车辆信息识别方法及装置制造方法及图纸

本公开涉及一种车辆信息识别方法及装置，所述方法包括：获取训练样本集，训练样本集中包括预设个数的训练样本；根据训练样本集和预设优化目标，对深度卷积神经网络进行训练，预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；当训练结果满足预设优化目标时，保存深度卷积神经网络的参数信息；获取包括待识别车辆的目标图像数据；将目标图像数据输入通过参数信息构建的深度卷积神经网络中，对待识别车辆的车型和车身颜色进行识别。本公开可同时进行车型和车身颜色两个目标的识别，识别准确率高；使用一个深度卷积神经网络对两种属性进行分类，在提高识别率的同时提高了识别效率，节省了运行时间与运行内存。

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.

【技术实现步骤摘要】
车辆信息识别方法及装置
本公开涉及信息识别
，具体地，涉及一种车辆信息识别方法及装置。
技术介绍
随着现代化经济的高速发展，车辆的数量和种类日益增加，交通监管面临巨大挑战。由于车辆外观复杂多样，受到背景、光照、视角等因素影响，对车辆信息的识别存在很大的难度，准确性难以保证。相关技术中，基于机器学习进行车辆识别时，主要是利用分类器对车辆信息进行单一化目标的识别，例如，仅对车辆的车型进行识别，或者通过学习识别车辆与非车辆的判定边界或验证生成的车辆候选区域等。因此，相关技术中的车辆信息识别，具有车辆参数识别单一化的问题。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种车辆信息识别方法及装置。第一方面，本公开提供一种车辆信息识别方法，包括：获取训练样本集，所述训练样本集中包括预设个数的训练样本，每个训练样本包括：车辆的图像数据、车辆的车型标签和车辆的车身颜色标签；根据所述训练样本集和预设优化目标，对深度卷积神经网络进行训练，所述预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息；获取包括待识别车辆的目标图像数据；将所述目标图像数据输入通过所述参数信息构建的深度卷积神经网络中，对所述待识别车辆的车型和车身颜色进行识别。在一个实施例中，所述车型对应的损失函数为：所述车身颜色对应的损失函数为：所述车型对应的损失函数和车身颜色对应的损失函数的加权和为：E＝λm×Em+(1-λm)×Ec；其中，Em是车型对应的损失函数，Ec是车身颜色对应的损失函数，E所述加权和，zj是深度卷积神经网络的全连接层向量j的输出向量，zi是训练样本i的车辆的车型标签和车身颜色标签向量，m是所述训练样本集的车型类别数，c是所述训练样本集的颜色类别数，λm是权重，N是所述训练样本集中的训练样本的数量。在一个实施例中，所述深度卷积神经网络包括：第一输入层、第二输入层、标签分割层、卷积层、池化层、全连接层、第一输出层和第二输出层；所述对深度卷积神经网络进行训练，以及当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息的步骤包括：将每个训练样本的车辆的图像数据通过所述第一输入层输入至所述卷积层；所述第一输入层输入的车辆的图像数据，经过所述卷积层、所述池化层和所述全连接层的逐级变换后，传送至所述第一输出层和所述第二输出层；将每个训练样本的车辆的车型标签数据和车辆的车身颜色标签数据通过所述第二输入层输入至所述标签分割层；在所述标签分割层，对所述第二输入层输入的标签数据进行分割；根据训练样本的车辆的车型标签、第一输出层的输出结果、训练样本的车辆的车身颜色标签和第二输出层的输出结果，调整所述卷积层、所述池化层和所述全连接层的权值和偏置，使得训练结果满足所述预设优化目标；当训练结果满足所述预设优化目标时，分别获取所述卷积层、所述池化层和所述全连接层的权重和偏置；将所述卷积层、所述池化层和所述全连接层的权重和偏置作为所述参数信息进行保存。在一个实施例中，所述参数信息还包括：所述卷积层的个数、每个卷积层的卷积核大小、所述池化层的个数、每个池化层的大小、所述全连接层的个数以及每个全连接层的大小。在一个实施例中，所述当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息的步骤之后还包括：获取测试样本集，所述测试样本集中包括待测试车辆的车辆图像数据；将测试样本集中的待测试车辆图像数据输入通过所述参数信息构建的深度卷积神经网络中，识别所述待测试车辆的车型和车身颜色；当所述待测试车辆的车型和车身颜色的识别结果不满足预设条件时，根据所述训练样本集和预设优化目标，对深度卷积神经网络重新进行训练，以更新所述参数信息。在一个实施例中，所述获取包括待识别车辆的目标图像数据的步骤包括：从图像采集装置获取包括所述待识别车辆的目标图像；对所述目标图像进行预处理，确定识别区域，所述识别区域为所述目标图像中包括所述待识别车辆的车尾图像或车辆正面图像的区域；将所述识别区域转换为所述目标图像数据。第二方面，提供一种车辆信息识别装置，包括：训练样本集获取模块，被配置为获取训练样本集，所述训练样本集中包括预设个数的训练样本，每个训练样本包括：车辆的图像数据、车辆的车型标签和车辆的车身颜色标签；训练模块，被配置为根据所述训练样本集和预设优化目标，对深度卷积神经网络进行训练，所述预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；参数信息保存模块，被配置为在训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息；目标图像数据获取模块，被配置为获取包括待识别车辆的目标图像数据；第一识别模块，被配置为将所述目标图像数据输入通过所述参数信息构建的深度卷积神经网络中，对所述待识别车辆的车型和车身颜色进行识别。在一个实施例中，所述车型对应的损失函数为：所述车身颜色对应的损失函数为：所述车型对应的损失函数和车身颜色对应的损失函数的加权和为：E＝λm×Em+(1-λm)×Ec；其中，Em是车型对应的损失函数，Ec是车身颜色对应的损失函数，E所述加权和，zj是深度卷积神经网络的全连接层向量j的输出向量，zi是训练样本i的车辆的车型标签和车身颜色标签向量，m是所述训练样本集的车型类别数，c是所述训练样本集的颜色类别数，λm是权重，N是所述训练样本集中的训练样本的数量。在一个实施例中，所述装置还包括：测试样本集获取模块，被配置为获取测试样本集，所述测试样本集中包括待测试车辆的车辆图像数据；第二识别模块，被配置为将测试样本集中的待测试车辆图像数据输入通过所述参数信息构建的深度卷积神经网络中，识别所述待测试车辆的车型和车身颜色；更新模块，被配置为当所述待测试车辆的车型和车身颜色的识别结果不满足预设条件时，根据所述训练样本集和预设优化目标，对深度卷积神经网络重新进行训练，以更新所述参数信息。在一个实施例中，所述目标图像数据获取模块包括：图像获取子模块，被配置为从图像采集装置获取包括所述待识别车辆的目标图像；识别区域确定子模块，被配置为对所述目标图像进行预处理，确定识别区域，所述识别区域为所述目标图像中包括所述待识别车辆的车尾图像或车辆正面图像的区域；转换子模块，被配置为将所述识别区域转换为所述目标图像数据。第三方面，提供一种车辆信息识别装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器，被配置为获取训练样本集，所述训练样本集中包括预设个数的训练样本，每个训练样本包括：车辆的图像数据、车辆的车型标签和车辆的车身颜色标签；根据所述训练样本集和预设优化目标，对深度卷积神经网络进行训练，所述预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息；获取包括待识别车辆的目标图像数据；将所述目标图像数据输入通过所述参数信息构建的深度卷积神经网络中，对所述待识别车辆的车型和车身颜色进行识别。本公开实施例提供的技术方案至少可以包括以下有益效果：可同时进行车型和车身颜色两个目标的识别，识别准确率高；使用一个深度卷积神经网络对两种属性进行分类，在提高识别率本文档来自技高网...

