过车记录的确定方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种过车记录的确定方法、装置、设备及存储介质。所述方法包括：获取目标车辆的车身图像；根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层；基于所述特征信息，在过车记录图库中查找包含所述目标车辆的图片，以得到所述目标车辆的过车记录。本申请实施例提供的技术方案，可以准确地识别出目标车辆，提高所确定的过车记录的精度，降低车辆误识别或漏识别的情况发生的概率。

Determination Method, Device, Equipment and Storage Medium of Passing Record

【技术实现步骤摘要】
过车记录的确定方法、装置、设备及存储介质
本申请实施例涉及计算机视觉领域，尤其涉及一种过车记录的确定方法、装置、设备及存储介质。
技术介绍
随着“平安城市”、“智慧城市”在全国各地的大力推行，各地对车辆的监控力度也在逐渐增大。在对车辆进行监控时，通常会遇到有针对性地获取某一车辆的过车记录的情况。目前，一般会通过基于车辆的车牌号，在各路口的摄像头拍摄得到的公路车辆图片或视频数据中查找具有相同车牌号的车辆的图片的方式获取某一车辆的过车记录。但是，由于基于车牌号获取过车记录的方式存在当车牌被遮挡、车辆无牌照或车辆套牌时无法有效的识别到车辆图像的情况，导致采用此种方式确定的过车记录的精度较低，易出现误识别或漏识别的情况。
技术实现思路
本申请实施例提供一种过车记录的确定方法、装置、设备及存储介质，以提高所确定的过车记录的精度。在第一方面，本申请实施例提供了一种过车记录的确定方法，包括：获取目标车辆的车身图像；根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层；基于所述特征信息，在过车记录图库中查找包含所述目标车辆的图片，以得到所述目标车辆的过车记录。在第二方面，本申请实施例提供了一种过车记录的确定装置，包括：图像获取模块，用于获取目标车辆的车身图像；特征信息确定模块，用于根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层；图片查找模块，用于基于所述特征信息，在过车记录图库中查找包含所述目标车辆的图片，以得到所述目标车辆的过车记录。在第三方面，本申请实施例提供了一种设备，包括存储器以及一个或多个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的过车记录的确定方法。在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的过车记录的确定方法。本申请实施例通过根据目标车辆的车身图像确定目标车辆的特征信息，所述特征信息包括目标车辆的目标区域在预设卷积神经网络模型中的CNN特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层，进而，根据该特征信息，在过车记录图库中查找包含目标车辆的图片，得到目标车辆的过车记录的方式，提高了所获取的过车记录的精度，降低了在确定过车记录过程中出现车辆误识别或漏识别的概率。附图说明图1是本申请实施例提供的一种过车记录的确定方法的流程图；图2是本申请实施例提供的另一种过车记录的确定方法的流程图；图3是本申请实施例提供的一种预设卷积神经网络模型的结构示意图；图4是本申请实施例提供的一种残差块的结构示意图；图5是本申请实施例提供的另一种预设卷积神经网络模型的结构示意图；图6是本申请实施例提供的第三种过车记录的确定方法的流程图；图7是本申请实施例提供的一种过车记录的确定装置的结构示意图；图8是本申请实施例提供的一种设备的结构示意图。具体实施方式为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。图1给出了本申请实施例提供的一种过车记录的确定方法的流程图，本实施例提供的过车记录的确定方法尤其适用于获取无牌车和套牌车的过车记录的情况，其可以由过车记录的确定装置来执行，该过车记录的确定装置可通过硬件和/或软件的方式实现，并集成在具有过车记录确定功能的设备中。参考图1，该过车记录的确定方法包括：步骤110、获取目标车辆的车身图像。具体的，可以将用户输入或选取的图像输入的图像确定为包含目标车辆的图像，并基于该包含目标车辆的图像获取目标车辆的车身图像。其中，车身图像的获取方法可以根据需要选取，如可以判断目标车辆在该包含目标车辆的图像中的背景色是否为单一的颜色或有规则的图案，若是，则将其背景处理为默认的背景色，如白色，以得到目标车辆的车身图像；若否，则基于车辆的图像特征，从该包含目标车辆的图像中截取目标车辆的车身图像。示例性的，在确定包含目标车辆的图像时，可以基于用户的输入操作，将用户输入的图像确定为包含目标车辆的图像，或者，向用户展示本地或与本机相连的其他终端存储的车辆图像，并将用户选取的图像确定为包含目标车辆的图像。在确定包含目标车辆的图像后，可以基于相应的车辆识别算法，如基于预先设置的车辆数量识别模型的，确定该图像中是否仅包含一辆车辆的图像，若是，则将该图像中所包含的车辆确定为目标车辆；若否，则可以进一步基于用户的选取操作确定该图像中的目标车辆。步骤120、根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层。本实施例中，目标车辆的CNN(ConvolutionalNeuralNetworks，卷积神经网络)特征可以为目标车辆的目标区域在预设卷积神经网络模型中的特征，该预设卷积神经网络模型可以为表征目标车辆的目标区域的图像特征的神经网络模型，该特征可以为卷积神经网络模型中某一层输入或输出的特征向量。相应的，在获取目标车辆的特征信息时，可以将目标车辆的目标区域的图像输入至该预设卷积神经网络模型中，并获取其相应层输入或输出的CNN特征向量作为目标车辆的CNN特征。本实施例中，预设卷积神经网络中卷积层和池化层的数量可以根据需要设置，如预设卷积神经网络中的卷积层可以设置为10、15、20、22等层数，预设卷积神经网络中的池化层可以设置为3、4、5等层数；预设卷积神经网络可以通过训练获得，如可以获取一定数量的车辆的目标区域的图像作为训练样本(如获取1万辆车在不同角度、不同位置和/或不同时间点拍摄的目标区域的图像，得到51万个训练样本)，将各训练样本输入至卷积神经网络模型中进行训练，得到预设卷积神经网络模型。其中，各训练样本对应的训练结果可以设置为任意的图像特征标签，只需相同的训练样本(即相同车辆的目标区域的图像)对应的标签相同，不同的训练样本对应的标签不同即可；预设卷积神经网络模型输入层的输入可以为3通道256*256的图像，即将各训练样本均处理为3通道256*256的图像的形式输入至卷积神经网络模型中，此时，预设卷积神经网络模型输出层输出图像特征标签，预本文档来自技高网...

