车辆属性识别方法、装置、服务器及存储介质制造方法及图纸

本申请公开了一种车辆属性识别方法、装置、服务器及存储介质，属于车辆识别领域。该方法包括：获取车辆图像；从车辆图像中提取车辆整体图像和至少一张车辆局部图像，不同的车辆局部图像对应不同的车辆部位；将车辆整体图像输入第一车辆属性识别模型，得到第一识别结果，第一车辆属性识别模型根据样本车辆整体图像训练生成；将车辆局部图像输入对应的第二车辆属性识别模型，得到第二识别结果，第二车辆属性识别模型根据样本车辆局部图像训练生成，第一车辆属性识别模型和第二车辆属性识别模型用于识别同一车辆属性；根据第一识别结果和至少一条第二识别结果确定目标车辆属性。本申请采用模型融合的方式识别车辆属性，提高了车辆属性的识别准确性。

【技术实现步骤摘要】
车辆属性识别方法、装置、服务器及存储介质
本申请实施例涉及车辆识别
，特别涉及一种车辆属性识别方法、装置、服务器及存储介质。
技术介绍
随着人工智能(ArtificialIntelligence，AI)技术的不断成熟，越来越多场景下开始借助AI技术进行车辆属性识别。比如，在实拍场景下借助AI技术识别实拍图像中车辆的颜色、车型、车系等车辆属性。在一种车辆属性识别方法中，开发人员首先为样本车辆图像设置车辆属性标签，然后采用基于神经网络的深度学习算法，训练出多个用于识别不同车辆属性的车辆属性识别模型，比如分别训练出车辆品牌识别模型、车辆车型识别模型和车辆车系识别模型等等。后续进行车辆属性识别时，将车辆图像输入各个车辆属性识别模型后即可得到相应的车辆属性信息。然而，采用上述方法识别车辆属性时，对于车系这类复杂的车辆属性，仅使用单一车辆属性识别模型进行识别，车辆属性的识别准确率较低。
技术实现思路
本申请实施例提供了一种车辆属性识别方法、装置、服务器及存储介质，可以解决相关技术中对于车系这类复杂的车辆属性，仅使用单一车辆属性识别模型进行识别，车辆属性的识别准确率较低的问题。所述技术方案如下：一方面，提供了一种车辆属性识别方法，所述方法包括：获取车辆图像；从所述车辆图像中提取车辆整体图像和至少一张车辆局部图像，不同的所述车辆局部图像对应不同的车辆部位；将所述车辆整体图像输入第一车辆属性识别模型，得到第一识别结果，所述第一车辆属性识别模型根据样本车辆整体图像训练生成；将所述车辆局部图像输入对应的第二车辆属性识别模型，得到第二识别结果，所述第二车辆属性识别模型根据样本车辆局部图像训练生成，所述第一车辆属性识别模型和所述第二车辆属性识别模型用于识别同一车辆属性，且不同的第二车辆属性识别模型对应不同的车辆部位；根据所述第一识别结果和至少一条所述第二识别结果确定目标车辆属性。另一方面，提供了一种车辆属性识别装置，所述装置包括：图像获取模块，用于获取车辆图像；提取模块，用于从所述车辆图像中提取车辆整体图像和至少一张车辆局部图像，不同的所述车辆局部图像对应不同的车辆部位；第一识别模块，用于将所述车辆整体图像输入第一车辆属性识别模型，得到第一识别结果，所述第一车辆属性识别模型根据样本车辆整体图像训练生成；第二识别模块，用于将所述车辆局部图像输入对应的第二车辆属性识别模型，得到第二识别结果，所述第二车辆属性识别模型根据样本车辆局部图像训练生成，所述第一车辆属性识别模型和所述第二车辆属性识别模型用于识别同一车辆属性，且不同的第二车辆属性识别模型对应不同的车辆部位；确定模块，用于根据所述第一识别结果和至少一条所述第二识别结果确定目标车辆属性。另一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述方面所述的车辆属性识别方法。另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述方面所述的车辆属性识别方法。