一种基于深度学习的车辆关键点的提取方法、装置和设备制造方法及图纸

技术编号:20918381 阅读:24 留言:0更新日期:2019-04-20 10:04
本申请属于计算机视觉技术领域,尤其涉及一种基于深度学习的车辆关键点的提取方法、装置和设备。本申请公开了一种基于深度学习的车辆关键点的提取方法、装置和设备,其中方法包括:获取待检测车辆图片;将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。解决了现有车辆关键点的提取方法鲁棒性差且使用受局限的技术问题。

A Method, Device and Equipment for Extracting Vehicle Key Points Based on Deep Learning

The application belongs to the field of computer vision technology, in particular to a method, device and equipment for extracting key points of vehicles based on in-depth learning. This application discloses a method, apparatus and equipment for extracting vehicle key points based on in-depth learning, which includes acquiring vehicle images to be detected, inputting the vehicle images to be detected into a preset key point extraction model based on preset convolution neural network, and obtaining multiple key point coordinates of the vehicle images to be detected. The preset key point extraction model is a vehicle. The pre-convolution neural network is composed of one data layer, five conv layers, two LRN layers, three pooling layers and two FC layers. The method solves the technical problems of poor robustness and limited use of existing vehicle key points extraction methods.

【技术实现步骤摘要】
一种基于深度学习的车辆关键点的提取方法、装置和设备
本申请属于计算机视觉
,尤其涉及一种基于深度学习的车辆关键点的提取方法、装置和设备。
技术介绍
随着人工智能和计算机视觉技术的发展,车辆识别技术已经广泛运用于许多图像侦查和公安系统中,如卡口系统、电子警察系统、智能交通和自动驾驶等领域中。车辆关键点提取作为车辆识别中的基础技术,其的准确性对于车辆识别至关重要。现有技术对于关键点提取采用分类器进行,检测方法为采用分类器通过滑动窗口获取一定区域内的特征,并进行各特征的比较得到检测结果。但是这种检测方法对于区块检测比较有效(例如车牌识别),对关键点的检测容易受到其他点的干扰,鲁棒性差,且检测时要求图像清晰,使得该检测方法使用受局限。因此,提供一种鲁棒性好且使用不受局限的车辆关键点的提取方法成为本领域技术人员亟待解决的技术问题。
技术实现思路
本申请提供了一种基于深度学习的车辆关键点的提取方法、装置和设备,用于车辆关键点的提取,解决了现有车辆关键点的提取方法鲁棒性差且使用受局限的技术问题。有鉴于此,本申请第一方面提供了一种基于深度学习的车辆关键点的提取方法,包括:获取待检测车辆图片;将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。优选地,所述方法还包括:获取多张样本车辆图片,每张所述样本车辆图片中具有多个关键点标注,且所述多个关键点标注和所述多个关键点坐标的数量相同;根据每张所述样本车辆图片中的各个关键点标注,确定各个所述关键点标注对应的样本关键点坐标,得到每张所述样本车辆图片的样本关键点坐标;以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型。优选地,所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型之前还包括:以VGGNet为第二训练网络、多张所述样本车辆图片为所述第二训练网络的输入指标、所有所述样本关键点坐标为所述第二训练网络的输出结果,得到基于VGGNet的关键点提取模型;所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型具体为:以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,根据所述基于VGGNet的关键点提取模型通过知识蒸馏算法,得到所述预置关键点提取模型。优选地,所述获取多张样本车辆图片之后还包括:对每张所述样本车辆图片进行图像变化,得到多张图像变化后的样本车辆图片,所述图像变化包括:加噪和/或随机擦除和/或旋转和/或亮度变化和/或仿射变换;则所述根据每张所述样本车辆图片中的各个关键点标注,确定各个所述关键点标注对应的样本关键点坐标,得到每张所述样本车辆图片的样本关键点坐标具体为:根据每张所述图像变化后的样本车辆图片中的各个关键点标注,确定各个所述关键点标注对应的样本关键点坐标,得到每张所述图像变化后的样本车辆图片的样本关键点坐标。优选地,所述方法还包括:根据所述多个关键点坐标确定所述待检测车辆图片的旋转矩阵,并根据所述旋转矩阵将所述待检测车辆图片进行对齐。优选地,所述预置卷积神经网络的所述data层的输入通道的宽和高尺寸大小相等。优选地,所述预置卷积神经网络的每个所述conv层的激活函数均为:relu。本申请第二方面提供一种基于深度学习的车辆关键点的提取装置,包括:图片获取模块,用于获取待检测车辆图片;关键点确定模块,用于将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。本申请第三方面提供一种基于深度学习的车辆关键点的提取设备,所述设备包括处理器以及存储器:所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的方法。本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的方法。从以上技术方案可以看出,本申请实施例具有以下优点:本申请提供了一种基于深度学习的车辆关键点的提取方法,包括:获取待检测车辆图片;将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。本申请中,将需要提取关键点的待检测车辆图片输入至,通过神经网络的深度学习得到的预置关键点提取模型中,得到待检测车辆图片的关键点坐标,因为神经网络具有深度学习的优点,故通过神经网络得到的预置关键点提取模型的鲁棒性好,使用不受局限,进而得到的待检测车辆图片的关键点坐标正确,且同时对待检测车辆图片的图像清晰度无要求,解决了现有车辆关键点的提取方法鲁棒性差且使用受局限的技术问题。附图说明图1为本申请实施例中一种基于深度学习的车辆关键点的提取方法的第一实施例的流程示意图;图2为本申请实施例中一种基于深度学习的车辆关键点的提取方法的第二实施例的流程示意图;图3为本申请实施例中一种基于深度学习的车辆关键点的提取方法的第三实施例的流程示意图;图4为本申请实施例中一种基于深度学习的车辆关键点的提取方法的第四实施例的流程示意图;图5为本申请实施例中一种基于深度学习的车辆关键点的提取装置的结构示意图图6本申请提供的神经网络结构的结构示意图;图7为本申请第二实施例中提供的关键点标注的示意图。具体实施方式本申请实施例提供了一种基于深度学习的车辆关键点的提取方法、装置和设备,用于车辆关键点的提取,解决了现有车辆关键点的提取方法鲁棒性差且使用受局限的技术问题。为了使本
的人员更好地理解本申请方案,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。请参阅图1,本申请实施例中一种基于深度学习的车辆关键点的提取方法的第一实施例的流程示意图,包括:步骤101、获取待检测车辆图片。步骤102、将待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到待检测车辆图片的多个关键点坐标。需要说明的是,预置关键点提取模型车本文档来自技高网
...

