车辆属性识别方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术提供一种车辆属性识别方法、装置、存储介质及电子设备。本发明专利技术提供的车辆属性识别方法，包括：先获取待监测图像，并通过预设的车辆检测模型从待监测图像中获取待识别车辆的轮廓数据信息，再根据轮廓数据信息确定车辆检测框，并利用车辆检测框从待监测图像中截取待识别车辆对应的待识别图像，然后通过预设的车辆属性识别模型对待识别图像进行特征提取，以获得待识别图像中的待识别车辆的属性特征信息。本发明专利技术提供的车辆属性识别方法，可以实现在安防应用场景中对嫌疑车辆进行识别筛选的功能，大大加快了识别速度和准确度，并减少了人力成本的投入。

【技术实现步骤摘要】
车辆属性识别方法、装置、存储介质及电子设备
本专利技术涉及计算机视觉
，尤其涉及一种车辆属性识别方法、装置、存储介质及电子设备。
技术介绍
随着互联网和人工智能技术的不断发展，越来越多的领域开始涉及计算机视觉自动化计算与分析，其中监控安防领域则是其中最为重要的应用场景之一。为了能够利用安防场景中的监控录像来对嫌疑车辆的属性进行识别，从而实现对嫌疑车辆的识别以及追踪，在现有技术中，大多都是利用人眼观察识别的方式先从监控录像中找出目标车辆，然后再按照时间顺序对具体车辆进行追踪。但是，利用传统人眼观测来进行车辆属性识别，误差较大，并且需要耗费大量的人力和物力，难以适应实际安防应用场景中的嫌疑车辆识别。
技术实现思路
本专利技术提供一种车辆属性识别方法、装置、存储介质及电子设备，以针对待监测图像输出待识别车辆的车辆检测框以及该待识别车辆的对应的属性特征信息，从而实现在实际安防应用场景中对嫌疑车辆进行识别筛选的功能。第一方面，本专利技术提供一种车辆属性识别方法，包括：获取待监测图像，并通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息；根据所述轮廓数据信息确定车辆检测框，并利用所述车辆检测框从所述待监测图像中截取所述待识别车辆对应的待识别图像；通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息。在一种可能的设计中，在所述通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息之后，还包括：在所述待监测图像上叠加显示所述车辆检测框以及所述属性特征信息，其中，所述车辆检测框用于容置所述待监测图像中的所述待识别车辆。在一种可能的设计中，所述通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息，包括：通过所述待监测图像进行多次卷积层处理和池化层处理，以形成全连接层；利用目标检测网络对所述全连接层进行分类识别，以获取所述待识别车辆的轮廓数据信息。在一种可能的设计中，所述根据所述轮廓数据信息确定车辆检测框，包括：根据所述轮廓数据信息确定所述车辆检测框的左上角顶点在预设坐标系中第一坐标值、第一框长值以及第一框高值，其中，所述第一坐标值中的横坐标值小于或等于所述轮廓数据信息中最小横坐标值，所述第一坐标值中的纵坐标值大于或等于所述轮廓数据信息中最大纵坐标值，所述第一框长值大于或等于所述轮廓数据信息中最大横坐标值与所述最小横坐标值之差，所述第一框高值大于或等于所述轮廓数据信息中最大纵坐标值与所述最小纵坐标值之差。在一种可能的设计中，所述预设的车辆属性识别模型为张量递归神经网络模型。在一种可能的设计中，所述张量递归神经网络模型包括输入层、第一卷积层、第一校正层、第一池化层、第二卷积层、第二校正层、第二池化层、第三卷积层、张量递归层和输出层；其中，所述输入层、所述第一卷积层、所述第一校正层、所述第一池化层、所述第二卷积层、所述第二校正层、所述第二池化层以及所述第三卷积层依次连接，所述张量递归层全连接到所述第三卷积层，所述输出层全连接到所述张量递归层。在一种可能的设计中，在所述通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息之前，还包括：对所述待监测图像进行第一预处理，以使所述待监测图像满足预设尺寸要求。在一种可能的设计中，在对所述待监测图像进行第一预处理之后，还包括：对所述待监测图像进行第二预处理，以使所述待监测图像满足预设的RGB颜色值要求。在一种可能的设计中，所述属性特征信息至少包括以下属性特征中的至少一项：车辆外部特征信息、车辆内部特征信息以及车辆行驶方向信息。在一种可能的设计中，所述车辆外部特征信息至少包括以下属性特征中的至少一项：车型信息、车窗雨眉信息、车顶架信息以及天窗信息；所述车辆内部特征信息至少包括以下属性特征中的至少一项：车内摆放物状态信息、后视镜悬挂物状态信息、驾驶位状态信息以及副驾驶位状态信息。第二方面，本专利技术还提供一种车辆属性识别装置，包括：获取模块，用于获取待监测图像，并通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息；确定模块，用于根据所述轮廓数据信息确定车辆检测框，并利用所述车辆检测框从所述待监测图像中截取所述待识别车辆对应的待识别图像；提取模块，用于通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息。在一种可能的设计中，所述车辆属性识别装置，还包括：显示模块，用于在所述待监测图像上叠加显示所述车辆检测框以及所述属性特征信息，其中，所述车辆检测框用于容置所述待监测图像中的所述待识别车辆。在一种可能的设计中，所述获取模块，具体用于：通过所述待监测图像进行多次卷积层处理和池化层处理，以形成全连接层；利用目标检测网络对所述全连接层进行分类识别，以获取所述待识别车辆的轮廓数据信息。在一种可能的设计中，所述根据所述轮廓数据信息确定车辆检测框，包括：根据所述轮廓数据信息确定所述车辆检测框的左上角顶点在预设坐标系中第一坐标值、第一框长值以及第一框高值，其中，所述第一坐标值中的横坐标值小于或等于所述轮廓数据信息中最小横坐标值，所述第一坐标值中的纵坐标值大于或等于所述轮廓数据信息中最大纵坐标值，所述第一框长值大于或等于所述轮廓数据信息中最大横坐标值与所述最小横坐标值之差，所述第一框高值大于或等于所述轮廓数据信息中最大纵坐标值与所述最小纵坐标值之差。在一种可能的设计中，所述预设的车辆属性识别模型为张量递归神经网络模型。在一种可能的设计中，所述张量递归神经网络模型包括输入层、第一卷积层、第一校正层、第一池化层、第二卷积层、第二校正层、第二池化层、第三卷积层、张量递归层和输出层；其中，所述输入层、所述第一卷积层、所述第一校正层、所述第一池化层、所述第二卷积层、所述第二校正层、所述第二池化层以及所述第三卷积层依次连接，所述张量递归层全连接到所述第三卷积层，所述输出层全连接到所述张量递归层。在一种可能的设计中，所述车辆属性识别装置，还包括：预处理模块，用于对所述待监测图像进行第一预处理，以使所述待监测图像满足预设尺寸要求。在一种可能的设计中，所述预处理模块，还用于：对所述待监测图像进行第二预处理，以使所述待监测图像满足预设的RGB颜色值要求。在一种可能的设计中，所述属性特征信息至少包括以下属性特征中的至少一项：车辆外部特征信息、车辆内部特征信息以及车辆行驶方向信息。在一种可能的设计中，所述车辆外部特征信息至少包括以下属性特征中的至少一项：车型信息、车窗雨眉信息、车顶架信息以及天窗信息；所述车辆内部特征信息至少包括以下属性特征中的至少一项：车内摆放物状态信息、后视镜悬挂物状态信息、驾驶位状态信息以及副驾驶位状态信息。第三方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任意一种可能的车辆属性识别方法。第四方面，本专利技术还提供一种电子设备，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任意一种可能的车辆属性识别方法。本专利技术提供的一种车辆属性识别方法、装置、存储介质及电子设备，先本文档来自技高网...

