一种神经网络系统及其识别车辆属性的方法技术方案

本发明专利技术公开了一种神经网络系统及其识别车辆属性的方法，神经网络系统包括：数据输入层、局部特征提取网络、全局特征提取网络以及分类层；所述数据输入层，用于接收外部输入车辆图像；所述局部特征提取网络，用于对所述数据输入层接收的所述车辆图像进行识别以提取至少一个兴趣区域所对应的局部特征数据；所述全局特征提取网络，用于根据各个所述兴趣区域所分别对应的局部特征数据确定全局特征数据；所述分类层，用于根据各个所述兴趣区域所分别对应的局部特征数据以及所述全局特征数据确定并输出至少两种车辆属性信息。本发明专利技术的技术方案，实现对车辆图像所对应的多种车辆属性进行识别时，资源消耗较低。

A NEURAL NETWORK SYSTEM AND ITS METHOD OF RECOGNITING VEHICLE ATTRIBUTES

The invention discloses a neural network system and a method for identifying vehicle attributes. The neural network system comprises a data input layer, a local feature extraction network, a global feature extraction network and a classification layer; the data input layer is used to receive an external input vehicle image; and the local feature extraction network is used to input the vehicle image received by the data input layer. Row recognition is used to extract local feature data corresponding to at least one region of interest; the global feature extraction network is used to determine global feature data according to respective local feature data of each region of interest; and the classification layer is used to determine and output at least one local feature data corresponding to each region of interest and the global feature data. Two kinds of vehicle attribute information. The technical scheme of the present invention realizes the recognition of various vehicle attributes corresponding to vehicle images with low resource consumption.

