一种车辆类别识别方法及系统技术方案

本发明专利技术公开了一种车辆类别识别方法，包括：构建车辆识别模型，所述车辆识别模型是基于CSPPe l eeNet

【技术实现步骤摘要】
一种车辆类别识别方法及系统


[0001]本专利技术涉及图像检测
，更具体的说是一种车辆类别识别方法及系统。

技术介绍

[0002]随着社会的发展，私家车已成为人们出行的主要工具，大街上随处可见的私家车成为交通堵塞的主要原因，据相关部门统计，2020年全国的汽车数量达2.81亿辆，汽车驾驶人4.18亿人。在如此庞大的车辆数量面前，城市经常出现泊车难，交通堵塞的问题，而且需要大量的人力物力来对停放车辆进行收费。
[0003]如今，随着科技快速发展，智慧停车逐渐走入人们的视野。所谓智慧停车就是用自动收费取代人工收费，通过泊车位的车辆进入判断是否为收费车辆，若为收费车辆，再根据其停放的时间进行自动收费。为了更好地服务于智慧停车项目，判断收费车辆还是非为收费车辆是该项目的第一步，至关重要，只有区分出是否为收费车辆才能进行下一步项目，因此本专利旨在专利技术一种新的高速有效的车辆识别系统，使得快速检测出是否为收费车辆。
[0004]因此，需要一种准确率更高，误检率低的车辆类别识别算法。

技术实现思路

[0005]本说明书实施例的一个方面提供一种车辆类别识别方法，包括：构建车辆识别模型，所述车辆识别模型是基于CSPPeleeNet
‑
SE网络实现；对构建的车辆识别模型进行训练与评估；基于通过评估的车辆识别模型对获取的图片进行识别；获取识别结果，所述识别结果包括图片中的车辆属于各个类别的车型的概率。
[0006]在一些实施例中，所述车辆识别模型包括依次连接的特征提取模型、特征压缩模型、特征激励模型、特征融合及分类模型；所述特征提取模型用于对输入的图片进行特征提取；所述特征压缩模型用于对所述特征提取模型提取的特征进行压缩，所述特征激励模型用于对压缩后的特征进行处理并得出各个特征的权重，所述特征融合及分类模型用于将带权重的特征进行融合，并对融合后的特征图进行类别预测并输出识别结果。
[0007]在一些实施例中，所述特征激励模型包括两个全连接层和两个函数，第一个全连接层用于对输入的数据进行降维处理从而降低计算量，第一个函数为ReLU激活函数，用于对第一个全连接层输出的数据进行函数处理，第二个全连接层用于对经第一个激活函数处理的数据进行升维处理，第二个函数为Sigmoid函数，用于对升维处理后的数据计算权重。
[0008]在一些实施例中，所述特征提取模型提取的特征被分为两部分，一部分依次进入特征压缩模型、特征激励模型进行处理，另一部分直接进入特征融合及分类模型。
[0009]本说明书实施例的一个方面提供一种车辆类别识别设备，包括：构建模块，用于构建车辆识别模型，所述车辆识别模型是基于CSPPeleeNet
‑
SE网络实现；评估模块，用于对构建的车辆识别模型进行训练与评估；识别模块，用于基于通过评估的车辆识别模型对获取的图片进行识别；及输出识别结果，所述识别结果包括图片中的车辆属于各个类别的车型的概率。
[0010]本说明书实施例的一个方面提供一种车辆类别识别装置，所述装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现所述车辆类别识别方法对应的操作。
[0011]本说明书实施例的一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，实现所述车辆类别识别方法。
附图说明
[0012]本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0013]图1是根据本申请一些实施例所示的车辆类别识别设备的应用场景示意图；
[0014]图2是根据本申请的一些实施例所示的可以在其上实现处理引擎的示例性计算设备的示例性硬件和/或软件组件的示意图；
[0015]图3是根据本申请的一些实施例所示的可以在其上实现一个或以上终端的示例性移动设备的示例性硬件和/或软件组件的示意图；
[0016]图4是根据本申请的一些实施例所示的示例性处理引擎的示意框图；
[0017]图5是根据本说明书的一些实施例所示的车辆类别识别方法的流程图；
[0018]图6是根据本说明书的一些实施例所示的车辆识别模型的CSPPeleeNet
‑
SE网络结构图示意图；
[0019]图7是根据本说明书的一些实施例所示的Squeeze
‑
and
‑
Excitation模块的示意图；
[0020]图8是根据本说明书的一些实施例所示的特征压缩模型的处理流程示意图；
[0021]图9是根据本说明书的一些实施例所示的特征激励模型的处理流程示意图；
[0022]图10是根据本说明书的一些实施例所示的车辆识别模型的StemBlock示意图；
[0023]图11是根据本说明书的一些实施例所示的车辆识别模型的Two
‑
Way Dense Layer示意图；
[0024]图12是根据本说明书的一些实施例所示的车辆识别模型的训练流程示意图。
具体实施方式
[0025]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0026]应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0027]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提
示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0028]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0029]车辆可以包括人力车(例如，自行车、三轮车)、电动车(例如，电动自行车、电动三轮车)、汽车(例如，出租车、公共汽车、私人汽车、货车)等或其任意组合。
[0030]本申请的实施例可以应用于各种车辆类别的识别。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆类别识别方法，其特征在于，包括：构建车辆识别模型，所述车辆识别模型是基于CSPPeleeNet
‑
SE网络实现；对构建的车辆识别模型进行训练与评估；基于通过评估的车辆识别模型对获取的图片进行识别；获取识别结果，所述识别结果包括图片中的车辆属于各个类别的车型的概率。2.根据权利要求1所述的一种车辆类别识别方法，其特征在于，所述车辆识别模型包括依次连接的特征提取模型、特征压缩模型、特征激励模型、特征融合及分类模型；所述特征提取模型用于对输入的图片进行特征提取；所述特征压缩模型用于对所述特征提取模型提取的特征进行压缩，所述特征激励模型用于对压缩后的特征进行处理并得出各个特征的权重，所述特征融合及分类模型用于将带权重的特征进行融合，并对融合后的特征图进行类别预测并输出识别结果。3.根据权利要求2所述的一种车辆类别识别方法，其特征在于，所述特征激励模型包括两个全连接层和两个函数，第一个全连接层用于对输入的数据进行降维处理从而降低计算量，第一个函数为ReLU激活函数，用于对第一个全连接层输出的数据进行函数处理，第二个全连接层用于对经第一个激活函数处理的数据进行升维处理，第二个函数为Sigmoid函数，用于对升维处理后的数据计算权重。4.根据权利要求3所述的一种车辆类别识别方法，其特征在于，所述特征提取模型提取的特征被分为两部分，一部分依次进入特征压缩模型、特征激励模型进行处理，另一部分直接进入特征融合及分类模型。5.一种车辆类别识别系统，其特征在于，包括：构建模块，用于构建车辆识别模型，所述车辆识别模型是基于CSPPeleeNet
‑
SE网络实现；评估模块，用于对构建的车辆识别模型进行训练与评估；...

【专利技术属性】
技术研发人员：杨帆，郭敬娜，王铭宇，
申请(专利权)人：成都恒创新星科技有限公司，
类型：发明
国别省市：