本发明专利技术实施例提供一种车辆识别方法、装置及电子设备，所述方法包括：提取待识别车辆图像中的目标车辆特征；将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征；将所述车辆拆分特征分别输入预设的学习器中，对所述车辆拆分特征进行识别，得到预设数量的第一识别结果；对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出。通过将全连接层拆分为预设数量的学习器，来对车辆拆分特征进行识别，将原本单一的识别结果，通过多个第一识别结果所在维度来共同表示，使得识别结果更加鲁棒，还可以充分利用现有车辆特征的表达能力，从而不需要通过增加额外特征提取网络计算量就可以提高识别准确率。识别准确率。识别准确率。
【技术实现步骤摘要】
车辆识别方法、装置、系统、电子设备及存储介质
[0001]本专利技术涉及人工智能领域，尤其涉及一种车辆识别方法、装置、系统、电子设备及存储介质。
技术介绍
[0002]随着人工智能的快速发展，图像识别技术得以在各种应用场景中落地，比如，门禁系统中的人脸识别，交通系统中的车辆识别等；其中，在车辆识别的应用中，比如，可以通过提取车辆的特征信息来检索出现在监控设备中曾经出现的车辆，或者通过提取车辆的特征信息来检索在其他监控设备中的目标车辆，或者通过提取车辆特征对车辆进行跟踪等。在车辆识别的实现过程中，通常是通过深度卷积神经网络进行特征提取，最后通过全连接层对提取到车辆信息进行分类识别，得到识别结果。然而，由于监控设备所拍摄到的照片存在质量问题，比如：车辆运动模糊、车辆反光、物体遮挡等，成为影响识别结果的因素，使得在提取特征的过程中，也同样提取到这些信息，使得特征表达不准确，从而使得全连接层的分类识别效果不好，识别的准确率不高。对此，虽然可以通过增加特征提取计算层的深度来得到更抽象更具有表征能力的车辆特征信息，但这无疑也增加了特征提取过程中的计算量，不利于小型化和前端化部署。因此，现有的车辆识别方式存在鲁棒性不高的问题。
技术实现思路
[0003]本专利技术实施例提供一种车辆识别方法，能够在不增加额外特征提取计算量的情况下，提高车辆识别的鲁棒性。
[0004]第一方面，本专利技术实施例提供一种车辆识别方法，包括：
[0005]提取待识别车辆图像中的目标车辆特征；
[0006]将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征；
[0007]将所述车辆拆分特征分别输入预设的学习器中，对所述车辆拆分特征进行识别，得到预设数量的第一识别结果，其中，所述学习器根据全连接层进行拆分得到，所述学习器与所述车辆拆分特征的数量相同；
[0008]对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出。
[0009]可选的，所述将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征，包括：
[0010]按所述目标车辆特征的维度信息，对所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征。
[0011]可选的，所述对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出，包括：
[0012]将第一识别结果按所述学习器的顺序进行拼接，得到第二识别结果；
[0013]将所述第二识别结果做为车辆识别结果进行输出。
[0014]可选的，所述方法还包括：
[0015]获取车辆图像训练集，所车辆图像训练集中包括车辆图像；
[0016]基于所述车辆图像训练集，对待训练的深度神经网络进行训练，所述深度神经网络中包括多个学习器，在待训练的深度神经网络完成训练后，得到预设的多个学习器。
[0017]可选的，所述深度神经网络中包括车辆特征提取器，所述基于所述车辆图像训练集，对待训练的深度神经网络进行训练，包括：
[0018]通过所述车辆特征提取器，提取车辆图像训练集中车辆图像的训练特征；
[0019]将所述训练特征进行拆分，得到预设数量的训练拆分特征；
[0020]基于所述训练拆分特征，对所述待训练的深度神经网络中对应的学习器进行训练。
[0021]可选的，所述基于所述训练拆分特征，对所述待训练的深度神经网络中对应的学习器进行训练，包括：
[0022]获取上一学习器的学习权重；
[0023]根据当前训练拆分特征，计算当前学习器的当前损失；
[0024]根据所述上一学习器的学习权重以及所述当前学习器的当前损失，计算当前学习器的学习权重。
[0025]可选的，车辆图像训练集中包括多组车辆图像，每组车辆图像中至少包括第一车辆图像以及第二车辆图像，所述基于所述车辆图像训练集，对待训练的深度神经网络进行训练，包括：
[0026]提取所述第一车辆图像中的第一训练特征，以及提取所述第二车辆图像中的第二训练特征；
[0027]将所述第一训练特征以及所述第二训练特征分别进行拆分，得到预设数量的第一训练拆分特征以及相同数量的第二训练拆分特征，所述第一训练特征的拆分方式与所述第二训练特征的拆分方式相同；
[0028]基于所述第一训练拆分特征以及所述第二训练拆分特征，对待训练的深度神经网络中对应的学习器进行训练。