【技术实现步骤摘要】
一种神经网络系统及其识别车辆属性的方法
本专利技术涉及计算机
，尤其涉及一种神经网络系统及其识别车辆属性的方法。
技术介绍
为了实现在交通监控系统、停车计费系统以及其他业务系统中能够对不同车辆进行唯一标识，通常需要对车辆的颜色、车型以及车标类别等多种车辆属性进行识别。目前，当需要多种车辆属性进行识别时，需要分别针对每一种车辆属性分别训练一个神经网络模型(即神经网络系统)，利用训练的各个神经网络模型分别对同一张车辆图像进行识别，使得每一个神经网络模型识别并输出对应于该车辆图像的一种车辆属性。通过训练的多个神经网络模型分别对车辆图像进行识别而得到车辆图像所对应多种车辆属性时，需要占用较多的存储资源及计算资源，资源消耗较高。
技术实现思路
本专利技术提供一种神经网络系统及其识别车辆属性的方法，无需占用过多的存储资源即计算资源，资源消耗较低。第一方面，本专利技术提供了一种神经网络系统，包括：数据输入层、局部特征提取网络、全局特征提取网络以及分类层；其中，所述数据输入层，用于接收外部输入的对应于待识别车辆的车辆图像；所述局部特征提取网络，用于对所述数据输入层接收的所述车辆图像进行识别以提取至少一个兴趣区域所对应的局部特征数据；所述全局特征提取网络，用于根据各个所述兴趣区域所分别对应的局部特征数据确定全局特征数据；所述分类层，用于根据各个所述兴趣区域所分别对应的局部特征数据以及所述全局特征数据确定并输出至少两种车辆属性信息。优选地，所述局部特征提取网络，包括：至少两三个线性排列连接的卷积层；其中，排列在首位的所述卷积层与所述数据输入层相连，排列在末位的所述卷积层与所述全局特征提取网络相连；所述卷积层，用于当所述卷积层排列在首位时，对所述数据输入层接收的所述车辆图像进行识别以提取低级局部特征数据，并将所述局部特征数据输出至与其相连的后置卷积层；当所述卷积层排列在非首位且非末位时，对与其相连的前置卷积层输入的所述低级局部特征数据进行特征提取以形成新的局部特征数据，并将形成的新的低级局部特征数据输出至与其相连的后置卷积层；当所述卷积层排列在末位时，对与其相连的前置卷积层输入的所述低级局部特征数据进行特征提取以形成至少一个兴趣区域所对应的高级局部特征数据，并将形成的高级局部特征数据作为局部特征数据输出至所述全局特征提取网络。优选地，所述卷积层，包括：数据接收单元、数据合并单元以及至少三个卷积网络；其中，每一个所述卷积网络的输入端均与所述数据接收单元相连，每一个所述卷积网络的输出端均与所述数据合并单元相连；所述数据接收单元，用于接收输入的车辆图像或低级局部特征数据；每一个所述卷积网络，用于对所述数据接收单元接收的所述车辆图像进行识别以提取一种类型的低级特征数据，或，对所述数据接收单元接收的所述局部特征数据进行特征提取以获取一种类型的新的低级特征数据，其中，不同卷积网络分别提取的低级特征数据的类型各不相同；所述数据合并单元，用于对各个所述卷积网络所分别得到的低级特征数据进行合并处理以形成新的低级局部特征数据或形成至少一个兴趣区域所对应的高级局部特征数据。优选地，当所述卷积网络所对应的卷积层排列在非首位且非末尾时，所述卷积网络，包括：池化层以及至少两个呈线性排列连接的卷积单元；其中，所述池化层与所述数据接收单元相连，排列在首位的所述卷积单元与所述池化层相连，排列在末位的所述卷积单元与所述数据合并层相连；所述池化层，用于对所述数据接收单元接收的低级局部特征数据进行降维处理以形成低维度局部布特征数据；所述卷积单元，用于当所述卷积单元排列在首位时，以所述卷积单元所对应的预设像元对所述池化层形成的低维度局部特征数据进行特征搜索以提取一种设定类型的低级特征数据，并将所述低级特征数据输出至与其相连的后置卷积单元；当所述卷积单元排列在非首位且非末位时，以所述卷积单元所对应的预设像元对接收的低级特征数据进行特征搜索以提取一种设定类型的新的低级特征数据，并将提取的新的低级特征数据输出至与其相连的后置卷积单元；当所述卷积单元排列在末位时，以所述卷积单元所对应的预设像元对接收的低级特征数据进行特征搜索以提取一种设定类型的新的低级特征数据，并将提取的新的低级特征数据输出至所述数据合并层；其中，不同卷积单元所分别对应的预设像元各不相同。优选地，所述低级特征数据的类型，包括：色彩数据、纹理数据或边缘数据。优选地，所述至少两种车辆属性，包括：车辆颜色、车型以及车标类别中的至少两种。优选地，还包括：回归层；其中，所述回归层，用于根据各个所述兴趣区域所分别对应的局部特征数据确定并输出所述车辆图像携带的车牌区域图像的位置信息。第二方面，本专利技术提供了利用第一方面中所述的神经网络系统识别车辆属性的方法，包括：利用所述数据输入层接收外部输入的对应于待识别车辆的车辆图像；利用所述局部特征提取网络对所述数据输入层接收的所述车辆图像进行识别以提取至少一个兴趣区域所对应的局部特征数据；利用所述全局特征提取网络根据各个所述兴趣区域所分别对应的局部特征数据确定全局特征数据；利用所述分类层根据各个所述兴趣区域所分别对应的局部特征数据以及所述全局特征数据确定并输出至少两种车辆属性信息。优选地，所述至少两种车辆属性，包括：车辆颜色、车型以及车标类别中的至少两种。本专利技术提供了一种神经网络系统及其识别车辆属性的方法，该神经网络系统由数据输入层、局部特征提取网络、全局特征提取网络以及分类层构成，局部特征提取层可针对输入层接收的车辆图像进行识别以提取出至少一个兴趣区域所对应的局部特征数据，全局特征提取网络可根据各个兴趣区域所分别对应的局部特征数据确定全局特征数据，分类层可根据各个兴趣区域所分别对应的局部特征数据以及全局特征数据确定并输出至少两种车辆属性信息。可见，通过本专利技术提供的技术方案实现对车辆图像进行识别以确定并输出车辆图像所对应的多种车辆属性时，无需训练多个不同的神经网络模型来分别针对车辆图像进行识别，即无需占用过多的存储资源及计算资源，资源消耗较低。附图说明为了更清楚地说明本专利技术实施例或现有的技术方案，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专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的一种神经网络系统的结构示意图；图2为本专利技术一实施例提供的另一种神经网络系统的结构示意图；图3为本专利技术一实施例提供的一种神经网络系统中卷积层的结构示意图；图4为本专利技术一实施例提供的一种利用神经网络模型识别车辆属性的方法的流程图；图5为本专利技术一实施例中的一种电子设备的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本专利技术的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示，本专利技术实施例提供了一种神经网络系统，包括：数据输入层101、局部特征提取网络102、全局特征提取网络103以及分类层104；其中，所述数据输入层101，用于接收外部输入本文档来自技高网...