【技术保护点】
1.一种基于深度学习的车辆关键点的提取方法,其特征在于,包括:获取待检测车辆图片;将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。

【技术特征摘要】
1.一种基于深度学习的车辆关键点的提取方法,其特征在于,包括:获取待检测车辆图片;将所述待检测车辆图片输入至基于预置卷积神经网络的预置关键点提取模型,得到所述待检测车辆图片的多个关键点坐标,所述预置关键点提取模型为车辆图片和多个关键点坐标的关联关系模型;所述预置卷积神经网络为:一个data层,五个conv层,两个LRN层,三个pooling层和两个fc层。2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取多张样本车辆图片,每张所述样本车辆图片中具有多个关键点标注,且所述多个关键点标注和所述多个关键点坐标的数量相同;根据每张所述样本车辆图片中的各个关键点标注,确定各个所述关键点标注对应的样本关键点坐标,得到每张所述样本车辆图片的样本关键点坐标;以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型。3.根据权利要求2所述的方法,其特征在于,所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型之前还包括:以VGGNet为第二训练网络、多张所述样本车辆图片为所述第二训练网络的输入指标、所有所述样本关键点坐标为所述第二训练网络的输出结果,得到基于VGGNet的关键点提取模型;所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,得到所述预置关键点提取模型具体为:以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本关键点坐标为所述第一训练网络的输出结果,根据所述基于VGGNet的关键点提取模型通过知识蒸馏算法,得到所述预置关键点提取模型。4.根据权利要求2所述的方法,其...

【专利技术属性】
技术研发人员:毛亮薛昆南朱婷婷黄仝宇汪刚宋一兵侯玉清刘双广
申请(专利权)人:高新兴科技集团股份有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1