本申请实施例提供的技术方案带来的有益效果至少包括：在模型训练阶段，利用样本车辆整体图像、样本车辆局部图像以及对应的车辆属性标签，训练出多个同于识别同一车辆属性的车辆属性识别模型；后续进行车辆图像进行识别时，将从车辆图像中提取到的车辆整体图像和车辆局部图像输入对应的车辆属性识别模型，并对多个车辆属性识别模型输出的识别结果进行融合，确定出目标车辆属性。相较于相关技术中训练并使用单一模型进行车辆属性识别，本申请实施例中基于多个维度的训练样本训练多个识别同一车辆属性的模型，并采用模型融合的方式进行车辆属性识别，增加了车辆属性的识别维度，进而提高了车辆属性的识别准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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下，还可以根据这些附图获得其他的附图。图1示出了本申请一个实施例提供的实施环境的示意图；图2是本申请实施例中模型训练以及属性识别过程的原理示意图；图3示出了本申请一个实施例提供的车辆属性识别方法中模型训练阶段的流程图；图4是根据第一样本车辆图像生成样本车辆整车图像和样本车辆局部图像的示意图；图5示出了本申请另一个实施例提供的车辆属性识别方法中模型训练阶段的流程图；图6是训练第一车辆属性识别模型的流程图；图7是训练第一车辆属性识别模型的实施示意图；图8是训练第二车辆属性识别模型的流程图；图9是训练第三车辆属性识别模型的流程图；图10是训练第三车辆属性识别模型的实施示意图；图11示出了本申请一个实施例提供的车辆属性识别方法的流程图；图12示出了本申请另一个实施例提供的车辆属性识别方法的流程图；图13是车辆属性识别过程的实施示意图；图14示出了本申请一个实施例提供的车辆属性识别装置的框图；图15示出了本申请一个实施例提供的服务器的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。请参考图1，其示出了本申请一个实施例提供的实施环境的示意图。该实施环境中包括终端110和服务器120。终端110是具有图像采集功能的电子设备，该电子设备可以是配置有摄像头的智能手机、平板电脑、个人计算机，或者监控设备(比如智能摄像头或者道路监控探头)等等。图1中，终端110是设置有摄像头的手机。可选的，终端110中安装有具有车辆识别功能的预设应用程序，或者，关注有提供车辆识别服务的社交账号(比如公众号)，或者，运行有依赖于其它应用程序的小程序(miniprogram)(比如即时通信应用程序中的小程序)。当需要进行车辆属性识别时，终端110即启用摄像头进行图像采集。终端110与服务器120之间通过有线或无线网络相连。服务器120是一台服务器、若干台服务器构成的服务器集群或云计算中心。在一种可能的实施方式中，服务器120是终端110中预设应用程序的后台服务器、社交账号的后台服务器或者小程序的后台服务器。可选的，服务器120中存储有用于识别不同车辆属性的车辆属性识别模型。如图1所示，服务器120中包含颜色车型识别模型121以及车系识别模型122和123。在一种可能的应用场景下，如图1所示，终端110通过摄像头采集到车辆图像后，即将车辆图像发送至服务器120。服务器120对车辆图像进行预处理后，通过颜色车型识别模型121识别车辆的颜色和车型；同时，服务器分别通过车系识别模型122和车辆识别模型123识别车辆的车系，并对两个模型的识别结果进行融合。完成颜色、车型以及车系识别后，服务器120将车辆属性识别结果反馈给终端110，供其进行显示。在另一种可能的应用场景下，当终端110具备图像处理功能时，对于采集到的车辆图像，终端110即在本地对车辆图像进行处理，并将处理后的车辆图像发送至服务器120，由服务器120进行车辆属性识别。可选的，服务器120通过神经网络芯片实现车本文档来自技高网...

