车辆识别模型构建方法及装置、识别方法及装置制造方法及图纸

本发明专利技术公开了一种车辆识别模型构建方法及装置、识别方法及装置，在构建方法中，通过卷积神经网络输入两张对比的图像，将卷积神经网络模型输出的两个图像多维特征对比操作结果和人工预设特征提取模型输出的两个图像人工预设特征对比操作结果作为第一全连接神经网络模型的输入，将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入，将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入，构建得到车辆识别模型；然后通过训练样本训练车辆识别模型；基于本发明专利技术方法，可以实现安全技术检验的车辆改装项目的自动或半自动判断，大幅度降低了人力成本，提高了检验速度。

Vehicle identification model construction method and device, identification method and device

【技术实现步骤摘要】
车辆识别模型构建方法及装置、识别方法及装置
本专利技术涉及车辆监测
，特别涉及一种车辆识别模型构建方法及装置、识别方法及装置。
技术介绍
随着经济的快速发展，人民购车的需求越来越大，各地汽车保有量一直在快速增长。为了确保道路交通安全，相关部门需要对机动车进行定期的安全技术检验，确保机动车处于安全使用的状态。然而，与此同时，不法分子以及忽视机动车安全检验的人士，为了私人利益，对机动车进行改装，而忽视了改装所带来的机动车安全隐患，甚至可能给道路交通安全带来隐患。所以相关部门在机动车安全技术检验的时候，会对机动车外观改装状况进行判断，以确定车辆是否合格，在确保车辆在没有改装即合格的情况下才能通过安全技术检验。目前的安全技术检验的机动车改装项目，是基于人工比对机动车改装技术的，检验人员根据当前审核的机动车外观照片，以及当前车型在库的公告照片或该机动车的历史检验外观照片，进行比对是否存在改装现象，能基本地对机动车改装现象进行鉴别。可见，现在的人工比对机动车改装技术，需要人工肉眼进行车辆改装鉴别，而且由于需要获取同款车型的公告照片或该机动车的历史检验外观照片，需要去另一系统进行获取，工作强度较大、效率较低。在长时间高强度的检验工作下，检验人员难免会出现疲劳的情况，导致可能发生人为疏忽，从而漏识别、错识别机动车改装状况。
技术实现思路
本专利技术的第一目的在于克服现有技术的缺点与不足，提供一种车辆识别模型构建方法，该方法可以构建出能够自动识别车辆是否合格的模型，以方便车辆改装情况的精确识别。>本专利技术的第二目的在于提供一种车辆识别方法，该方法使用先进的深度学习算法，对车辆外观在多维度下进行特征提取，并实现比对，从而可以在保证高准确率的前提下，实现安全技术检验的车辆改装项目的自动或半自动判断，大幅度降低了人力成本，提高了检验速度。本专利技术的第三目的在于提供一种车辆识别模型构建装置。本专利技术的第四目的在于提供一种车辆识别装置。本专利技术的第五目的在于提供一种存储介质。本专利技术的第六目的在于提供一种计算设备。本专利技术的第一目的通过下述技术方案实现：一种车辆识别模型构建方法，所述方法包括：获取多个训练样本，包括正训练样本和负训练样本；各训练样本包括第一图像和第二图像；其中，各正训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆合格情况下拍摄的外观照片，标签为车辆合格；各负训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片，标签为车辆不合格；建立卷积神经网络模型，通过该模型提取第一图像和第二图像的多维度特征；建立人工预设特征提取模型，通过该模型提取输入的第一图像和第二图像的人工预设特征；建立人工预设特征关键参数计算模型，由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数；建立第一全连接神经网络模型和第二全连接神经网络模型；将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后，作为第一全连接神经网络模型的输入，将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入，将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入，构建得到车辆识别模型；将各训练样本中第一图像和第二图像作为车辆识别模型的输入，对车辆识别模型进行训练，得到训练后的车辆识别模型。优选的，人工预设特征提取模型提取出的第一图像和第二图像的人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征；所述人工预设特征关键参数计算模型计算出的人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。优选的，还包括：建立向量变换操作模型，通过该模型针对卷积神经网络的输出进行向量变换操作；所述卷积神经网络模型输出的第一图像和第二图像的多维度特征，通过建立向量变换操作模型进行向量变换操作后进行比对操作，然后将比对操作后的结果作为第一全连接神经网络模型的输入。优选的，卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作，具体指的是：将第一图像的多维度特征和第二图像的多维度特征进行求差操作；人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作，具体指的是：将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。优选的，所述人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到，所述车辆图像训练样本为已知人工预设特征标签的车辆图像；所述人工预设特征提取模型的建立过程如下：建立第一卷积神经网络，通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取；建立第二卷积神经网络，通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓；建立第三卷积神经网络，所述第三卷积神经网络包括一个或多个卷积神经网络，第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征；将第一卷积神经网络的输出作为第二卷积神经网络的输入，将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入，构建得到人工预设特征提取模型，其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出；将各车辆图像训练样本作为输入，针对人工预设特征提取模型进行训练，得到训练后的人工预设特征提取模型。本专利技术的第二目的通过下述技术方案实现：一种基于本专利技术车辆识别模型构建方法所实现的车辆识别方法，所述方法包括：针对于待识别的车辆，获取到对应车辆公布或历史外观照片，作为测试样本的第一图像，同时获取该车辆当前外观照片，作为测试样本的第二图像；调用训练后的车辆识别模型；将测试样本的第一图像和第二图像输入到车辆识别模型；通过车辆识别模型输出车辆识别结果，车辆识别结果包括车辆合格和车辆不合格。本专利技术的第三目的通过下述技术方案实现：一种车辆识别模型构建装置，所述装置包括：训练样本获取模块，用于获取多个训练样本，包括正训练样本和负训练样本；各训练样本包括第一图像和第二图像；其中，各正训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆合格情况下拍摄的外观照片，标签为车辆合格；各负训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片，标签为车辆不合格；第一建立模块，用于建立卷积神经网络模型，通过建立的该模型提取第一图像和第二图像的多维度特征；第二建立模块，用于建立人工预设特征提取模型，通过建立的该模型提取输入的第一图像和第二图像的人工预设特征；第三建立模块，用于建立人工预设特征关键参数计算模本文档来自技高网...

