识别模型的训练方法、装置、计算机设备及识别方法制造方法及图纸

本申请涉及一种车辆识别码的识别模型的训练方法、装置、计算机设备及识别方法。该训练方法通过获取多个车辆识别码区域图像，并标注各个车辆识别码区域图像中各个字符的位置和类别；对标注后的各个车辆识别码区域图像进行数据扩充操作，生成各个车辆识别码区域图像所对应的扩充图像，并确定各个扩充图像中各个字符的位置和类别；根据各个车辆识别码区域图像以及各个扩充图像，生成车辆识别码区域图像的样本集；根据车辆识别码区域图像的样本集、各个车辆识别码区域图像中各个字符的位置和类别、各个扩充图像中各个字符的位置和类别，训练车辆识别码识别模型。解决了传统技术中存在的无法准确检测车辆识别码的技术问题。

Training method, device, computer equipment and recognition method of recognition model

【技术实现步骤摘要】
识别模型的训练方法、装置、计算机设备及识别方法
本申请涉及车辆检测领域，特别是涉及一种车辆识别码的识别模型的训练方法、装置、计算机设备及识别方法。
技术介绍
随着社会经济的不断发展和人民生活水平的不断提高，城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。而车辆识别码的检测、识别是车辆年检重要的项目之一。其中，车辆识别码(VehicleIdentificationNumber，VIN)是作为汽车唯一标识码的多字符代码，包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。通常情况下，车辆识别码由17位字符组成，包含字母和数字，俗称十七位码。但是，传统技术中存在无法准确识别车辆识别码的技术问题。
技术实现思路
基于此，有必要针对传统技术中存在的无法准确识别车辆识别码的技术问题，提供一种车辆识别码的识别模型的训练方法、装置及识别方法。一种车辆识别码的识别模型的训练方法，所述方法包括：获取多个车辆识别码区域图像，并标注各个所述车辆识别码区域图像中各个字符的位置和类别；对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码区域图像所对应的扩充图像，并确定各个所述扩充图像中各个字符的位置和类别；根据各个所述车辆识别码区域图像以及各个所述扩充图像，生成车辆识别码区域图像的样本集；根据所述车辆识别码区域图像的样本集、各个所述车辆识别码区域图像中各个字符的位置和类别、各个所述扩充图像中各个字符的位置和类别，训练所述车辆识别码识别模型。上述车辆识别码的识别模型的训练方法，由于对车辆识别码区域图像中各个字符的位置和类别均进行了标注，实现了对车辆识别码待检测图像中相邻的相同字符的有效识别，从而解决了传统技术中存在的无法准确检测车辆识别码的技术问题，提升了车辆识别码检测的准确率。附图说明图1为一个实施例中车辆识别码识别模型的训练方法的应用环境图；图2a为一个实施例中车辆识别码识别模型的训练方法的流程示意图；图2b为一个实施例中车辆识别码的示意图；图3a为一个实施例中布局变换操作的流程示意图；图3b为一个实施例中布局变换操作的示意图；图4a为一个实施例中弯曲变换操作的流程示意图；图4b为一个实施例中弯曲变换操作的示意图；图4c为一个实施例中旋转操作的示意图；图5为一个实施例中字符实例分割模型的网络结构图；图6为一个实施例中利用字符实例分割模型识别待识别车辆识别码区域图像的流程示意图；图7为一个实施例中待检测图像中的车辆识别码区域的示意图；图8为一个实施例中车辆识别码识别模型的训练方法的流程示意图；图9为一个实施例中车辆识别码识别模型的训练装置的结构框图；图10为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。请参见图1，本申请一个实施例提供的应用环境的示意图。该应用环境可以包括：第一计算机设备110、第二计算机设备120和图像采集设备130。其中，第一计算机设备110和第二计算机设备120是指具有较强的数据存储和计算能力的电子设备，例如第一计算机设备110、第二计算机设备120可以是PC(PersonalComputer，个人计算机)或服务器。具体地，通过图像采集设备130对车辆的车辆识别码进行图像采集，得到车辆识别码的待检测图像，并通过网络连接将车辆识别码的待检测图像发送至第一计算机设备110。在对待检测图像进行检测之前，需要技术人员在第二计算机设备120上构建目标检测模型，并通过第二计算机设备120对构建的目标检测模型进行训练。目标检测模型是指从待检测图像中将感兴趣的目标(比如车辆识别码)分割开来的机器学习模型。比如，目标检测模型可以是基于深度学习的SSD(singleshotmultiboxdetection)目标检测算法模型，SSD可以是通过单个深度神经网络，将待检测图像中的车辆识别码区域通过矩形框检测出来。技术人员也可以在第二计算机设备120上构建车辆识别码识别模型，车辆识别码识别模型可以采用字符实例分割模型，并通过第二计算机设备120对构建的车辆识别码识别模型进行训练。车辆识别码识别模型的训练包括：第二计算机设备120获取多个车辆识别码区域图像，并标注各个车辆识别码区域图像中各个字符的位置和类别；对标注后的各个车辆识别码区域图像进行数据扩充操作，生成各个车辆识别码区域图像所对应的扩充图像；根据各个车辆识别码区域图像以及各个扩充图像，生成车辆识别码区域图像的样本集；根据车辆识别码区域图像的样本集、各个车辆识别码区域图像中各个字符的位置和类别、各个扩充图像中各个字符的位置和类别，训练车辆识别码识别模型。完成训练的目标检测模型、车辆识别码识别模型可以从第二计算机设备120发布至第一计算机设备110中。第一计算机设备110可以采用目标检测模型对用户提供的车辆识别码的待检测图像进行检测，判断待检测图像中是否存在待识别车辆识别码区域图像，若存在，从待检测图像中提取得到待识别车辆识别码区域图像；从而可以采用车辆识别码识别模型对待识别车辆识别码区域图像进行识别分割，得到车辆识别码的识别分割结果，并根据车辆识别码的识别分割结果生成待识别车辆识别码区域图像所对应的字符串；接着，将待识别车辆识别码区域图像所对应的字符串与车辆识别码的参考字符串进行比对；进而根据比对的结果，记录车辆识别码的识别结果。可以理解的是，第一计算机设备110也可以采用终端的形式，终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、PC等电子设备。终端通过目标检测模型、字符实例分割模型完成车辆识别码的待检测图像的检测工作。当然，第一计算机设备110也可以与图像采集设备130集成在一起。在一个实施例中，如图2a所示，提供了一种车辆识别码识别模型的训练方法，以该方法应用于图1中的第二计算机设备120为例进行说明，包括以下步骤：S210、获取多个车辆识别码区域图像，并标注各个车辆识别码区域图像中各个字符的位置和类别。其中，车辆识别码(VehicleIdentificationNumber，VIN)是作为汽车唯一标识码的多字符代码，包含了车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。车辆识别码区域图像是指从车辆识别码图像中提取得到的与车辆识别码对应的部分图像。车辆识别码图像可以通过图像采集设备对车辆识别码进行拍摄得到。可以利用目标检测模型对车辆识别码图像进行检测，首先检测车辆识别码图像中是否存在车辆识别码区域图像，若存在，则对待检测图像进行提取或者截取，得到车辆识别码区域图像。将检测得到的车辆识别码区域图像保存在第二计算机设备本地或者与第二计算机设备通信连接的服务器。具体地，第二计算机设备本地事本文档来自技高网...

