一种机动车品牌识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种机动车品牌识别方法及装置，应用于电子设备，所述方法包括：在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。本发明专利技术实施例能够提高机动车品牌识别的准确性。

A vehicle brand identification method and device

The embodiment of the invention provides a device and method for motor vehicle brand recognition, used in electronic equipment, the method includes: the characteristics of the region, identifying the first image in the first image to be included in the recognition of motor vehicles, the characteristics of the region for motor vehicle license plate recognition according to the characteristics of the area where; the area of the first image, and the default extension rule, to determine the second images containing the feature region; the network model of the second image input pre training, get the feature map of the second image; wherein, the network model is based on second samples of each of the first vehicle image sample image including the vehicle the characteristics of the regional brand, as well as with the second vehicle information in the training sample image and the corresponding vehicle obtained; compares the characteristics of input in advance In the classification model of the training, the brand information corresponding to the vehicle to be identified is obtained. The embodiment of the invention can improve the accuracy of vehicle brand recognition.

【技术实现步骤摘要】
一种机动车品牌识别方法及装置
本专利技术涉及智能交通
，特别是涉及一种机动车品牌识别方法及装置。
技术介绍
机动车，是指以动力装置驱动或者牵引，上道路行驶的供人员乘用或用于运送物品以及进行工程专项作业的轮式车辆。机动车品牌指的是机动车生产商的标志和名称，它代表着车辆的属性和特定价值。其中，机动车品牌一般由主品牌、子型号以及年款组成，例如，大众-桑塔纳-2000的机动车品牌，其主品牌为大众，子型号为桑塔纳，年款为2000。机动车品牌的识别在现实生活中有很重要的意义，例如，针对涉及违法犯罪行为的机动车，机动车品牌的识别在卡口及电子警察系统中的应用，在一定程度上遏制了各种违法行为的发生；在视频监控领域，机动车品牌的识别在车辆道路安全防范上也起到了很大的推进作用。现有的机动车品牌识别方法，主要为基于人工提取机动车图像的特征图，然后将特征图送入多类支持向量机的识别算法。即预先采用大量的样本训练得到支持向量机，在进行机动车品牌识别时，首先采集机动车图像，由人工确定该机动车图像的特征图，并将确定的机动车图像的特征图输入到训练好的支持向量机中，从而得到该机动车的品牌信息。但是，该方法在识别时采用的特征图通常为二值化图像，即灰度值为0或255的图像，确定二值化图像时，需要人工根据经验确定阈值，进而根据该阈值来由机动车图像得到二值化图像。而人工很难准确地确定阈值，当人工确定的阈值不准确时，将影响特征图的准确性，进一步地影响最终识别结果的准确性。
技术实现思路
本专利技术实施例的目的在于提供一种机动车品牌识别方法及装置，以提高机动车品牌识别的准确性。具体技术方案如下：第一方面，本专利技术实施例提供了一种机动车品牌识别方法，应用于电子设备，所述方法包括：在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。可选地，所述根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像包括：识别所述特征区域的目标长度和目标宽度；根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。可选地，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。可选地，当所述分类模型为CNN模型时，所述将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息包括：将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。可选地，所述网络模型为：主成分分析网络PCANET；所述PCANET模型的训练过程包括：获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。可选地，所述训练得到所述PCANET模型之后，所述方法还包括：根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；所述CNN模型的训练过程包括：将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。可选地，所述方法还包括：获得所述待识别机动车对应的品牌信息的置信度。可选地，所述得到所述待识别机动车对应的品牌信息包括：根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。第二方面，本专利技术实施例提供了一种机动车品牌识别装置，应用于电子设备，所述装置包括：识别模块，用于在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；确定模块，用于根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；第一获得模块，用于将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；第二获得模块，用于将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。可选地，所述确定模块包括：识别子模块，用于识别所述特征区域的目标长度和目标宽度；确定子模块，用于根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。可选地，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。可选地，当所述分类模型为CNN模型时，所述第二获得模块，具体用于将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。可选地，所述网络模型为：主成分分析网络PCANET；所述装置还包括：获取模块，用于获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；第一训练模块，用于将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。可选地，所述装置还包括：第三获得模块，用于根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；第二训练模块，用于将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。可选地，所述装置还包括：第四获得模块，用于获得所述待识别机动车对应的品牌信息的置信度。可选地，所述第二获得模块，具体用于根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。本专利技术实施例提供了一种机动车品牌识别方法及装置，能够根据包括待识别机动车车牌的图像，使用预先训练的网络模型得到该图像的特征图，进而根据该特征图，由预先训练的分类模型确定待识别机动车的品牌信息，与机动车其他区域相比，机动车的车牌附近区域具有较好的辨识度，并且，该网络模型是预先根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的，因此，使用该预先训练的网络模型，能够得到包括待识别机动车车牌的图像的比较准确的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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本文档来自技高网...

【技术保护点】
一种机动车品牌识别方法，其特征在于，应用于电子设备，所述方法包括：在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。

【技术特征摘要】
1.一种机动车品牌识别方法，其特征在于，应用于电子设备，所述方法包括：在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像包括：识别所述特征区域的目标长度和目标宽度；根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。3.根据权利要求1所述的方法，其特征在于，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。4.根据权利要求3所述的方法，其特征在于，当所述分类模型为CNN模型时，所述将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息包括：将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。5.根据权利要求3所述的方法，其特征在于，所述网络模型为：主成分分析网络PCANET；所述PCANET模型的训练过程包括：获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。6.根据权利要求5所述的方法，其特征在于，所述训练得到所述PCANET模型之后，所述方法还包括：根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；所述CNN模型的训练过程包括：将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。7.根据权利要求1-6任一所述的方法，其特征在于，所述方法还包括：获得所述待识别机动车对应的品牌信息的置信度。8.根据权利要求7所述的方法，其特征在于，所述得到所述待识别机动车对应的品牌信息包括：根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对...

【专利技术属性】
技术研发人员：浦世亮，丛建亭，罗兵华，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33