车辆图像的处理方法、装置、电子设备和计算机可读介质制造方法及图纸

本申请的实施例提供了一种车辆图像的处理方法、装置、电子设备和计算机可读介质。该车辆图像的处理方法包括：获取待处理的车辆图像；提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征；将所述车身图像特征以及所述车牌图像特征输入至预训练的机器学习模型中，所述预训练的机器学习模型通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到；获取所述预训练的机器学习模型输出的所述车辆图像中包含的车身与车牌的关联结果。本申请实施例的技术方案可以在多个车辆的位置可能存在相互包含的情况，也能实现对车辆图片进行准确地车身和车牌匹配，由此提高了对车辆图片进行车身和车牌匹配的准确度。

Vehicle image processing methods, devices, electronic equipment and computer-readable media

【技术实现步骤摘要】
车辆图像的处理方法、装置、电子设备和计算机可读介质
本申请涉及图像处理
，具体而言，涉及一种车辆图像的处理方法、装置、电子设备和计算机可读介质。
技术介绍
在车辆图片的识别场景中，会存在需要对车辆图片中的车身位置和车牌位置进行识别，并对车辆图片中车身和车牌进行匹配的需求。在车辆图片均存在多个目标车辆时，由于相邻靠近的车辆对应的车牌和车身位置可能互相包含，如同一个的车牌区域可以会处于两个车身区域中，这会对车身和车牌的匹配造成干扰，进而难以实现对车辆图片进行准确地车身和车牌匹配。
技术实现思路
本申请的实施例提供了一种车辆图像的处理方法、装置、电子设备和计算机可读介质，可以在多个相邻靠近的车辆对应的车牌和车身位置可能互相包含的情况，也能实现对车辆图片进行准确地车身和车牌匹配。本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。根据本申请实施例的一个方面，提供了一种车辆图像的处理方法，包括：获取待处理的车辆图像；提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征；将所述车身图像特征以及所述车牌图像特征输入至预训练的机器学习模型中，所述预训练的机器学习模型通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到；获取所述预训练的机器学习模型输出的所述车辆图像中包含的车身与车牌的关联结果。根据本申请实施例的一个方面，提供了一种车辆图像的处理装置，包括：第一获取单元，用于获取待处理的车辆图像；提取单元，用于提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征；关联单元，用于将所述车身图像特征以及所述车牌图像特征输入至预训练的机器学习模型中，所述预训练的机器学习模型通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到；第二获取单元，用于获取所述预训练的机器学习模型输出的所述车辆图像中包含的车身与车牌的关联结果。根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的车辆图像的处理方法。根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的车辆图像的处理方法。在本申请的一些实施例所提供的技术方案中，根据提取待处理的车辆图像中的车身图像特征以及车牌图像特征，并根据预训练的机器学习模型确定车辆图像中包含的车身与车牌的关联结果，由于预训练的机器学习模型为通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到，即使在多个车辆的位置可能存在相互包含的情况，也能实现对车辆图片进行准确地车身和车牌匹配，由此提高了对车辆图片进行车身和车牌匹配的准确度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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。在附图中：图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。图2示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图3示出了根据本申请的一个实施例的车辆图像的处理方法的步骤S220的具体流程图。图4示出了根据本申请的一个实施例的车辆图像的处理方法的步骤S220的具体流程图。图5示出了根据本申请的一个实施例的一种提取待处理的车辆图像中的车身图像和车牌图像特征的示意图。图6示出了根据本申请的一个实施例的一种卷积层中包含的残差结构的示意图。图7示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图8示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图9示出了根据本申请的一个实施例的车辆图像的处理方法的步骤S810的具体流程图。图10示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图11示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图12示出了根据本申请的一个实施例的车辆图像的处理方法的步骤S420的具体流程图。图13示出了根据本申请的一个实施例中的车辆图像的处理方法的流程图。图14示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图15示出了根据本申请的一个实施例的车辆图像的处理方法的流程图。图16示出了根据本申请的一个实施例的预训练的机器学习模型的结构示意图。图17示出了根据本申请的一个实施例中的获取的车辆图像进行展示的示意图。图18示出了根据本申请的一个实施例的车辆图像的处理装置的框图。图19示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组本文档来自技高网...

