基于深度学习的车辆识别方法、装置及计算机设备制造方法及图纸

本发明专利技术涉及机器视觉目标识别技术领域，尤其涉及一种基于深度学习的车辆识别方法、装置及计算机设备，该方法包括：构建对应的标签结构树；使用深度学习网络提取样本数据的特征；分别计算标签结构树中各个节点对应的概率；根据每一层中的节点的概率，计算样本数据的损失，优化样本数据的损失以完成深度学习网络的训练，并对样本数据进行分类以识别车辆。本发明专利技术的基于深度学习的车辆识别方法，其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。

【技术实现步骤摘要】
基于深度学习的车辆识别方法、装置及计算机设备
本专利技术涉及机器视觉目标识别
，尤其涉及一种基于深度学习的车辆识别方法、装置及计算机设备。
技术介绍
车辆身份识别对于汽车销售、道路交通管控等一系列与车辆销售、使用、售后维护以及汽车相关产品等一系列应用领域中具有重大的作用。其中，车辆品牌型号是车辆身份中非常重要的组成部分，具有非常重要的作用。现有的车辆品牌型号自动识别实际上可以被理解为一个分类的过程。亦即，将根据提取获得的车辆特征进行分类，归入某一个车辆品牌型号的类别中。其主要包括图像中的车辆定位和品牌识别两个步骤。其中，车辆定位是指从图像背景中识别获得车辆信息，主要涉及图像特征提取等与图像处理相关的技术手段；品牌识别则是基于车辆定位获得的多个不同维度的特征，通过神经网络或者深度学习算法等方式，对其进行分类，定位至相应的车辆品牌型号的类别来完成品牌识别的过程。由于现有的车辆品牌型号多达上千种，而深度学习的分类框架都是以同一个层次进行进行考虑的。因此，每一个品牌型号在深度学习的过程中，都会被视为一个单独的分类类别。例如，imagenet等可以支持1000个类别进行分类的分类器。在特征维度数量有限的情况下，在对太多的类别进行分类时，很难避免出现识别错误的情况，容易出现将某个车辆分入到错误类别的现象，这些识别错误有时会带来非常不良的使用体验和显著影响使用效果，例如会导致肇事车辆排查，车辆自动检测以及车险推荐系统等的工作任务完全无法进行。为了提升分类识别的准确率，现有一些技术方案会采用增加更多维度的特征的方式。但是，增加维度特征的数量会极大的增加车辆定位所需要的计算量，同时也会增加神经网络的训练难度和所需要的训练时间。因此，迫切需要提供合适的车辆品牌型号识别的新方法，以更好的平衡分类准确性与计算复杂度之间的关系，更有效的完成车辆品牌型号的识别。
技术实现思路
本专利技术实施例提供了一种基于深度学习的车辆识别方法、装置、计算机设备及存储介质，旨在解决现有技术容易出现车辆品牌识别错误而带来不良的使用体验的技术问题。第一方面，本专利技术实施例提供了一种基于深度学习的车辆识别方法，包括：基于样本数据构建对应的标签结构树；使用深度学习网络提取样本数据的特征；分别计算所述标签结构树中各个节点对应的概率；根据每一层中的节点的概率，计算所述样本数据的损失；基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。可选地，所述样本数据由获取的车辆数据进行清洗得到。可选地，所述标签结构树为一个多层的树形结构，由许多不同的节点组成。可选地，所述多层的树形结构包括：品牌层、系列层以及系列下的具体型号层，所述品牌层、所述系列层以及系列下的所述具体型号层具有对应的联系。可选地，所述方法还包括：基于所述标签结构树的层次结构确定各个节点之间的父子关系，确定父节点和父节点层次之下的子节点，所述分别计算所述标签结构树中各个节点对应的概率，具体如下：所述父节点的概率通过神经网络计算获得；所述父节点层次之下的子节点的概率通过子节点的条件概率与所属父节点的概率相乘得到。可选地，所述根据每一层中的节点的概率，计算所述样本数据的损失，具体包括：根据每一层中的节点的概率，计算所述标签结构树中每一层的损失；叠加所述标签结构树中每一层的损失，得到所述样本数据的损失。可选地，所述标签结构树中每一层的损失使用交叉熵表示，所述交叉熵的计算公式如下：H(X)＝-∑yilog(p(xi))其中，P(xi)为神经网络的实际输出，yi为样本数据的期望输出，H(x)为交叉熵。第二方面，本专利技术实施例提供了一种基于深度学习的车辆识别装置，包括：构建模块，用于基于样本数据构建对应的标签结构树；提取模块，用于使用深度学习网络提取样本数据的特征；第一计算模块，用于分别计算所述标签结构树中各个节点对应的概率；第二计算模块，用于根据每一层中的节点的概率，计算所述样本数据的损失；优化模块，用于基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；分类模块，用于根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。第三方面，本专利技术实施例又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的车辆识别方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于深度学习的车辆识别方法。本专利技术实施例的基于深度学习的车辆识别方法、装置、计算机设备及存储介质，其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。附图说明为了更清楚地说明本专利技术实施例技术方案，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，下面描述中的附图是本专利技术的一些实施例，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为本专利技术实施例提供的一种计算机设备100的结构示意图；图2为本专利技术实施例提供的基于深度学习的车辆识别方法的流程示意图；图3为本专利技术实施例提供的一种两层的标签结构树的环境示意图；图4为本专利技术实施例提供的基于深度学习的车辆识别装置的结构框图；图5为图4中第二计算模块46的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。深度学习网络对每一个品牌型号在深度学习的过程中，都会被视为一个单独的分类类别，在特征维度数量有限的情况下，在对太多的类别进行分类时，很难避免出现识别错误的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车辆识别方法，其特征在于，包括：/n基于样本数据构建对应的标签结构树；/n使用深度学习网络提取样本数据的特征；/n分别计算所述标签结构树中各个节点对应的概率；/n根据每一层中的节点的概率，计算所述样本数据的损失；/n基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练，并根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。/n

【技术特征摘要】
1.一种基于深度学习的车辆识别方法，其特征在于，包括：
基于样本数据构建对应的标签结构树；
使用深度学习网络提取样本数据的特征；
分别计算所述标签结构树中各个节点对应的概率；
根据每一层中的节点的概率，计算所述样本数据的损失；
基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练，并根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。


2.根据权利要求1所述的基于深度学习的车辆识别方法，其特征在于，所述样本数据由获取的车辆数据进行清洗得到。


3.根据权利要求1所述的基于深度学习的车辆识别方法，其特征在于，所述标签结构树为一个多层的树形结构，由许多不同的节点组成。


4.根据权利要求3所述的基于深度学习的车辆识别方法，其特征在于，所述多层的树形结构包括：品牌层、系列层以及系列下的具体型号层，所述品牌层、所述系列层以及系列下的所述具体型号层具有对应的联系。


5.根据权利要求4所述的基于深度学习的车辆识别方法，其特征在于，所述方法还包括：
基于所述标签结构树的层次结构确定各个节点之间的父子关系，以确定父节点和父节点层次之下的子节点，
所述分别计算所述标签结构树中各个节点对应的概率，具体如下：
所述父节点的概率通过神经网络计算获得；
所述父节点层次之下的子节点的概率通过子节点的条件概率与所属父节点的概率相乘得到。


6.根据权利要求5所述的基于深度学习的车辆识别方法，其特征在于，所述根据每一层中的节点的概率，...

【专利技术属性】
技术研发人员：肖嵘，陈少琼，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：广东;44