一种建立识别车辆信息的模型的方法及装置制造方法及图纸

本发明专利技术提供一种建立识别车辆信息的模型的方法及装置，其中，所述建立识别车辆信息的模型的方法包括：获取车辆信息图像和所述车辆信息图像对应的车辆信息；根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图；将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值，解决了现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差，信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性的问题。

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.

【技术实现步骤摘要】
一种建立识别车辆信息的模型的方法及装置
本专利技术涉及信息识别领域，具体涉及一种建立识别车辆信息的模型的方法及装置。
技术介绍
随着深度学习技术的兴起，基于深度学习的图像识别准确率逐年上涨，人脸识别、行为识别、运动识别等图像识别技术在越来越多场合中被提及，随着硬件、算法及大数据的不断发展，深度学习技术在很多领域均得到了广泛使用，例如车辆自动驾驶领域，是通过电脑系统实现无人驾驶，依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆，自动驾驶汽车对外界信息的获取主要基于声音和图像，要实现真正的无人驾驶，必须能够准确感知和识别前方车辆行驶的状态信息，而现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差，信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性。
技术实现思路
因此，本专利技术要解决的技术问题在于现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差，信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性。有鉴于此，本专利技术提供一种建立识别车辆信息的模型的方法，包括：获取车辆信息图像和所述车辆信息图像对应的车辆信息；根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图；将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。优选地，所述车辆信息包括车辆速度信息、车辆转向信息和车辆指示灯信息。优选地，所述获取车辆信息图像和所述车辆信息图像对应的车辆信息，包括：获取所述车辆信息图像中的字符区域图像；将所述字符区域图像输入到机器学习模型中进行字符分割与识别，确定所述车辆信息图像对应的车辆信息，其中所述机器学习模型利用多个字符图像进行训练得到的。优选地，所述神经网络模型为深度卷积神经网络模型。相应地，本专利技术还提供一种建立识别车辆信息的模型的装置，包括：获取单元，用于获取车辆信息图像和所述车辆信息图像对应的车辆信息；特征图获取单元，用于根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图；训练单元，用于将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。优选地，所述车辆信息包括车辆速度信息、车辆转向信息和车辆指示灯信息。优选地，所述获取单元包括：字符区域图像获取单元，用于获取所述车辆信息图像中的字符区域图像；确定单元，用于将所述字符区域图像输入到机器学习模型中进行字符分割与识别，确定所述车辆信息图像对应的车辆信息，其中所述机器学习模型利用多个字符图像进行训练得到的。优选地，所述神经网络模型为深度卷积神经网络模型。本专利技术技术方案具有以下优点：通过获取车辆信息图像和车辆信息图像对应的车辆信息，根据车辆信息图像，得到车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图，将车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值，解决了现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差，信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性的问题。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1提供的一种建立识别车辆信息的模型的方法的流程图；图2是本专利技术实施例2提供的一种建立识别车辆信息的模型的装置的结构示意图；图3是本专利技术另一实施例提供的一种车辆转向信息判定方法的流程图；图4是本专利技术另一实施例提供的一种车辆转向信息判定装置的结构示意图。具体实施方式下面将结合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。实施例1本专利技术实施例1提供一种建立识别车辆信息的模型的方法，如图1所示，包括：S11，获取车辆信息图像和所述车辆信息图像对应的车辆信息。车辆信息包括车辆速度信息、车辆转向信息和车辆指示灯信息，其中车辆速度信息可以通过速度传感器采集得到，根据采集的车辆速度信息得到车辆速度信号、加速度信号和刹车信号，车辆转向信息可以通过标注获取设置在车牌上方的车辆信息显示牌上的转向信息得到或者通过标注获取的车辆指示灯信息的转向灯信息或刹车信息灯信息。S12，根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图。首先求取车辆信息图像中的每个像素点的1bp特征，当求取图像边缘像素点的灰度特征值时，超出边界的像素点的值设置为零，继而得到整个车辆信息图像的1bp特征图，继而根据灰度特征图，得到1bp特征图、梯度幅值特征图和梯度方向特征图。S13，将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。所述神经网络模型为深度卷积神经网络模型。深度卷积神经网络(DeepConvolutionalNeuralNetwork，简称DCNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有着出色表现，一般由至少一个卷积层(alternatingconvolutionallayer)和至少一个池化层(poolinglayer)构成。为了提高神经网络模型的准确性，步骤S11中包括以下步骤：S111，获取所述车辆信息图像中的字符区域图像；S112，将所述字符区域图像输入到机器学习模型中进行字符分割与识别，确定所述车辆信息图像对应的车辆信息，其中所述机器学习模型利用多个字符图像进行训练得到的。本专利技术实施例提供的建立识别车辆信息的模型的方法，通过获取车辆信息图像和车辆信息图像对应的车辆信息，根据车辆信息图像，得到车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图，将车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值，解决了现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差，信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性的问题。实施本文档来自技高网...

【技术保护点】
一种建立识别车辆信息的模型的方法，其特征在于，包括：获取车辆信息图像和所述车辆信息图像对应的车辆信息；根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图；将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。

【技术特征摘要】
1.一种建立识别车辆信息的模型的方法，其特征在于，包括：获取车辆信息图像和所述车辆信息图像对应的车辆信息；根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图；将所述车辆信息图像的灰度特征图、1bp特征图、梯度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于预设阈值。2.根据权利要求1所述的方法，其特征在于，所述车辆信息包括车辆速度信息、车辆转向信息和车辆指示灯信息。3.根据权利要求1所述的方法，其特征在于，所述获取车辆信息图像和所述车辆信息图像对应的车辆信息，包括：获取所述车辆信息图像中的字符区域图像；将所述字符区域图像输入到机器学习模型中进行字符分割与识别，确定所述车辆信息图像对应的车辆信息，其中所述机器学习模型利用多个字符图像进行训练得到的。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型为深度卷积神经网络模型。5.一种建立识别车辆信...

【专利技术属性】
技术研发人员：陈江林，张晓明，张如高，
申请(专利权)人：博康智能信息技术有限公司北京海淀分公司，
类型：发明
国别省市：北京,11