车辆品牌识别模型的训练方法、识别方法以及相关装置制造方法及图纸

本发明专利技术实施例公开了一种车辆品牌识别模型的训练方法、识别方法以及相关装置。该训练方法利用预设的车辆关键部位框和各样本图像的车辆特征作为训练数据，采用弱监督训练的方式对识别模型进行训练，再通过特征融合的方式生成各样本图像的车辆目标特征，然后利用样本图像的车辆特征和各样本图像的车辆目标特征计算出各样本图像的损失值，并基于各样本图像的损失值调整识别模型的参数，直至各样本图像的损失值满足迭代优化终止条件，得到最终训练完成的识别模型。通过本发明专利技术，解决了相关技术中识别模型训练所需的样本图像存在标定工作量较大的技术问题，达到减小了样本图像的标定工作量，大大提升了模型训练和识别效果。大大提升了模型训练和识别效果。大大提升了模型训练和识别效果。

【技术实现步骤摘要】
车辆品牌识别模型的训练方法、识别方法以及相关装置


[0001]本专利技术涉及智能交通
，尤其涉及一种车辆品牌识别模型的训练方法、识别方法以及相关装置。

技术介绍

[0002]随着现代制造业和科技的不断发展，社会中出现越来越多机动车辆，机动车辆自动化管理的重要性不言而喻。车辆品牌是车辆的固有属性，车辆品牌识别是车辆特征的重要业务之一，对于给定的车辆图片，识别其主品牌、子品牌、年款，对于车辆的监测和管理有非常重要的作用。如图1所示，同一车辆主品牌下包含众多子品牌，而每个子品牌下又细分多种年款，即每部车辆通常可划分为“主品牌/子品牌/年款”树状层级标签结构。随着汽车交通行业的蓬勃发展，车辆品牌迅速增加，为实现车辆品牌的智能识别，需要大量的样本图像来训练基于神经网络的识别模型，每个样本图像均需要强监督训练，那么每个样本图像都要标定到年款层级，必然会导致标定工作量很大。
[0003]针对上述的问题，尚未提出有效地解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种车辆品牌识别模型的训练方法、识别方法以及相关装置，以至少解决相关技术中识别模型训练所需的样本图像存在标定工作量较大的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种车辆品牌识别模型的训练方法，包括：获取样本图像集，其中，所述样本图像集包括多个带有标签的样本图像，所述标签用于表征所述样本图像中的车辆品牌；获取各所述样本图像的车辆特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，并基于各所述样本图像的损失值调整所述识别模型的参数，直至各所述样本图像的损失值满足迭代优化终止条件。
[0006]可选地，在所述样本图像的车辆特征为所述样本图像的车辆外观整体特征时，获取各所述样本图像的车辆特征，包括：基于所述识别模型的特征提取网络获取各所述样本图像中的车辆外观整体特征。
[0007]可选地，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，包括：将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行像素级别的乘计算，获取各所述样本图像的所述标签关联的重要性图中的关键部位特征；将各所述样本图像的所述标签关联的重要性图和各所述样本图像的所述标签关联的重要性图中的关键部位特征进行像素级
别的加计算，获取各所述样本图像的车辆目标特征。
[0008]可选地，在所述标签为年款时，所述车辆关键部位框包括车标关键部位框、车头和引擎盖板关键部位框以及车灯和雾灯关键部位框，所述样本图像的车辆特征包括所述样本图像的车辆外观整体特征、车辆浅层特征和车辆中层特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，包括：基于所述车标关键部位框使用各所述样本图像的车辆外观整体特征对所述识别模型进行强监督训练，得到各所述样本图像的主品牌关联的重要性图，将各所述样本图像的主品牌关联的重要性图和各所述样本图像的车辆外观整体特征进行特征融合，得到各所述样本图像的车辆浅层特征，根据所述样本图像的车辆外观整体特征和各所述样本图像的车辆浅层特征，计算出各所述样本图像的第一损失值；基于所述车头和引擎盖板关键部位框使用各所述样本图像的车辆浅层特征对所述识别模型进行强监督训练，得到各所述样本图像的子品牌关联的重要性图，将各所述样本图像的子品牌关联的重要性图和各所述样本图像的车辆浅层特征进行特征融合，得到各所述样本图像的车辆中层特征，根据所述样本图像的车辆浅层特征和各所述样本图像的车辆中层特征，计算出各所述样本图像的第二损失值；基于所述车灯和雾灯关键部位框使用各所述样本图像的车辆中层特征对所述识别模型进行强监督训练，得到各所述样本图像的年款关联的重要性图，将各所述样本图像的年款关联的重要性图和各所述样本图像的车辆中层特征进行特征融合，得到各所述样本图像的车辆深层特征，根据所述样本图像的车辆中层特征和各所述样本图像的车辆深层特征，计算出各所述样本图像的第三损失值；将各所述样本图像的第一损失值、第二损失值和第三损失值相加，得到各所述样本图像的损失值。