【技术保护点】
1.一种车辆图像的处理方法，其特征在于，包括：/n获取待处理的车辆图像；/n提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征；/n将所述车身图像特征以及所述车牌图像特征输入至预训练的机器学习模型中，所述预训练的机器学习模型通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到；/n获取所述预训练的机器学习模型输出的所述车辆图像中包含的车身与车牌的关联结果。/n

【技术特征摘要】
1.一种车辆图像的处理方法，其特征在于，包括：
获取待处理的车辆图像；
提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征；
将所述车身图像特征以及所述车牌图像特征输入至预训练的机器学习模型中，所述预训练的机器学习模型通过包含有车身图像特征、车牌图像特征以及车身和车牌的关联结果的样本数据训练得到；
获取所述预训练的机器学习模型输出的所述车辆图像中包含的车身与车牌的关联结果。


2.根据权利要求1所述的车辆图像的处理方法，其特征在于，所述提取所述待处理的车辆图像中的车身图像特征以及车牌图像特征，包括：
对所述待处理的车辆图像进行特征提取，得到所述待处理的车辆图像对应的特征图，并根据所述特征图确定所述车身位置和所述车牌位置；
在所述特征图中获取所述车身位置的车身图像特征以及所述车牌位置的车牌图像特征。


3.根据权利要求2所述的车辆图像的处理方法，其特征在于，所述根据所述特征图确定所述车身位置和所述车牌位置，包括：
根据所述特征图确定至少两个车身预测框的信息、至少两个车牌预测框的信息、各个所述车身预测框对应的第一置信度以及各个所述车牌预测框对应的第二置信度；
根据至少两个车身预测框的信息和各个所述车身预测框对应的第一置信度，从至少两个车身预测框所处的位置中确定所述车身位置，并根据至少两个车牌预测框的信息和各个所述车牌预测框对应的第二置信度，从至少两个所述车身牌预测框所处的位置中确定所述车牌位置。


4.根据权利要求3所述的车辆图像的处理方法，其特征在于，所述根据至少两个车身预测框的信息和各个所述车身预测框对应的第一置信度，从至少两个车身预测框所处的位置中确定所述车身位置，包括：
从至少两个车身预测框选择第一置信度最高的车身预测框，作为目标车身预测框，确定目标车身预测框与剩余每个车身预测框之间的交并比；
若不存在交并比小于预定阈值的车身预测框，则将目标车身预测框所处的位置确定为所述车身位置；
若存在交并比小于预定阈值的车身预测框，则在交并比小于预定阈值的车身预测框中，继续将第一置信度最高的车身预测框作为目标车身预测框，并确定目标车身预测框与剩余每个车身预测框之间的交并比，直至不存在交并比小于预定阈值的车身预测框。


5.根据权利要求4所述的车辆图像的处理方法，其特征在于，所述车身预测框的信息包括位置信息和尺寸信息，所述确定目标车身预测框与剩余每个车身预测框之间的交并比，包括：
根据所述车身预测框的位置信息和尺寸信息确定目标车身预测框的面积与剩余每个车身预测框的面积之间的第一并集，以及确定目标车身预测框的面积与剩余每个车身预测框的面积之间的第一交集；
基于所述第一并集与所述第一交集的比值，确定目标车身预测框的面积与剩余每个车身预测框的面积之间的交并比。


6.根据权利要求3所述的车辆图像的处理方法，其特征在于，所述根据至少两个车牌预测框的信息和各个所述车牌预测框对应的第二置信度，从至少两个所述车身牌预测框所处的位置中确定所述车牌位置，包括：
从至少两个车牌预测框选择第二置信度最高的车牌预测框，作为目标车牌预测框，确定目标车牌预测框与剩余每个车牌预测框之间的交并比；
若不存在交并比小于预定阈值的车牌预测框，则目标车牌预测框所处的位置确定为所述车牌位置；
若存在交并比小于预定阈值的车牌预测框，则在交并比小于预定阈值的车牌预测框中，继续将第二置信度最高的车牌预测框作为目标车牌预测框，并确定目标车牌预测框与剩余每个车牌预测框之间的交并比，直至不存在交并比小于预定阈值的车牌预测框。


7.根据权利要求6所述的车辆图像的处理方法，其特征在于，所述车牌预测框的信息包括位置信息和尺寸信息，所述确定目标车牌预测框与剩余每个车牌预测框之间的交并比，包括：
根据所述车牌预测框的位置信息和尺寸信息确定目标车牌预测框的面积与剩余每个车牌预测框...

【专利技术属性】
技术研发人员：管成，郭晓威，余宗桥，孙星，杜俊珑，彭湃，
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