卷積神經網絡的全連接層向量j的輸出向量，zi是訓練樣本i的車輛的車型標簽和車身顏色標簽向量，m是所述訓練樣本集的車型類別數，c是所述訓練樣本集的顏色類別數，λm是權重，N是所述訓練樣本集中的訓練樣本的數量。在一個實施例中，所述深度卷積神經網絡包括：第一輸入層、第二輸入層、標簽分割層、卷積層、池化層、全連接層、第一輸出層和第二輸出層；所述對深度卷積神經網絡進行訓練，以及當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息的步驟包括：將每個訓練樣本的車輛的圖像數據通過所述第一輸入層輸入至所述卷積層；所述第一輸入層輸入的車輛的圖像數據，經過所述卷積層、所述池化層和所述全連接層的逐級變換后，傳送至所述第一輸出層和所述第二輸出層；將每個訓練樣本的車輛的車型標簽數據和車輛的車身顏色標簽數據通過所述第二輸入層輸入至所述標簽分割層；在所述標簽分割層，對所述第二輸入層輸入的標簽數據進行分割；根據訓練樣本的車輛的車型標簽、第一輸出層的輸出結果、訓練樣本的車輛的車身顏色標簽和第二輸出層的輸出結果，調整所述卷積層、所述池化層和所述全連接層的權值和偏置，使得訓練結果滿足所述預設優化目標；當訓練結果滿足所述預設優化目標時，分別獲取所述卷積層、所述池化層和所述全連接層的權重和偏置；將所述卷積層、所述池化層和所述全連接層的權重和偏置作為所述參數信息進行保存。在一個實施例中，所述參數信息還包括：所述卷積層的個數、每個卷積層的卷積核大小、所述池化層的個數、每個池化層的大小、所述全連接層的個數以及每個全連接層的大小。在一個實施例中，所述當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息的步驟之后還包括：獲取測試樣本集，所述測試樣本集中包括待測試車輛的車輛圖像數據；將測試樣本集中的待測試車輛圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，識別所述待測試車輛的車型和車身顏色；當所述待測試車輛的車型和車身顏色的識別結果不滿足預設條件時，根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡重新進行訓練，以更新所述參數信息。在一個實施例中，所述獲取包括待識別車輛的目標圖像數據的步驟包括：從圖像采集裝置獲取包括所述待識別車輛的目標圖像；對所述目標圖像進行預處理，確定識別區域，所述識別區域為所述目標圖像中包括所述待識別車輛的車尾圖像或車輛正面圖像的區域；將所述識別區域轉換為所述目標圖像數據。第二方面，提供一種車輛信息識別裝置，包括：訓練樣本集獲取模塊，被配置為獲取訓練樣本集，所述訓練樣本集中包括預設個數的訓練樣本，每個訓練樣本包括：車輛的圖像數據、車輛的車型標簽和車輛的車身顏色標簽；訓練模塊，被配置為根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，所述預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；參數信息保存模塊，被配置為在訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息；目標圖像數據獲取模塊，被配置為獲取包括待識別車輛的目標圖像數據；第一識別模塊，被配置為將所述目標圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，對所述待識別車輛的車型和車身顏色進行識別。在一個實施例中，所述車型對應的損失函數為：所述車身顏色對應的損失函數為：所述車型對應的損失函數和車身顏色對應的損失函數的加權和為：E＝λm×Em+(1-λm)×Ec；其中，Em是車型對應的損失函數，Ec是車身顏色對應的損失函數，E所述加權和，zj是深度卷積神經網絡的全連接層向量j的輸出向量，zi是訓練樣本i的車輛的車型標簽和車身顏色標簽向量，m是所述訓練樣本集的車型類別數，c是所述訓練樣本集的顏色類別數，λm是權重，N是所述訓練樣本集中的訓練樣本的數量。在一個實施例中，所述裝置還包括：測試樣本集獲取模塊，被配置為獲取測試樣本集，所述測試樣本集中包括待測試車輛的車輛圖像數據；第二識別模塊，被配置為將測試樣本集中的待測試車輛圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，識別所述待測試車輛的車型和車身顏色；更新模塊，被配置為當所述待測試車輛的車型和車身顏色的識別結果不滿足預設條件時，根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡重新進行訓練，以更新所述參數信息。在一個實施例中，所述目標圖像數據獲取模塊包括：圖像獲取子模塊，被配置為從圖像采集裝置獲取包括所述待識別車輛的目標圖像；識別區域確定子模塊，被配置為對所述目標圖像進行預處理，確定識別區域，所述識別區域為所述目標圖像中包括所述待識別車輛的車尾圖像或車輛正面圖像的區域；轉換子模塊，被配置為將所述識別區域轉換為所述目標圖像數據。第三方面，提供一種車輛信息識別裝置，包括：處理器；用于存儲處理器可執行指令的存儲器；其中，所述處理器，被配置為獲取訓練樣本集，所述訓練樣本集中包括預設個數的訓練樣本，每個訓練樣本包括：車輛的圖像數據、車輛的車型標簽和車輛的車身顏色標簽；根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，所述預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息；獲取包括待識別車輛的目標圖像數據；將所述目標圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，對所述待識別車輛的車型和車身顏色進行識別。本公開實施例提供的技術方案至少可以包括以下有益效果：可同時進行車型和車身顏色兩個目標的識別，識別準確率高；使用一個深度卷積神經網絡對兩種屬性進行分類，在提高識別率本文檔來自技高網...

