基于人工智能的车品牌识别方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供一种基于人工智能的车品牌识别方法、装置、设备及介质，采用交并比下的多尺度并行结构，能够有效缓解简单与困难场景的样本不均衡问题，显著提高了困难场景下的车品牌识别准确率，增加了交并比损失，能够更加精准地拟合检测框的位置和大小，还能够有效减少非车辆的误召回现象，从而提高了车品牌识别的整体召回率和准确率，同时，该损失函数能够从多个层面评价模型的损失，进而使模型的训练效果更佳，进而实现对车品牌的自动识别。此外，本发明专利技术还可应用于智慧交通，从而推动智慧城市的建设。本发明专利技术还涉及区块链技术，识别结果可存储于区块链节点中。

【技术实现步骤摘要】
基于人工智能的车品牌识别方法、装置、设备及介质
本专利技术涉及人工智能
，尤其涉及一种基于人工智能的车品牌识别方法、装置、设备及介质。
技术介绍
随着车辆违规行为的不断增加，对交通卡口中的车辆进行快速定位与识别，已经成为城市交通管理中非常重要的任务。传统的车品牌识别主要采用YOLOv3算法，但是，YOLOv3算法仅适用于晴天、白天、车正面、车背面等简单场景，而对于雾霾、雨天、夜间、车侧面等困难场景，YOLOv3算法的准确率和召回率都相对较低，还存在很大的提升空间。
技术实现思路
鉴于以上内容，有必要提供一种基于人工智能的车品牌识别方法、装置、设备及介质，能够有效缓解简单与困难场景的样本不均衡问题，显著提高了困难场景下的车品牌识别准确率，采用交并比损失，能够更加精准地拟合检测框的位置和大小，还能够有效减少非车辆的误召回现象，从而提高了车品牌识别的整体召回率和准确率。一种基于人工智能的车品牌识别方法，所述基于人工智能的车品牌识别方法包括：响应于接收到的待检测图像，对所述待检测图像进行resize处理本文档来自技高网...

【技术保护点】
1.一种基于人工智能的车品牌识别方法，其特征在于，所述基于人工智能的车品牌识别方法包括：/n响应于接收到的待检测图像，对所述待检测图像进行resize处理，得到目标图像；/n利用darknet53网络提取所述目标图像的车辆特征；/n将所述车辆特征输入至预先训练的车品牌识别模型，输出第一特征图、第二特征图及第三特征图，其中，所述车品牌识别模型为采用多交并比及交并比损失训练YOLOv3网络而得到的级联网络结构；/n获取所述车品牌识别模型的目标anchor box；/n对于所述第一特征图、所述第二特征图及所述第三特征图中的每个特征图，利用所述目标anchor box在每个特征图上进行识别，输出与每个...

【技术特征摘要】
1.一种基于人工智能的车品牌识别方法，其特征在于，所述基于人工智能的车品牌识别方法包括：
响应于接收到的待检测图像，对所述待检测图像进行resize处理，得到目标图像；
利用darknet53网络提取所述目标图像的车辆特征；
将所述车辆特征输入至预先训练的车品牌识别模型，输出第一特征图、第二特征图及第三特征图，其中，所述车品牌识别模型为采用多交并比及交并比损失训练YOLOv3网络而得到的级联网络结构；
获取所述车品牌识别模型的目标anchorbox；
对于所述第一特征图、所述第二特征图及所述第三特征图中的每个特征图，利用所述目标anchorbox在每个特征图上进行识别，输出与每个特征图对应的预测anchorbox坐标、每个预测anchorbox坐标的目标得分及车品牌的预测概率，从所述预测anchorbox坐标中选择所述目标得分最高的预测anchorbox坐标作为车辆的预测坐标；
将所述车辆的预测坐标映射到所述待检测图像上，得到映射图，输出所述映射图及所述车品牌的预测概率作为识别结果。


2.如权利要求1所述的基于人工智能的车品牌识别方法，其特征在于，所述将所述车辆特征输入至预先训练的车品牌识别模型，输出第一特征图、第二特征图及第三特征图包括：
对所述车辆特征执行第一卷积层运算，得到第一中间特征，并对所述第一中间特征执行第一联合卷积运算，得到所述第一特征图，其中，所述第一卷积层及所述第一联合卷积采用第一交并比训练而得到；
对所述第一中间特征执行上采样运算，得到第一特征；
对所述第一特征执行第二卷积层运算，得到第二中间特征，并对所述第二中间特征执行第二联合卷积运算，得到所述第二特征图，其中，所述第二卷积层及所述第二联合卷积采用第二交并比训练而得到；
对所述第二中间特征执行所述上采样运算，得到第二特征；
对所述第二特征执行第三卷积层运算及第三联合卷积运算，得到所述第三特征图，其中，所述第三卷积层及所述第三联合卷积采用第三交并比训练而得到。


3.如权利要求2所述的基于人工智能的车品牌识别方法，其特征在于，所述基于人工智能的车品牌识别方法还包括：
当采用递进方式筛选样本时，所述第一交并比小于所述第二交并比，所述第二交并比小于所述第三交并比。


4.如权利要求1所述的基于人工智能的车品牌识别方法，其特征在于，所述基于人工智能的车品牌识别方法还包括：
获取训练样本；
将所述训练样本输入至YOLOv3网络，输出第一样本特征图、第二样本特征图及第三样本特征图；
对于所述第一样本特征图、所述第二样本特征图及所述第三样本特征图中的每个样本特征图，确定每个样本特征图对应的样本预测anchorbox坐标及样本预测概率；
确定每个样本特征图的实际anchorbox坐标、样本实际概率，及每个样本特征图对应的实际中心点坐标及实际宽高坐标；
根据所述样本预测anchorbox坐标及所述实际anchorbox坐标计算每个样本特征图的交并比损失；
根据每个样本特征图对应的样本预测anchorbox坐标确定每个样本特征图对应的预测中心点坐标及预测宽高坐标；
根据每个样本特征图对应的预测中心点坐标及实际中心点坐标计算每个样本特征图的中心点坐标损失；
根据每个样本特征图对应的预测宽高坐标及实际宽高坐标计算每个样本特征图的宽高坐标损失；
根据每个样本特征图对应的样本预测概率及样本实际概率计算每个样本特征图的类别损失；
计算所述交并比损失、所述中心点坐标损失、所述宽高坐标损失及所述类别损失的和作为损失函数；
当所述损失函数的取值小于或者等于配置损失时，停止训练，得到所述车品牌识别模型。


5.如权利要求4所述的基于人工智能的车品牌识别方法，其特征在于，采用下述公式根据所述样本预测anchorbox坐标及所述实际anchorbox坐标计算每个样本特征图的交并比损失：
lossiou＝1-log2IoU＝1-log2(I/U)
其中，I为样本预测anchorbox与实际anchorbox的...

【专利技术属性】
技术研发人员：吴晓东，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44