【技术保护点】
1.一种车辆识别码的识别模型的训练方法，其特征在于，所述方法包括：/n获取多个车辆识别码区域图像，并标注各个所述车辆识别码区域图像中各个字符的位置和类别；/n对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码区域图像所对应的扩充图像，并确定各个所述扩充图像中各个字符的位置和类别；/n根据各个所述车辆识别码区域图像以及各个所述扩充图像，生成车辆识别码区域图像的样本集；/n根据所述车辆识别码区域图像的样本集、各个所述车辆识别码区域图像中各个字符的位置和类别、各个所述扩充图像中各个字符的位置和类别，训练所述车辆识别码识别模型。/n

【技术特征摘要】
1.一种车辆识别码的识别模型的训练方法，其特征在于，所述方法包括：
获取多个车辆识别码区域图像，并标注各个所述车辆识别码区域图像中各个字符的位置和类别；
对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码区域图像所对应的扩充图像，并确定各个所述扩充图像中各个字符的位置和类别；
根据各个所述车辆识别码区域图像以及各个所述扩充图像，生成车辆识别码区域图像的样本集；
根据所述车辆识别码区域图像的样本集、各个所述车辆识别码区域图像中各个字符的位置和类别、各个所述扩充图像中各个字符的位置和类别，训练所述车辆识别码识别模型。


2.根据权利要求1所述的方法，其特征在于，所述数据扩充操作包括布局变换；所述对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码区域图像所对应的扩充图像，包括：
对各个所述车辆识别码区域图像分别进行截取，获得不包含所述各个字符的背景图像；
调整所述背景图像的尺寸；
根据各个字符在各个所述车辆识别码区域图像中的位置，在预设位置处对各个所述车辆识别码区域图像中的车辆识别码进行截断，获得至少两部分的车辆识别码图像；
至少两部分的车辆识别码图像叠加至尺寸调整后的背景图像，生成布局变换操作后的扩充图像。


3.根据权利要求2所述的方法，其特征在于，所述将至少两部分的车辆识别码图像叠加至尺寸调整后的背景图像，生成布局变换操作后的扩充图像，包括：
分别调整至少两部分的车辆识别码图像的尺寸；
将尺寸调整后的至少两部分的车辆识别码图像叠加至尺寸调整后的背景图像，生成布局变换操作后的扩充图像。


4.根据权利要求1所述的方法，其特征在于，所述数据扩充操作包括弯曲变换；所述对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码区域图像所对应的扩充图像，包括：
根据各个所述车辆识别码区域图像中第一个字符与最后一个字符的位置，在各个所述车辆识别码区域图像中分别确定围绕车辆识别码的外接矩形框；
获取各个所述外接矩形框各顶点的坐标和各个所述车辆识别码区域图像的中心坐标；
根据弧形车辆识别码的实际弧度确定弯曲变换所对应的弯曲系数；
根据所述各顶点的坐标和所述中心坐标，结合所述弯曲系数对各个所述车辆识别码区域图像进行弯曲变换，生成弯曲变换操作后的扩充图像。


5.根据权利要求1所述的方法，其特征在于，所述数据扩充操作包括旋转、平移中的至少一个；所述对标注后的各个所述车辆识别码区域图像进行数据扩充操作，生成各个所述车辆识别码...

【专利技术属性】
技术研发人员：周康明，谷维鑫，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31