[0009]可选地，在所述标签为子品牌时，所述车辆关键部位框包括车标关键部位框、车头和引擎盖板关键部位框，所述样本图像的车辆特征包括所述样本图像的车辆外观整体特征和车辆浅层特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，包括：基于所述车标关键部位框使用各所述样本图像的车辆外观整体特征对所述识别模型进行强监督训练，得到各所述样本图像的主品牌关联的重要性图，将各所述样本图像的主品牌关联的重要性图和各所述样本图像的车辆外观整体特征进行特征融合，得到各所述样本图像的车辆浅层特征，根据所述样本图像的车辆外观整体特征和各所述样本图像的车辆浅层特征，计算出各所述样本图像的第一损失值；基于所述车头和引擎盖板关键部位框使用各所述样本图像的车辆浅层特征对所述识别模型进行强监督训练，得到各所述样本图像的子品牌关联的重要性图，将各所述样本图像的子品牌关联的重要性图和各所述样本图像的车辆浅层特征进行特征融合，得到各所述样本图像的车辆中层特征，根据所述样本图像的车辆浅层特征和各所述样本图像的车辆中层特征，计算出各所述样本图像的第二损失值；将各所述样本图像的第一计算损失值和第二
计算损失值相加，得到各所述样本图像的第一预测损失值，其中，所述第一计算损失值为根据所述样本图像中标定的主品牌对应的特征和预测的主品牌对应的特征计算得到的损失值，所述第二计算损失值为根据所述样本图像中标定的子品牌对应的特征和预测的子品牌对应的特征计算得到的损失值；将各所述样本图像的第一损失值、第二损失值和第一预测损失值相加，得到各所述样本图像的损失值。
[0010]可选地，在所述标签为主品牌时，所述车辆关键部位框包括车标关键部位框，所述样本图像的车辆特征包括所述样本图像的车辆外观整体特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆品牌识别模型的训练方法，其特征在于，包括：获取样本图像集，其中，所述样本图像集包括多个带有标签的样本图像，所述标签用于表征所述样本图像中的车辆品牌；获取各所述样本图像的车辆特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，并基于各所述样本图像的损失值调整所述识别模型的参数，直至各所述样本图像的损失值满足迭代优化终止条件。2.根据权利要求1所述的方法，其特征在于，在所述样本图像的车辆特征为所述样本图像的车辆外观整体特征时，获取各所述样本图像的车辆特征，包括：基于所述识别模型的特征提取网络获取各所述样本图像中的车辆外观整体特征。3.根据权利要求1所述的方法，其特征在于，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，包括：将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行像素级别的乘计算，获取各所述样本图像的所述标签关联的重要性图中的关键部位特征；将各所述样本图像的所述标签关联的重要性图和各所述样本图像的所述标签关联的重要性图中的关键部位特征进行像素级别的加计算，获取各所述样本图像的车辆目标特征。4.根据权利要求1所述的方法，其特征在于，在所述标签为年款时，所述车辆关键部位框包括车标关键部位框、车头和引擎盖板关键部位框以及车灯和雾灯关键部位框，所述样本图像的车辆特征包括所述样本图像的车辆外观整体特征、车辆浅层特征和车辆中层特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，包括：基于所述车标关键部位框使用各所述样本图像的车辆外观整体特征对所述识别模型进行强监督训练，得到各所述样本图像的主品牌关联的重要性图，将各所述样本图像的主品牌关联的重要性图和各所述样本图像的车辆外观整体特征进行特征融合，得到各所述样本图像的车辆浅层特征，根据所述样本图像的车辆外观整体特征和各所述样本图像的车辆浅层特征，计算出各所述样本图像的第一损失值；基于所述车头和引擎盖板关键部位框使用各所述样本图像的车辆浅层特征对所述识别模型进行强监督训练，得到各所述样本图像的子品牌关联的重要性图，将各所述样本图像的子品牌关联的重要性图和各所述样本图像的车辆浅层特征进行特征融合，得到各所述样本图像的车辆中层特征，根据所述样本图像的车辆浅层特征和各所述样本图像的车辆中层特征，计算出各所述样本图像的第二损失值；基于所述车灯和雾灯关键部位框使用各所述样本图像的车辆中层特征对所述识别模
型进行强监督训练，得到各所述样本图像的年款关联的重要性图，将各所述样本图像的年款关联的重要性图和各所述样本图像的车辆中层特征进行特征融合，得到各所述样本图像的车辆深层特征，根据所述样本图像的车辆中层特征和各所述样本图像的车辆深层特征，计算出各所述样本图像的第三损失值；将各所述样本图像的第一损失值、第二损失值和第三损失值相加，得到各所述样本图像的损失值。5.根据权利要求1所述的方法，其特征在于，在所述标签为子品牌时，所述车辆关键部位框包括车标关键部位框、车头和引擎盖板关键部位框，所述样本图像的车辆特征包括所述样本图像的车辆外观整体特征和车辆浅层特征，基于预设的车辆关键部位框使用各所述样本图像的车辆特征对预先构建的识别模型进行弱监督训练，得到各所述样本图像的所述标签关联的重要性图，将各所述样本图像的所述标签关联的重要性图和各所述样本图像的车辆特征进行特征融合，得到各所述样本图像的车辆目标特征，根据所述样本图像的车辆特征和各所述样本图像的车辆目标特征，计算出各所述样本图像的损失值，包括：基于所述车标关键部位框使用各所述样本图像的车辆外观整体特征对所述识别模型进行强监督训练，得到各所述样本图像的主品牌关联的重要性图，将各所述样本图像的主品牌关联的重要性图和各所述样本图像的车辆外观整体特征进行特征融合，得到各所述样本图像的车辆浅层特征，根据所述样本图像的车辆外观整体特征和各所述样本图像的车辆浅层特征，计算出各所述样本图像的第一损失值；基于所述车头和引擎盖板关键部位框使用各所述样本图像的车辆浅层特征对所述识别模型进行强监督训练，得到各所述样本...

【专利技术属性】
技术研发人员：刘涵，
申请(专利权)人：上海高德威智能交通系统有限公司，
类型：发明
国别省市：