【技术保护点】
1.一种车辆识别模型构建方法，其特征在于，所述方法包括：/n获取多个训练样本，包括正训练样本和负训练样本；各训练样本包括第一图像和第二图像；其中，各正训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆合格情况下拍摄的外观照片，标签为车辆合格；各负训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片，标签为车辆不合格；/n建立卷积神经网络模型，通过该模型提取第一图像和第二图像的多维度特征；/n建立人工预设特征提取模型，通过该模型提取输入的第一图像和第二图像的人工预设特征；/n建立人工预设特征关键参数计算模型，由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数；/n建立第一全连接神经网络模型和第二全连接神经网络模型；/n将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后，作为第一全连接神经网络模型的输入，将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入，将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入，构建得到车辆识别模型；/n将各训练样本中第一图像和第二图像作为车辆识别模型的输入，对车辆识别模型进行训练，得到训练后的车辆识别模型。/n...

【技术特征摘要】
1.一种车辆识别模型构建方法，其特征在于，所述方法包括：
获取多个训练样本，包括正训练样本和负训练样本；各训练样本包括第一图像和第二图像；其中，各正训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆合格情况下拍摄的外观照片，标签为车辆合格；各负训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片，标签为车辆不合格；
建立卷积神经网络模型，通过该模型提取第一图像和第二图像的多维度特征；
建立人工预设特征提取模型，通过该模型提取输入的第一图像和第二图像的人工预设特征；
建立人工预设特征关键参数计算模型，由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数；
建立第一全连接神经网络模型和第二全连接神经网络模型；
将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后，作为第一全连接神经网络模型的输入，将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入，将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入，构建得到车辆识别模型；
将各训练样本中第一图像和第二图像作为车辆识别模型的输入，对车辆识别模型进行训练，得到训练后的车辆识别模型。


2.根据权利要求1所述的车辆识别模型构建方法，其特征在于，人工预设特征提取模型提取出的第一图像和第二图像的人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征；
所述人工预设特征关键参数计算模型计算出的人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。


3.根据权利要求1所述的车辆识别模型构建方法，其特征在于，还包括：
建立向量变换操作模型，通过该模型针对卷积神经网络的输出进行向量变换操作；
所述卷积神经网络模型输出的第一图像和第二图像的多维度特征，通过建立向量变换操作模型进行向量变换操作后进行比对操作，然后将比对操作后的结果作为第一全连接神经网络模型的输入。


4.根据权利要求1所述的车辆识别模型构建方法，其特征在于，卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作，具体指的是：将第一图像的多维度特征和第二图像的多维度特征进行求差操作；
人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作，具体指的是：将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。


5.根据权利要求1所述的车辆识别模型构建方法，其特征在于，所述人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到，所述车辆图像训练样本为已知人工预设特征标签的车辆图像；
所述人工预设特征提取模型的建立过程如下：
建立第一卷积神经网络，通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取；
建立第二卷积神经网络，通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓；
建立第三卷积神经网络，所述第三卷积神经网络包括一个或多个卷积神经网络，第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征；
将第一卷积神经网络的输出作为第二卷积神经网络的输入，将第二卷积神经网络的输出作为第三卷积神经网络中各卷积...

【专利技术属性】
技术研发人员：吴祥淼，张家豪，葛武，罗建康，
申请(专利权)人：广州华工邦元信息技术有限公司，
类型：发明
国别省市：广东;44