【技术保护点】
1.一种车辆属性识别方法，其特征在于，包括：获取待监测图像，并通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息；根据所述轮廓数据信息确定车辆检测框，并利用所述车辆检测框从所述待监测图像中截取所述待识别车辆对应的待识别图像；通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息。

【技术特征摘要】
1.一种车辆属性识别方法，其特征在于，包括：获取待监测图像，并通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息；根据所述轮廓数据信息确定车辆检测框，并利用所述车辆检测框从所述待监测图像中截取所述待识别车辆对应的待识别图像；通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息。2.根据权利要求1所述的车辆属性识别方法，其特征在于，在所述通过预设的车辆属性识别模型对所述待识别图像进行特征提取，以获得所述待识别图像中的所述待识别车辆的属性特征信息之后，还包括：在所述待监测图像上叠加显示所述车辆检测框以及所述属性特征信息，其中，所述车辆检测框用于容置所述待监测图像中的所述待识别车辆。3.根据权利要求1所述的车辆属性识别方法，其特征在于，所述通过预设的车辆检测模型从所述待监测图像中获取待识别车辆的轮廓数据信息，包括：通过所述待监测图像进行多次卷积层处理和池化层处理，以形成全连接层；利用目标检测网络对所述全连接层进行分类识别，以获取所述待识别车辆的轮廓数据信息。4.根据权利要求3所述的车辆属性识别方法，其特征在于，所述根据所述轮廓数据信息确定车辆检测框，包括：根据所述轮廓数据信息确定所述车辆检测框的左上角顶点在预设坐标系中第一坐标值、第一框长值以及第一框高值，其中，所述第一坐标值中的横坐标值小于或等于所述轮廓数据信息中最小横坐标值，所述第一坐标值中的纵坐标值大于或等于所述轮廓数据信息中最大纵坐标值，所述第一框长值大于或等于所述轮廓数据信息中最大横坐标值与所述最小横坐标值之差，所述第一框高值大于或等于所述轮廓数据信息中最大纵坐标值与所述最小纵坐标值之差。5.根据权利要求4所述的车辆属性识别方法，其特征在于，所述预设的车辆属性识别模型为张量递归神经网络模型。6.根据权利要求5所述的车辆属性识别方法，其特征在于，所述张量递归神经网络模型包括输入层、第一卷积层、第一校正层、第一池化层、第二卷积层、第二校正层、第二池化层、第三卷积层、张量递归层和输出层；其中，所述输入层、所...

【专利技术属性】
技术研发人员：袁宇辰，谭啸，周峰，孙昊，丁二锐，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11