【技术保护点】
一种车辆信息识别方法，其特征在于，包括：获取训练样本集，所述训练样本集中包括预设个数的训练样本，每个训练样本包括：车辆的图像数据、车辆的车型标签数据和车辆的车身颜色标签数据；根据所述训练样本集和预设优化目标，对深度卷积神经网络进行训练，所述预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息；获取包括待识别车辆的目标图像数据；将所述目标图像数据输入通过所述参数信息构建的深度卷积神经网络中，对所述待识别车辆的车型和车身颜色进行识别。

【技术特征摘要】
1.一种车辆信息识别方法，其特征在于，包括：获取训练样本集，所述训练样本集中包括预设个数的训练样本，每个训练样本包括：车辆的图像数据、车辆的车型标签数据和车辆的车身颜色标签数据；根据所述训练样本集和预设优化目标，对深度卷积神经网络进行训练，所述预设优化目标为车型对应的损失函数和车身颜色对应的损失函数的加权和最小化或收敛；当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息；获取包括待识别车辆的目标图像数据；将所述目标图像数据输入通过所述参数信息构建的深度卷积神经网络中，对所述待识别车辆的车型和车身颜色进行识别。2.根据权利要求1所述的方法，其特征在于，所述车型对应的损失函数为：所述车身颜色对应的损失函数为：所述车型对应的损失函数和车身颜色对应的损失函数的加权和为：E＝λm×Em+(1-λm)×Ec；其中，Em是车型对应的损失函数，Ec是车身颜色对应的损失函数，E所述加权和，zj是深度卷积神经网络的全连接层向量j的输出向量，zi是训练样本i的车辆的车型标签和车身颜色标签向量，m是所述训练样本集的车型类别数，c是所述训练样本集的颜色类别数，λm是权重，N是所述训练样本集中的训练样本的数量。3.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络包括：第一输入层、第二输入层、标签分割层、卷积层、池化层、全连接层、第一输出层和第二输出层；所述对深度卷积神经网络进行训练，以及当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息的步骤包括：将每个训练样本的车辆的图像数据通过所述第一输入层输入至所述卷积层；所述第一输入层输入的车辆的图像数据，经过所述卷积层、所述池化层和所述全连接层的逐级变换后，传送至所述第一输出层和所述第二输出层；将每个训练样本的车辆的车型标签数据和车辆的车身颜色标签数据通过所述第二输入层输入至所述标签分割层；在所述标签分割层，对所述第二输入层输入的标签数据进行分割；根据训练样本的车辆的车型标签、第一输出层的输出结果、训练样本的车辆的车身颜色标签和第二输出层的输出结果，调整所述卷积层、所述池化层和所述全连接层的权值和偏置，使得训练结果满足所述预设优化目标；当训练结果满足所述预设优化目标时，分别获取所述卷积层、所述池化层和所述全连接层的权重和偏置；将所述卷积层、所述池化层和所述全连接层的权重和偏置作为所述参数信息进行保存。4.根据权利要求3所述的方法，其特征在于，所述参数信息还包括：所述卷积层的个数、每个卷积层的卷积核大小、所述池化层的个数、每个池化层的大小、所述全连接层的个数以及每个全连接层的大小。5.根据权利要求1所述的方法，其特征在于，所述当训练结果满足所述预设优化目标时，保存所述深度卷积神经网络的参数信息的步骤之后还包括：获取测试样本集，所述测试样本集中包括待测试车辆的车辆图像数据；将测试样本集中的待测试车辆图像数据输入通过所述参数信息构建的深度卷积...

【专利技术属性】
技术研发人员：邹博，邹达，李昕，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁,21