【技术保护点】
1.一种车辆属性识别方法，其特征在于，所述方法包括：获取车辆图像；从所述车辆图像中提取车辆整体图像和至少一张车辆局部图像，不同的所述车辆局部图像对应不同的车辆部位；将所述车辆整体图像输入第一车辆属性识别模型，得到第一识别结果，所述第一车辆属性识别模型根据样本车辆整体图像训练生成；将所述车辆局部图像输入对应的第二车辆属性识别模型，得到第二识别结果，所述第二车辆属性识别模型根据样本车辆局部图像训练生成，所述第一车辆属性识别模型和所述第二车辆属性识别模型用于识别同一车辆属性，且不同的第二车辆属性识别模型对应不同的车辆部位；根据所述第一识别结果和至少一条所述第二识别结果确定目标车辆属性。

【技术特征摘要】
1.一种车辆属性识别方法，其特征在于，所述方法包括：获取车辆图像；从所述车辆图像中提取车辆整体图像和至少一张车辆局部图像，不同的所述车辆局部图像对应不同的车辆部位；将所述车辆整体图像输入第一车辆属性识别模型，得到第一识别结果，所述第一车辆属性识别模型根据样本车辆整体图像训练生成；将所述车辆局部图像输入对应的第二车辆属性识别模型，得到第二识别结果，所述第二车辆属性识别模型根据样本车辆局部图像训练生成，所述第一车辆属性识别模型和所述第二车辆属性识别模型用于识别同一车辆属性，且不同的第二车辆属性识别模型对应不同的车辆部位；根据所述第一识别结果和至少一条所述第二识别结果确定目标车辆属性。2.根据权利要求1所述的方法，其特征在于，所述第一识别结果和所述第二识别结果中包含车辆属性与置信度之间的对应关系；所述根据所述第一识别结果和至少一条所述第二识别结果确定目标车辆属性，包括：根据所述第一识别结果和至少一条所述第二识别结果，计算车辆属性对应的平均置信度；将最大平均置信度对应的车辆属性确定为所述目标车辆属性。3.根据权利要求1所述的方法，其特征在于，所述获取车辆图像之前，所述方法还包括：获取第一样本车辆图像；根据所述第一样本车辆图像生成所述样本车辆整体图像和至少一张所述样本车辆局部图像，不同的所述样本车辆局部图像对应不同的车辆部位；根据所述样本车辆整体图像和车脸属性标签训练所述第一车辆属性识别模型；根据所述样本车辆局部图像和所述属性标签训练所述第二车辆属性识别模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述样本车辆整体图像和车脸属性标签训练所述第一车辆属性识别模型，包括：构建所述第一车辆属性识别模型；将所述样本车辆整体图像输入所述第一车辆属性识别模型，得到第一输出结果；将所述样本车辆整体图像输入第一目标识别模型，得到第一目标输出结果，所述第一目标识别模型与所述第一车辆属性识别模型用于识别同一车辆属性，且所述第一目标识别模型的层数大于所述第一车辆属性识别模型的层数，所述第一目标识别模型的参数量大于所述第一车辆属性识别模型的参数量；根据所述第一输出结果和所述车辆属性标签计算第一残差；根据所述第一输出结果和所述第一目标输出结果计算第二残差；根据所述第一残差和所述第二残差反向训练所述第一车辆属性识别模型。5.根据权利要求3所述的方法，其特征在于，所述根据所述样本车辆局部图像和所述属性标签训练所述第二车辆属性识别模型，包括：构建所述第二车辆属性识别模型；将所述样本车辆局部图像输入所述第二车辆属性识别模型，得到第二输出结果；将所述样本车辆局部图像输入第二目标识别模型，得到第二目标输出结果，所述第二目标识别模型与所述第二车辆属性识别模型用于识别同一车辆属性，且所述第二目标识别模型的层数大于所述第二车辆属性识别模型的层数，所述第二目标识别模型的参数量大于所述第二车辆属性识别模型的参数量；根据所述第二输出结果和所述车辆属性标签计算第三残差；根据所述第二输出结果和所述第二目标输出结果计算第四残差；根据所述第三残差和所述第四残差反向训练所述第二车辆属性识别模型。6.根据权利要求3所述的方法，其特征在于，所述第一样本车辆图像是实拍场景下采集的图像，所述方法还包括：...

【专利技术属性】
技术研发人员：姚雨石，余宗桥，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44