车辆识别模型训练、车辆识别方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种车辆识别模型训练、车辆识别方法、装置、设备及介质，车辆识别模型训练方法，包括：获取待识别车辆图片样本数据；对待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集；根据目标车辆图片样本数据集训练第一车辆识别模型；其中，第一车辆识别模型包括深度学习网络模型；将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，得到拼接车辆识别模型；其中，第二车辆识别模型包括决策树模型；将目标车辆图片样本数据集输入至拼接车辆识别模型，以对拼接车辆识别模型进行训练。本发明专利技术实施例技术方案提高了车辆识别准确率及其识别结果的可解释性。的可解释性。的可解释性。

【技术实现步骤摘要】
车辆识别模型训练、车辆识别方法、装置、设备及介质


[0001]本专利技术实施例涉及人工智能
，尤其涉及车辆识别模型训练、车辆识别方法、装置、设备及介质。

技术介绍

[0002]随着城市的快速发展，交通系统越来越智能化，很多智能交通技术逐渐发展起来，其中车辆识别技术是最具代表性的深度学习衍生技术之一。该技术应用范围十分广泛，如城市停车场出入口和高速收费站等，道路上的各个监控器也具备车辆识别的功能，实现了智能化的车辆信息管理。
[0003]专利技术人在实现本专利技术的过程中，发现现有的车辆识别技术主要是基于卷积神经网络进行识别，但是由于传统卷积神经网络算法的精确度及其黑盒特性的限制，这种车辆识别技术是缺乏可解释性的。

技术实现思路

[0004]本专利技术实施例提供一种车辆识别模型训练、车辆识别方法、装置、设备及介质，提高了车辆识别准确率及其识别结果的可解释性。
[0005]根据本专利技术的一方面，提供了一种车辆识别模型训练方法，包括：
[0006]获取待识别车辆图片样本数据；
[0007]对所述待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集；
[0008]根据所述目标车辆图片样本数据集训练第一车辆识别模型；其中，所述第一车辆识别模型包括深度学习网络模型；
[0009]将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，得到拼接车辆识别模型；其中，所述第二车辆识别模型包括决策树模型；
[0010]将所述目标车辆图片样本数据集输入至所述拼接车辆识别模型，以对所述拼接车辆识别模型进行训练。
[0011]根据本专利技术的另一方面，提供了一种车辆识别方法，包括：
[0012]获取目标车辆的待识别图像数据；
[0013]将所述待识别图像数据输入至拼接车辆识别模型中进行图像识别，得到所述目标车辆的车辆识别分类结果；
[0014]其中，所述拼接车辆识别模型通过所述的车辆识别模型训练方法训练得到。
[0015]根据本专利技术的另一方面，提供了一种车辆识别模型训练装置，包括：
[0016]待识别车辆图片样本数据获取模块，用于获取待识别车辆图片样本数据；
[0017]待识别车辆图片样本数据分类模块，用于对所述待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集；
[0018]第一车辆识别模型训练模块，用于根据所述目标车辆图片样本数据集训练第一车
辆识别模型；其中，所述第一车辆识别模型包括深度学习网络模型；
[0019]车辆识别模型拼接模块，用于将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，得到拼接车辆识别模型；其中，所述第二车辆识别模型包括决策树模型；
[0020]车辆识别模型训练模块，用于将所述目标车辆图片样本数据集输入至所述拼接车辆识别模型，以对所述拼接车辆识别模型进行训练。
[0021]根据本专利技术的另一方面，提供了一种车辆识别装置，包括：
[0022]待识别图像数据获取模块，用于获取目标车辆的待识别图像数据；
[0023]图片识别模块，用于将所述待识别图像数据输入至拼接车辆识别模型中进行图像识别，得到所述目标车辆的车辆识别分类结果；
[0024]其中，所述拼接车辆识别模型通过权利要求1
‑
4任一所述的车辆识别模型训练方法训练得到。
[0025]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0026]至少一个处理器；以及
[0027]与所述至少一个处理器通信连接的存储器；其中，
[0028]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的车辆识别模型训练方法或车辆识别方法。
[0029]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的车辆识别模型训练方法或车辆识别方法。
[0030]本专利技术实施例的技术方案，首先获取待识别车辆图片样本数据，对待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集，根据目标车辆图片样本数据集训练第一车辆识别模型，再将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，得到拼接车辆识别模型，最后将目标车辆图片样本数据集输入至拼接车辆识别模型，以对拼接车辆识别模型进行训练。拼接车辆识别模型训练完成后，可以将目标车辆的待识别图像数据输入至拼接车辆识别模型中，以通过拼接车辆识别模型自动识别目标车辆的车辆识别分类结果。上述技术方案解决了现有技术中车辆识别精度不高，识别结果不具备可解释性的问题，通过在深度学习网络模型的基础上引入决策树模型，提高了车辆识别准确率及其识别结果的可解释性。
[0031]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术实施例一提供的一种车辆识别模型训练方法的流程图；
[0034]图2是本专利技术实施例二提供的一个车辆识别模型训练方法的流程图；
[0035]图3是本专利技术实施例二提供的一种目标车辆图片样本数据集构造方法的流程图；
[0036]图4是本专利技术实施例二提供的一种第一车辆识别模型搭建方法的流程图；
[0037]图5是本专利技术实施例二提供的一种第一车辆识别模型训练方法的流程图；
[0038]图6是本专利技术实施例二提供的一种拼接车辆识别模型搭建及训练方法的流程图；
[0039]图7是本专利技术实施例二提供的一种车辆识别方法的流程图；
[0040]图8是本专利技术实施例二提供的车辆识别模型识别结果的示意图；
[0041]图9是本专利技术实施例三提供的一种车辆识别方法的流程图；
[0042]图10是本专利技术实施例四提供的一种车辆识别模型训练装置的示意图；
[0043]图11是本专利技术实施例五提供的一种车辆识别装置的结构示意图；
[0044]图12为本专利技术实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0045]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。...