【技术保护点】
1.一种神经网络系统，其特征在于，包括：数据输入层、局部特征提取网络、全局特征提取网络以及分类层；其中，所述数据输入层，用于接收外部输入车辆图像；所述局部特征提取网络，用于对所述数据输入层接收的所述车辆图像进行识别以提取至少一个兴趣区域所对应的局部特征数据；所述全局特征提取网络，用于根据各个所述兴趣区域所分别对应的局部特征数据确定全局特征数据；所述分类层，用于根据各个所述兴趣区域所分别对应的局部特征数据以及所述全局特征数据确定并输出至少两种车辆属性信息。

【技术特征摘要】
1.一种神经网络系统，其特征在于，包括：数据输入层、局部特征提取网络、全局特征提取网络以及分类层；其中，所述数据输入层，用于接收外部输入车辆图像；所述局部特征提取网络，用于对所述数据输入层接收的所述车辆图像进行识别以提取至少一个兴趣区域所对应的局部特征数据；所述全局特征提取网络，用于根据各个所述兴趣区域所分别对应的局部特征数据确定全局特征数据；所述分类层，用于根据各个所述兴趣区域所分别对应的局部特征数据以及所述全局特征数据确定并输出至少两种车辆属性信息。2.根据权利要求1所述的神经网络系统，其特征在于，所述局部特征提取网络，包括：至少两三个线性排列连接的卷积层；其中，排列在首位的所述卷积层与所述数据输入层相连，排列在末位的所述卷积层与所述全局特征提取网络相连；所述卷积层，用于当所述卷积层排列在首位时，对所述数据输入层接收的所述车辆图像进行识别以提取低级局部特征数据，并将所述局部特征数据输出至与其相连的后置卷积层；当所述卷积层排列在非首位且非末位时，对与其相连的前置卷积层输入的所述低级局部特征数据进行特征提取以形成新的局部特征数据，并将形成的新的低级局部特征数据输出至与其相连的后置卷积层；当所述卷积层排列在末位时，对与其相连的前置卷积层输入的所述低级局部特征数据进行特征提取以形成至少一个兴趣区域所对应的高级局部特征数据，并将形成的高级局部特征数据作为局部特征数据输出至所述全局特征提取网络以及所述分类层。3.根据权利要求2所述的神经网络系统，其特征在于，所述卷积层，包括：数据接收单元、数据合并单元以及至少三个卷积网络；其中，每一个所述卷积网络的输入端均与所述数据接收单元相连，每一个所述卷积网络的输出端均与所述数据合并单元相连；所述数据接收单元，用于接收输入的车辆图像或低级局部特征数据；每一个所述卷积网络，用于对所述数据接收单元接收的所述车辆图像进行识别以提取一种类型的低级特征数据，或，对所述数据接收单元接收的所述局部特征数据进行特征提取以获取一种类型的新的低级特征数据，其中，不同卷积网络分别提取的低级特征数据的类型各不相同；所述数据合并单元，用于对各个所述卷积网络所分别得到的低级特征数据进行合并处理以形成新的低级局部特征数据或形成至少一个兴趣区域所对应的高级局部特征数据。4.根据权利要求3所述的系统，...

【专利技术属性】
技术研发人员：陈安猛，彭莉，谯帅，吴香莲，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：河北,13