【技术实现步骤摘要】
车型识别方法、电子设备及相关产品
本申请涉及图像处理
，具体涉及一种车型识别方法、电子设备及相关产品。
技术介绍
随着城市汽车数量的不断攀升，由此带来的交通和环境问题也日渐加剧。为了应对这些问题，智能交通系统已经成为城市发展的重点研究对象。而在智能交通系统中，对于车型的细粒度识别，已经被证明是一项关键技术，在处理包括提高收费效率，裁定交通责任和追踪肇事逃逸等等交通问题上有着得天独厚的优势。车型识别是计算机视觉领域的一个研究热点，在交通安全、卡口管理、车流统计等方面有着广泛应用，对于智能交通系统的建设具有重要的意义。然而，现有的车型识别方法主要采用手工设计特征，这类特征属于低级特征，在处理细粒度分类问题上存在较大的局限性。而深度学习在提取高层语义特征方面有其先天优势，能够针对特定任务从大数据中学习到有效的特征表示。但大多基于深度学习的车型识别都只考虑了车辆的全局特征，而忽视了局部特征的重要性。作为细粒度分类问题的子问题，由于不同类别的车辆在形态、结构上具有一致性，尤其是同品牌的车型之间的差异性甚至更小，误识别的概...
【技术保护点】
1.一种车型识别方法，其特征在于，应用于电子设备，所述电子设备包括神经网络模型，所述神经网络模型包括第一层级网络、第二层级网络、第三层级网络、第四层级网络和第五层级网络，所述方法包括：/n获取待处理图像，所述待处理图像为车辆图像；/n将所述待处理图像划分为A1个小块，将所述A1个小块输入到所述神经网络模型以进行第一处理，得到第一分类结果，所述A1为正整数；/n将所述待处理图像划分为A2个小块，将所述A2个小块输入到所述神经网络模型以进行第二处理，得到第二分类结果，所述A2为小于所述A1的正整数；/n将所述待处理图像划分为A3个小块，将所述A3个小块输入到所述神经网络模型以进...
【技术特征摘要】
1.一种车型识别方法，其特征在于，应用于电子设备，所述电子设备包括神经网络模型，所述神经网络模型包括第一层级网络、第二层级网络、第三层级网络、第四层级网络和第五层级网络，所述方法包括：
获取待处理图像，所述待处理图像为车辆图像；
将所述待处理图像划分为A1个小块，将所述A1个小块输入到所述神经网络模型以进行第一处理，得到第一分类结果，所述A1为正整数；
将所述待处理图像划分为A2个小块，将所述A2个小块输入到所述神经网络模型以进行第二处理，得到第二分类结果，所述A2为小于所述A1的正整数；
将所述待处理图像划分为A3个小块，将所述A3个小块输入到所述神经网络模型以进行第三处理，得到第三分类结果，所述A3为小于所述A2的正整数；
将所述第一分类结果、所述第二分类结果和所述第三分类结果进行级联拼接，得到级联分类结果；
对所述级联分类结果进行分类处理，得到目标分类结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述A1个小块输入到所述神经网络模型以进行第一处理，得到第一分类结果，包括：
对所述神经网络模型的所述第四层级网络和所述第五层级网络进行第一冻结操作；
将所述A1个小块输入到第一冻结操作后的所述神经网络模型，得到第一中间结果，通过第一卷积模块对所述第一中间结果进行卷积运算，得到第一特征；
基于第一预设损失函数和第一分类模块对所述第一特征进行分类操作，得到所述第一分类结果。
3.根据权利要求1或2所述的方法，其特征在于，所述将所述A2个小块输入到所述神经网络模型以进行第二处理，得到第二分类结果，包括：
对所述神经网络模型的所述第四层级网络进行第二冻结操作；
将所述A2个小块输入到第二冻结操作后的所述神经网络模型，得到第二中间结果，通过第二卷积模块对所述第二中间结果进行卷积运算，得到第二特征；
基于第二预设损失函数和第二分类模块对所述第二特征进行分类操作，得到所述第二分类结果。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述第一分类结果、所述第二分类结果和所述第三分类结果进行级联拼接，得到级联分类结果，包括：
将所述待处理图像输入到所述神经网络模型，得到运算结果；
将所述运算结果、所述第一分类结果、所述第二分类结果和所述第三分类结果进行级联拼接，得到所述级联分类结果。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述获取待处理图像，包括：
获取目标环境参数；
按照预设的环境参数与拍摄参数之间的映射关系，确定所述目标环境参数对应的参考拍摄参数；
获取车辆目标行驶参数；
按照预设的行驶参数与调节系数之间的映射关系，确定所述目标行驶参数对应的目标调节系数；
依据所述目标调节系数对所述参考拍摄参数进行...
【专利技术属性】
技术研发人员：张鹏，吴伟华，程小磊，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：广东;44
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。