【技术保护点】

【技术特征摘要】
1.一种车辆识别模型训练方法，其特征在于，包括：获取待识别车辆图片样本数据；对所述待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集；根据所述目标车辆图片样本数据集训练第一车辆识别模型；其中，所述第一车辆识别模型包括深度学习网络模型；将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，得到拼接车辆识别模型；其中，所述第二车辆识别模型包括决策树模型；将所述目标车辆图片样本数据集输入至所述拼接车辆识别模型，以对所述拼接车辆识别模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述对所述待识别车辆图片样本数据的样本车辆进行分类，得到目标车辆图片样本数据集，包括：对所述待识别图片样本数据提取预设的特征数据；对所述特征数据生成标签数据；根据所述特征数据和所述标签数据对所述待识别图片样本数据中样本车辆的车辆类型进行分类，得到目标车辆图片样本数据集。3.根据权利要求1所述的方法，其特征在于，所述将第二车辆识别模型与训练完成的第一车辆识别模型进行拼接，包括：根据所述第一车辆识别模型输出的车辆识别类别的特征向量生成层次分类数据；根据所述第二车辆识别模型与所述层次分类数据生成诱导层次树模型，作为所述拼接车辆识别模型。4.根据权利要求1所述的方法，其特征在于，所述将所述目标车辆图片样本数据集输入至所述拼接车辆识别模型，以对所述拼接车辆识别模型进行训练，包括：将所述目标车辆图片样本数据集输入至所述拼接车辆识别模型中第一车辆识别模型中，以通过所述第一车辆识别模型输出多维向量；采用软决策树的遍历模式，按照自顶向下的方式遍历所述第二车辆识别模型的中间节点，并计算所述多维向量与各所述中间节点之间的内积；对所述第二车辆识别模型的各叶节点，计算到达所述叶节点的路径上各中间节点的概率的乘积；比较所述第二车辆识别模型的各叶节点的概率，以确定所述多维向量的分类类别。5.一种车辆识别方法，其特征在于，包括：获取目标车辆的待识别图像数据；将所述待识别图像数据输入至拼接车辆识别模型中进行图像识别，得到所述目标车辆的车辆识别分类结果；其中，所述拼接车辆识别模型通过权利要求1
‑
4任一所述的车辆识别模型训练方法训练得到。6.一种车辆...

【专利技术属性】
技术研发人员：郭平，姜佳成，郑岩，王柏淇，
申请(专利权)人：一汽解放汽车有限公司，
类型：发明
国别省市：