【技术实现步骤摘要】
本申请涉及车辆识别，特别是涉及车辆品牌识别底库的注册方法、车辆品牌识别方法及装置。
技术介绍
1、车辆品牌识别在卡口检测等场景中应该非常广泛，是车辆特征技术的重要功能，其中，车辆子品牌识别是一个典型的细粒度识别问题。由于车辆子品牌划分太细，车辆识别难度较大，通常需要采用多属性标签的方式对样本车辆图像进行标注，训练深度学习模型。
2、具体来说，获取样本车辆图像对应的关联属性标签，该标签用于标识样本车辆图像中多种车辆属性的类别，将关联属性标签分离成多个单属性标签。基于深度学习模型对于样本车辆图像所属子品牌的预测结果以及多个单属性标签之间的差异，对深度学习模型进行训练。
3、上述关联属性标签是预先对样本车辆图像进行标注得到的。由于深度学习模型的识别依赖训练过程中的关联属性标签，需要对样本车辆图像的多个属性进行标注得到多个标签，因此需要投入大量的标注人力。
技术实现思路
1、本申请实施例的目的在于提供一种车辆品牌识别底库的注册方法、车辆品牌识别方法及装置，以减少对车辆图像进行标注所需的人力。具体技术方案如下：
2、第一方面，本申请实施例提供了一种车辆品牌识别底库的注册方法，所述方法包括：
3、获取注册车辆图像以及所述注册车辆图像对应的品牌标签；
4、将所述注册车辆图像输入注册模型，以提取所述注册车辆图像的注册特征；
5、基于所述注册特征与所述注册模型中每个分类层对应的权重向量，确定预测结果向量，其中，每个分类层对应的权
6、根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模型收敛，得到训练完成的注册模型，其中，所述真值向量中的元素表征所述注册车辆图像是否属于该元素对应的已知车辆品牌类别，所述注册车辆图像是否属于各已知车辆品牌类别基于所述品牌标签确定；
7、将所述训练完成的注册模型中所述每个分类层对应的权重向量，作为车辆品牌识别底库中该分类层对应的已知车辆品牌类别的图像特征。
8、可选的，所述方法还包括：
9、针对开集类别对应的车辆图像，将所述车辆图像输入所述训练完成的注册模型中，以提取所述车辆图像的图像特征；
10、将所述图像特征作为所述开集类别对应的注册特征，加入所述车辆品牌识别底库。
11、可选的，所述基于所述注册特征与所述注册模型中每个分类层对应的权重向量，确定预测结果向量的步骤，包括：
12、计算所述注册特征与所述注册模型中每个分类层对应的权重向量之间的相似度；
13、将每个相似度作为预测结果向量中的一个元素，得到所述预测结果向量。
14、可选的，所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数的步骤，包括：
15、计算所述注册特征的特征范数，得到注册特征范数；
16、根据所述预测结果向量中的每个元素，确定所述注册特征与该元素对应的分类层的权重向量之间的夹角；
17、根据所述注册特征范数以及所述每个分类层对应的夹角，基于预设裕度函数，确定该分类层对应的裕度约束值；
18、将每个裕度约束值作为裕度约束向量中的一个元素，得到所述裕度约束向量；
19、根据所述裕度约束向量与真值向量之间的差异，计算预设损失函数的损失值，并基于所述损失值，调节所述注册模型的参数。
20、可选的，所述方法还包括：
21、获取待识别车辆图像；
22、将所述待识别车辆图像输入所述训练完成的注册模型，以使所述训练完成的注册模型提取所述待识别车辆图像的待识别特征；
23、计算所述待识别特征与所述车辆品牌识别底库所包括的各个图像特征之间的相似度；
24、基于所述相似度以及所述各个图像特征与车辆品牌类别之间的对应关系，确定所述待识别车辆图像对应的车辆品牌。
25、可选的，所述获取注册车辆图像的步骤，包括：
26、获取样本集，其中，所述样本集包括的不同车辆品牌类别对应的多个样本车辆图像；
27、将所述多个样本车辆图像输入注册模型，以提取每个样本车辆图像的样本特征；
28、针对每个车辆品牌类别对应的多个样本车辆图像，根据所述多个样本车辆图像对应的样本特征之间的距离，从所述多个样本车辆图像中选取预设数量的样本车辆图像，作为采样集；
29、获取所述采样集中的样本车辆图像，作为注册车辆图像。
30、可选的，所述针对每个车辆品牌类别对应的多个样本车辆图像，根据所述多个样本车辆图像对应的样本特征之间的距离，从所述多个样本车辆图像中选取预设数量的样本车辆图像的步骤，包括：
31、针对每个车辆品牌类别对应的多个样本车辆图像，确定当前采样集的数量是否达到预设数量，其中，所述当前采样集中的第一个采样图像为该车辆品牌类别对应的多个样本车辆图像的一个；
32、如果已选取的样本车辆图像的数量未达到所述预设数量，从该车辆品牌类别对应的多个样本车辆图像中，选取对应的特征距离最大的目标样本车辆图像加入所述当前采样集，其中，所述特征距离为该车辆品牌类别对应的每个样本车辆图像的样本特征与上一次选取得到的采样集中每个采样图像的样本特征之间的特征距离中的最小距离；