【技術保護點】
一種車輛信息識別方法，其特征在于，包括：獲取訓練樣本集，所述訓練樣本集中包括預設個數的訓練樣本，每個訓練樣本包括：車輛的圖像數據、車輛的車型標簽數據和車輛的車身顏色標簽數據；根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，所述預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息；獲取包括待識別車輛的目標圖像數據；將所述目標圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，對所述待識別車輛的車型和車身顏色進行識別。

【技術特征摘要】
1.一種車輛信息識別方法，其特征在于，包括：獲取訓練樣本集，所述訓練樣本集中包括預設個數的訓練樣本，每個訓練樣本包括：車輛的圖像數據、車輛的車型標簽數據和車輛的車身顏色標簽數據；根據所述訓練樣本集和預設優化目標，對深度卷積神經網絡進行訓練，所述預設優化目標為車型對應的損失函數和車身顏色對應的損失函數的加權和最小化或收斂；當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息；獲取包括待識別車輛的目標圖像數據；將所述目標圖像數據輸入通過所述參數信息構建的深度卷積神經網絡中，對所述待識別車輛的車型和車身顏色進行識別。2.根據權利要求1所述的方法，其特征在于，所述車型對應的損失函數為：所述車身顏色對應的損失函數為：所述車型對應的損失函數和車身顏色對應的損失函數的加權和為：E＝λm×Em+(1-λm)×Ec；其中，Em是車型對應的損失函數，Ec是車身顏色對應的損失函數，E所述加權和，zj是深度卷積神經網絡的全連接層向量j的輸出向量，zi是訓練樣本i的車輛的車型標簽和車身顏色標簽向量，m是所述訓練樣本集的車型類別數，c是所述訓練樣本集的顏色類別數，λm是權重，N是所述訓練樣本集中的訓練樣本的數量。3.根據權利要求1所述的方法，其特征在于，所述深度卷積神經網絡包括：第一輸入層、第二輸入層、標簽分割層、卷積層、池化層、全連接層、第一輸出層和第二輸出層；所述對深度卷積神經網絡進行訓練，以及當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息的步驟包括：將每個訓練樣本的車輛的圖像數據通過所述第一輸入層輸入至所述卷積層；所述第一輸入層輸入的車輛的圖像數據，經過所述卷積層、所述池化層和所述全連接層的逐級變換后，傳送至所述第一輸出層和所述第二輸出層；將每個訓練樣本的車輛的車型標簽數據和車輛的車身顏色標簽數據通過所述第二輸入層輸入至所述標簽分割層；在所述標簽分割層，對所述第二輸入層輸入的標簽數據進行分割；根據訓練樣本的車輛的車型標簽、第一輸出層的輸出結果、訓練樣本的車輛的車身顏色標簽和第二輸出層的輸出結果，調整所述卷積層、所述池化層和所述全連接層的權值和偏置，使得訓練結果滿足所述預設優化目標；當訓練結果滿足所述預設優化目標時，分別獲取所述卷積層、所述池化層和所述全連接層的權重和偏置；將所述卷積層、所述池化層和所述全連接層的權重和偏置作為所述參數信息進行保存。4.根據權利要求3所述的方法，其特征在于，所述參數信息還包括：所述卷積層的個數、每個卷積層的卷積核大小、所述池化層的個數、每個池化層的大小、所述全連接層的個數以及每個全連接層的大小。5.根據權利要求1所述的方法，其特征在于，所述當訓練結果滿足所述預設優化目標時，保存所述深度卷積神經網絡的參數信息的步驟之后還包括：獲取測試樣本集，所述測試樣本集中包括待測試車輛的車輛圖像數據；將測試樣本集中的待測試車輛圖像數據輸入通過所述參數信息構建的深度卷積...

【專利技術屬性】
技術研發人員：鄒博，鄒達，李昕，
申請(專利權)人：東軟集團股份有限公司，
類型：發明
國別省市：遼寧,21