一種建立識別車輛信息的模型的方法及裝置制造方法及圖紙

本發明專利技術提供一種建立識別車輛信息的模型的方法及裝置，其中，所述建立識別車輛信息的模型的方法包括：獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息；根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值，解決了現有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準確性的問題。

Method and apparatus for establishing a model for identifying vehicle information

The present invention provides a method and a device, identify vehicle information model which includes the establishment of identification method, vehicle information model: vehicle information acquisition vehicle information image and the image corresponding to the vehicle information; according to the vehicle information image, obtain the vehicle information of the image gray feature map, 1bp the feature map, gradient feature map and gradient direction feature map; the vehicle information of the image gray feature map, 1bp feature map, gradient feature map and gradient direction feature map and the vehicle information image and the corresponding vehicle information as training data, the neural network model was trained, until the neural network the model of the vehicle information image information recognition accuracy is greater than the preset threshold, to solve the existing vehicle using voice communication means to obtain information, making the letter In the course of transmission, the fault tolerance is poor, the information storage capacity is low and the anti-interference is poor, and the accuracy of the information acquisition in the driving process is reduced.

【技術實現步驟摘要】
一種建立識別車輛信息的模型的方法及裝置
本專利技術涉及信息識別領域，具體涉及一種建立識別車輛信息的模型的方法及裝置。
技術介紹
隨著深度學習技術的興起，基于深度學習的圖像識別準確率逐年上漲，人臉識別、行為識別、運動識別等圖像識別技術在越來越多場合中被提及，隨著硬件、算法及大數據的不斷發展，深度學習技術在很多領域均得到了廣泛使用，例如車輛自動駕駛領域，是通過電腦系統實現無人駕駛，依靠人工智能、視覺計算、雷達、監控裝置和全球定位系統協同合作，讓電腦可以在沒有任何人類主動的操作下，自動安全地操作機動車輛，自動駕駛汽車對外界信息的獲取主要基于聲音和圖像，要實現真正的無人駕駛，必須能夠準確感知和識別前方車輛行駛的狀態信息，而現有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準確性。
技術實現思路
因此，本專利技術要解決的技術問題在于現有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準確性。有鑒于此，本專利技術提供一種建立識別車輛信息的模型的方法，包括：獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息；根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值。優選地，所述車輛信息包括車輛速度信息、車輛轉向信息和車輛指示燈信息。優選地，所述獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息，包括：獲取所述車輛信息圖像中的字符區域圖像；將所述字符區域圖像輸入到機器學習模型中進行字符分割與識別，確定所述車輛信息圖像對應的車輛信息，其中所述機器學習模型利用多個字符圖像進行訓練得到的。優選地，所述神經網絡模型為深度卷積神經網絡模型。相應地，本專利技術還提供一種建立識別車輛信息的模型的裝置，包括：獲取單元，用于獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息；特征圖獲取單元，用于根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；訓練單元，用于將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值。優選地，所述車輛信息包括車輛速度信息、車輛轉向信息和車輛指示燈信息。優選地，所述獲取單元包括：字符區域圖像獲取單元，用于獲取所述車輛信息圖像中的字符區域圖像；確定單元，用于將所述字符區域圖像輸入到機器學習模型中進行字符分割與識別，確定所述車輛信息圖像對應的車輛信息，其中所述機器學習模型利用多個字符圖像進行訓練得到的。優選地，所述神經網絡模型為深度卷積神經網絡模型。本專利技術技術方案具有以下優點：通過獲取車輛信息圖像和車輛信息圖像對應的車輛信息，根據車輛信息圖像，得到車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖，將車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值，解決了現有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準確性的問題。附圖說明為了更清楚地說明本專利技術具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本專利技術的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本專利技術實施例1提供的一種建立識別車輛信息的模型的方法的流程圖；圖2是本專利技術實施例2提供的一種建立識別車輛信息的模型的裝置的結構示意圖；圖3是本專利技術另一實施例提供的一種車輛轉向信息判定方法的流程圖；圖4是本專利技術另一實施例提供的一種車輛轉向信息判定裝置的結構示意圖。具體實施方式下面將結合附圖對本專利技術的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。實施例1本專利技術實施例1提供一種建立識別車輛信息的模型的方法，如圖1所示，包括：S11，獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息。車輛信息包括車輛速度信息、車輛轉向信息和車輛指示燈信息，其中車輛速度信息可以通過速度傳感器采集得到，根據采集的車輛速度信息得到車輛速度信號、加速度信號和剎車信號，車輛轉向信息可以通過標注獲取設置在車牌上方的車輛信息顯示牌上的轉向信息得到或者通過標注獲取的車輛指示燈信息的轉向燈信息或剎車信息燈信息。S12，根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖。首先求取車輛信息圖像中的每個像素點的1bp特征，當求取圖像邊緣像素點的灰度特征值時，超出邊界的像素點的值設置為零，繼而得到整個車輛信息圖像的1bp特征圖，繼而根據灰度特征圖，得到1bp特征圖、梯度幅值特征圖和梯度方向特征圖。S13，將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值。所述神經網絡模型為深度卷積神經網絡模型。深度卷積神經網絡(DeepConvolutionalNeuralNetwork，簡稱DCNN)是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對于大型圖像處理有著出色表現，一般由至少一個卷積層(alternatingconvolutionallayer)和至少一個池化層(poolinglayer)構成。為了提高神經網絡模型的準確性，步驟S11中包括以下步驟：S111，獲取所述車輛信息圖像中的字符區域圖像；S112，將所述字符區域圖像輸入到機器學習模型中進行字符分割與識別，確定所述車輛信息圖像對應的車輛信息，其中所述機器學習模型利用多個字符圖像進行訓練得到的。本專利技術實施例提供的建立識別車輛信息的模型的方法，通過獲取車輛信息圖像和車輛信息圖像對應的車輛信息，根據車輛信息圖像，得到車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖，將車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值，解決了現有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準確性的問題。實施本文檔來自技高網...

【技術保護點】
一種建立識別車輛信息的模型的方法，其特征在于，包括：獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息；根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值。

【技術特征摘要】
1.一種建立識別車輛信息的模型的方法，其特征在于，包括：獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息；根據所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應的車輛信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對所述車輛信息圖像信息識別的準確度大于預設閾值。2.根據權利要求1所述的方法，其特征在于，所述車輛信息包括車輛速度信息、車輛轉向信息和車輛指示燈信息。3.根據權利要求1所述的方法，其特征在于，所述獲取車輛信息圖像和所述車輛信息圖像對應的車輛信息，包括：獲取所述車輛信息圖像中的字符區域圖像；將所述字符區域圖像輸入到機器學習模型中進行字符分割與識別，確定所述車輛信息圖像對應的車輛信息，其中所述機器學習模型利用多個字符圖像進行訓練得到的。4.根據權利要求1所述的方法，其特征在于，所述神經網絡模型為深度卷積神經網絡模型。5.一種建立識別車輛信...

【專利技術屬性】
技術研發人員：陳江林，張曉明，張如高，
申請(專利權)人：博康智能信息技術有限公司北京海淀分公司，
類型：發明
國別省市：北京,11