用于车辆分类和验证的设备和系统技术方案

公开了用于车辆分类的设备(1000)和用于车辆验证系统(6000)的设备。用于车辆分类的设备(1000)可以包括：用来检测接收的图像中的车辆的位置的车辆检测器(10)，以及与检测器(10)电通信并且从检测的位置的图像分块中预测车辆的一个或多个属性的预测器(20)。预测器(20)具有被配置成具有一个或多个输出层的卷积神经网络，每个输出层经过不同的训练，使得每个输出层用来预测车辆的一个属性并且具有与车辆的输出类别的数量相同的大小。用于车辆验证系统(6000)的设备可包括车辆检测器(60)、特征提取器(62)和验证单元(64)，并且用于验证来自两个图像的车辆是否具有相同属性。

【技术实现步骤摘要】
【国外来华专利技术】用于车辆分类和验证的设备和系统
本申请总体涉及用于车辆分类的设备和方法。本申请总体还涉及用于车辆验证的设备和方法。
技术介绍
工业中大量需要自动地处理含有车辆的图像以识别它们的型号。然而，因为存在大量的车辆型号并且不同的车辆型号非常相似，因此车辆型号识别一直是具有挑战性的研究主题。先前的方法通常限于少量的车辆型号。具体地讲，它们对少于30个型号进行分类并且利用手工形成的特征。一些最近的工作提议使用3D表示对196个车辆型号进行分类，这是迄今为止最大规模的实验。它首先获取对象的3D几何结构的估计，随后从与这个几何结构相关的校正分块中提取SIFT(ScaleInvariantFeatureTransform；尺度不变特征变换)。诸如SIFT等手工形成的特征所具有的区别性并不足以识别车辆型号。与车辆型号验证紧密相关，人脸验证在近十年来已成为热门话题。最近的基于深度学习的算法首先在人类身份分类上训练深度神经网络，随后利用从深度神经网络提取的特征来训练验证模型。最新的对象检测算法包括DPM(DeformablePartModel；可变形部件模型)和RCNN(RegionBasedConvolu本文档来自技高网...

【技术保护点】
一种用于车辆分类的设备，包括：车辆检测器，用来检测接收的图像中的车辆的位置；以及预测器，与所述检测器电通信、并从所检测到的位置的图像分块中预测所述车辆的一个或多个属性，其中，所述预测器包括被配置有一个或多个输出层的卷积神经网络，每个所述输出层均经过不同的训练，使得每个所述输出层用来预测所述车辆的一个属性，并且每个所述输出层具有与所述车辆的输出类别的数量相同的大小。

【技术特征摘要】
【国外来华专利技术】1.一种用于车辆分类的设备，包括：车辆检测器，用来检测接收的图像中的车辆的位置；以及预测器，与所述检测器电通信、并从所检测到的位置的图像分块中预测所述车辆的一个或多个属性，其中，所述预测器包括被配置有一个或多个输出层的卷积神经网络，每个所述输出层均经过不同的训练，使得每个所述输出层用来预测所述车辆的一个属性，并且每个所述输出层具有与所述车辆的输出类别的数量相同的大小。2.根据权利要求1所述的设备，其中所述卷积神经网络包括至少一个全连接层，所述全连接层被配置成从接收的所述图像的整个车辆区域中提取分类特征。3.根据权利要求2所述的设备，其中所述全连接层联接到输出节点，所述输出节点从接收自所述全连接层的所述分类特征预测所述车辆的一个或多个属性。4.根据权利要求1至3中任一项所述的设备，其中所述属性包括从由下列项构成的组中选择的至少一个：品牌、型号、年份、最大速度的连续值、排量、座位数量以及门数量等。5.根据权利要求1至3中任一项所述的设备，其还包括训练装置，所述训练装置基于下列项来训练所述卷积神经网络：1)预先训练集，包括含有不同对象和对应的基准真实对象标签的图像，2)微调集，包括只含有车辆和对应的基准真实标签的图像，其中，所述预先训练集的所述基准真实对象标签是对应图像的对象类别，并且所述微调集的所述基准真实对象标签取决于将要预测的属性。6.根据权利要求5所述的设备，其中所述训练装置使用所述预先训练集中的所述图像通过下列方式来预先训练第一卷积神经网络：随机地将所述第一卷积神经网络的参数初始化；计算所述第一卷积神经网络中的所述参数的损失；基于计算的损失来计算相对于所有所述参数的梯度；通过使用一个前缀学习率和对应梯度的乘积来更新所述参数；确定是否满足停止标准；如果不满足的话，则返回到计算步骤。7.根据权利要求6所述的设备，其中所述训练装置还被配置成：创建与所述第一神经网络具有相同结构的第二卷积神经网络；使用所述第一神经网络的预先训练的参数将所述第二神经网络初始化；利用具有n节点的新输出层来替换所述第二卷积神经网络的所述输出节点，其中n是指定输出的大小；以及使用所述微调集中的所述图像来微调所述第二卷积神经网络。8.一种用于车辆分类的方法，包括：将卷积神经网络配置成具有一个或多个输出层，每个所述输出层经过不同的训练，使得每个所述输出层用来预测所述车辆的一个属性并且具有与所述车辆的输出类别的数量相同的大小；检测接收的图像中的车辆的位置；以及利用经过配置的网络从检测到的位置的图像分块中预测所述车辆的一个或多个属性。9.根据权利要求8所述的方法，其中所述卷积神经网络包括至少一个全连接层，所述全连接层被配置成从所述接收的图像的输入特征的整个区域中提取分类特征。10.根据权利要求9所述的方法，其中所述全连接层联接到输出节点，所述输出节点从接收自所述全连接层的所述分...

【专利技术属性】
技术研发人员：汤晓鸥，杨林杰，罗平，吕健勤，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11