【技术保护点】
1.一种过车记录的确定方法，其特征在于，包括：获取目标车辆的车身图像；根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层；基于所述特征信息，在过车记录图库中查找所述目标车辆，以得到所述目标车辆的过车记录。

【技术特征摘要】
1.一种过车记录的确定方法，其特征在于，包括：获取目标车辆的车身图像；根据所述车身图像确定所述目标车辆的特征信息，所述特征信息包括CNN特征，所述CNN特征为所述目标车辆的目标区域在预设卷积神经网络模型中的特征，所述预设卷积神经网络包括至少十层卷积层以及至少三层池化层；基于所述特征信息，在过车记录图库中查找所述目标车辆，以得到所述目标车辆的过车记录。2.根据权利要求1所述的方法，其特征在于，所述根据所述车身图像确定所述目标车辆的特征信息，包括：根据所述车身图像获取所述目标车辆的目标区域图像；将所述目标区域图像输入至预设卷积神经网络模型中，并获取所述预设卷积神经网络模型的目标全连接层的CNN特征向量，作为所述目标车辆的CNN特征。3.根据权利要求2所述的方法，其特征在于，所述目标区域包括车脸区域，所述根据所述车身图像获取所述目标车辆的目标区域图像，包括：识别所述车身图像中所述目标车辆的车牌区域；如果识别成功，则根据所述车牌区域在所述车身图像中的位置估计所述目标车辆的车脸区域，并截取所述车脸区域的图像；如果识别失败，则采用预设车脸定位算法对所述目标车辆的车脸区域进行定位，并在成功定位到车脸区域时，截取所述车脸区域的图像。4.根据权利要求3所述的方法，其特征在于，所述目标区域还包括车窗区域。5.根据权利要求1所述的方法，其特征在于，所述特征信息还包括属性特征，所述基于所述特征信息，在过车记录图库中查找所述目标车辆，包括：自所述过车记录图库中查询与所述属性特征相符的相似车辆，得到所述相似车辆的图像集，其中，所述属性特征包括车辆类型、车身颜色和品牌款型中的至少一种；分别计算所述图像集中的各相似车辆的CNN特征与所述目标车辆的CNN特征之间的相似度，并将相似度大于设定相似度阈值的相似车辆确定为所述目标车辆。6.根据权利要求1-5任一所述的方法，其特征在于，所述预设卷积神经网络包括依次连接第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第二池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第三池化层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第四池化层、第十九卷积层、第二十卷...

【专利技术属性】
技术研发人员：孙树文，张少文，冯琰一，
申请(专利权)人：佳都新太科技股份有限公司，广州新科佳都科技有限公司，
类型：发明
国别省市：广东,44