33、计算所述目标样本车辆图像的样本特征与该车辆品牌类别对应的多个样本车辆图像的样本特征之间的目标距离；
34、针对每个样本车辆图像，基于该样本车辆图像对应的目标距离和最小距离中的较小者，更新该样本车辆图像对应的最小距离；
35、返回所述确定当前采样集的数量是否达到预设数量的步骤，直到该车辆品牌类别对应的采样集包括的样本车辆图像达到所述预设数量。
36、可选的，在所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模型收敛，得到训练完成的注册模型的步骤之后，所述方法还包括：
37、将样本集所包括的多个样本车辆图像分别输入全量模型和所述训练完成的注册模型，得到第一预测结果以及第二预测结果，其中，所述全量模型为基于所述样本集训练得到的；
38、将对应的第一预测结果正确，且第二预测结果错误的样本车辆图像，加入所述采样集；
39、基于更新后的采样集，更新所述训练完成的注册模型的参数。
40、可选的，在所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模型收敛，得到训练完成的注册模型的步骤之后，所述方法还包括：
41、获取多个未标注车辆图像以及目标品牌的目标车辆图像，其中，所述目标品牌为需要补充对应的注册车辆图像的车辆品牌；
42、将所述多个未标注车辆图像以及所述目标车辆图像输入所述训练完成的注册模型，以提本文档来自技高网...
【技术保护点】
1.一种车辆品牌识别底库的注册方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述注册特征与所述注册模型中每个分类层对应的权重向量，确定预测结果向量的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数的步骤，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1-4任一项所述的方法，其特征在于，所述获取注册车辆图像的步骤，包括：
7.根据权利要求6所述的方法，其特征在于，所述针对每个车辆品牌类别对应的多个样本车辆图像，根据所述多个样本车辆图像对应的样本特征之间的距离，从所述多个样本车辆图像中选取预设数量的样本车辆图像的步骤，包括：
8.根据权利要求6所述的方法，其特征在于，在所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模型收敛，得到训练完成的注册模型的
9.根据权利要求1-4任一项所述的方法，其特征在于，在所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模型收敛，得到训练完成的注册模型的步骤之后，所述方法还包括：
10.根据权利要求9所述的方法，其特征在于，所述基于所述目标特征与所述车辆品牌识别底库所包括的车辆图像特征之间的比对结果，从多个聚类簇中选取目标数量个目标聚类簇的步骤，包括：
11.一种车辆品牌识别方法，其特征在于，所述方法包括：
12.一种车辆品牌识别底库的注册装置，其特征在于，所述装置包括：
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
14.一种车辆品牌识别装置，其特征在于，所述装置包括：
15.一种电子设备，其特征在于，包括：
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11任一所述的方法。
...【技术特征摘要】
1.一种车辆品牌识别底库的注册方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述注册特征与所述注册模型中每个分类层对应的权重向量，确定预测结果向量的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数的步骤，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1-4任一项所述的方法，其特征在于，所述获取注册车辆图像的步骤，包括：
7.根据权利要求6所述的方法，其特征在于，所述针对每个车辆品牌类别对应的多个样本车辆图像，根据所述多个样本车辆图像对应的样本特征之间的距离，从所述多个样本车辆图像中选取预设数量的样本车辆图像的步骤，包括：
8.根据权利要求6所述的方法，其特征在于，在所述根据所述预测结果向量与真值向量之间的差异，调节所述注册模型的参数，直到所述注册模...
【专利技术属性】
技术研发人员：杨晨照，李瞻宁，
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：
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。