[0029]可选的，所述基于所述第一训练拆分特征以及所述第二训练拆分特征，对待训练的深度神经网络中对应的学习器进行训练，包括：
[0030]获取第一超参数以及第二超参数；
[0031]计算当前第一训练拆分特征与当前第二训练拆分特征的当前相似度；
[0032]根据所述第一超参数、所述第二超参数以及所述当前相似度，计算当前学习器的损失；
[0033]基于所述当前学习器的损失，对所述当前学习器进行训练。
[0034]可选的，在所述根据所述第一超参数、所述第二超参数以及所述当前相似度，计算当前学习器的损失之前，所述方法还包括：
[0035]根据所述当前相似度，确定第一参数以及第二参数；
[0036]所述根据所述第一超参数、所述第二超参数以及所述当前相似度，计算当前学习器的损失，包括：
[0037]根据所述第一超参数、所述第二超参数、所述第一参数、所述第二参数以及所述当
前相似度，计算当前学习器的损失。
[0038]可选的，所述根据所述当前相似度，确定第一参数以及第二参数，包括：
[0039]判断所述当前相似度是否大于预设的相似度阈值；
[0040]若所述当前相似度大于所述相似度阈值，则确定所述第一参数为第一预设值，以及确定所述第二参数为第三预设值；
[0041]若所述当前相似度小于所述相似度阈值，则确定握权这第一参数为第二预设值，以及确定所述第二参数为第四预设值。
[0042]第二方面，本专利技术实施例还提供一种车辆识别装置，所述装置包括：
[0043]提取模块，用于提取待识别车辆图像中的目标车辆特征；
[0044]拆分模块，用于将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征；
[0045]第一处理模块，用于将所述车辆拆分特征分别输入预设的学习器中，对所述车辆拆分特征进行识别，得到预设数量的第一识别结果，其中，所述学习器根据全连接层进行拆分得到，所述学习器与所述车辆拆分特征的数量相同；
[0046]第二处理模块，用于对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出。
[0047]第三方面，本专利技术实施例还提供一种电子设备，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权利要求1至10中任一项所述的车辆识别方法中的步骤。
[0048]第四方面，本专利技术实施例还提供一种计算机可读本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆识别方法，其特征在于，包括以下步骤：提取待识别车辆图像中的目标车辆特征；将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征；将所述车辆拆分特征分别输入预设的学习器中，对所述车辆拆分特征进行识别，得到预设数量的第一识别结果，其中，所述学习器根据全连接层进行拆分得到，所述学习器与所述车辆拆分特征的数量相同；对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出。2.如权利要求1所述的方法，其特征在于，所述将所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征，包括：按所述目标车辆特征的维度信息，对所述目标车辆特征进行拆分，得到预设数量的车辆拆分特征。3.如权利要求1所述的方法，其特征在于，所述对所述第一识别结果进行后处理，得到第二识别结果，将所述第二识别结果做为车辆识别结果进行输出，包括：将第一识别结果按所述学习器的顺序进行拼接，得到第二识别结果；将所述第二识别结果做为车辆识别结果进行输出。4.如权利要求1所述的方法，其特征在于，所述方法还包括：获取车辆图像训练集，所述车辆图像训练集中包括车辆图像；基于所述车辆图像训练集，对待训练的深度神经网络进行训练，所述深度神经网络中包括多个学习器，在待训练的深度神经网络完成训练后，得到预设的多个学习器。5.如权利要求4所述的方法，其特征在于，所述深度神经网络中包括车辆特征提取器，所述基于所述车辆图像训练集，对待训练的深度神经网络进行训练，包括：通过所述车辆特征提取器，提取车辆图像训练集中车辆图像的训练特征；将所述训练特征进行拆分，得到预设数量的训练拆分特征；基于所述训练拆分特征，对所述待训练的深度神经网络中对应的学习器进行训练。6.如权利要求5所述的方法，其特征在于，所述基于所述训练拆分特征，对所述待训练的深度神经网络中对应的学习器进行训练，包括：获取上一学习器的学习权重；根据当前训练拆分特征，计算当前学习器的当前损失；根据所述上一学习器的学习权重以及所述当前学习器的当前损失，计算当前学习器的学习权重。7.如权利要求4－6中任一所述的方法，其特征在于，车辆图像训练集中包括多组车辆图像，每组车辆图像中至少包括第一车辆图像以及第二车辆图像，所述基于所述车辆图像训练集，对待训练的深度神经网络进行训练，包括：提取所述第一车辆图像中的第一训练特征，以及提取所述第二车辆图像中的第二训练特征；将所述第一训练特征以及所述第二训练特征分别进行拆分，得到预设数量的第一训练拆分特征以及相同数量的第二训练拆分特征，...
【专利技术属性】
技术研发人员：吴天舒，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。