【技术实现步骤摘要】
本专利技术实施例涉及数据处理领域，具体而言，涉及一种车辆事件的识别方法、装置、存储介质及电子装置。
技术介绍
1、近年来，车辆违规行为高发，包括机动车辆或非机动车辆违规行为时常可见，例如外卖车辆、快递车辆出现非正规行为比比皆是，虽然相关管理人员在重点路口、路段，展开现场管理，但无法形成长效治理，极易形成“一不管就反弹”的现象。相关技术中有通过神经网络对车辆进行属性识别以确定车辆是否存在违规行为或确定是否发生车辆事件，例如，以非机动车辆为例，非机动车辆属性包括车辆类型、车辆的企业属性(如属于外卖企业或快递企业等)、非机动车载人及未戴头盔等，但是，相关技术中采用的神经网络无法很好地捕捉车辆的细粒度特征，也就无法准确识别非机动车辆属性，从而导致对车辆事件识别的准确率较低的问题。
2、针对相关技术中存在的车辆事件识别的准确率较低的技术问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种车辆事件的识别方法、装置、存储介质及电子装置，以至少解决相关技术中存在的车辆事件识别的准确率较低的技术问题。
2、根据本专利技术的一个实施例，提供了一种车辆事件的识别方法，包括：获取第一图像的原始图像特征向量，其中，所述第一图像中显示有目标车辆；将所述原始图像特征向量输入目标神经网络模型中的n个网络分支，得到n个局部图像表征向量，其中，所述n个网络分支中的每个网络分支包括依次串联的多个卷积模块，所述n个网络分支中的第i个网络分支中的卷积模块生成的卷积图像表征
3、在一个示例性实施例中，所述将所述原始图像特征向量输入目标神经网络模型中的n个网络分支，得到n个局部图像表征向量，包括：通过以下步骤得到所述第i+1个网络分支中的第j+1个卷积模块输出的中间图像表征向量，并将所述第i+1个网络分支中的最后一个卷积模块输出的中间图像表征向量确定为所述第i+1个网络分支输出的第i+1个局部图像表征向量，其中，j为大于或等于1、且小于n-1的正整数：将所述第i+1个网络分支中的第j个卷积模块输出的中间图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到第一待处理图像表征向量；将所述第i个网络分支中的第j+1个卷积模块中的卷积子模块输出的卷积图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到第二待处理图像表征向量，其中，所述第一待处理图像表征向量和所述第二待处理图像表征向量具有相同的维度；对所述第一待处理图像表征向量和所述第二待处理图像表征向量进行求平均操作，得到平均图像表征向量；将所述平均图像表征向量输入所述第i+1个网络分支中的所述第j+1个卷积模块中的池化子模块，得到所述第i+1个网络分支中的所述第j+1个卷积模块输出的中间图像表征向量。
4、在一个示例性实施例中，所述将所述第i+1个网络分支中的第j个卷积模块输出的中间图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到第一待处理图像表征向量，包括：将所述第i+1个网络分支中的第j个卷积模块输出的维度为的中间图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到维度为的所述第一待处理图像表征向量，其中，小于所述将所述第i个网络分支中的第j+1个卷积模块中的卷积子模块输出的卷积图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到第二待处理图像表征向量，包括：将所述第i个网络分支中的第j+1个卷积模块中的卷积子模块输出的维度为的卷积图像表征向量输入到所述第i+1个网络分支中的所述第j+1个卷积模块中的卷积子模块，得到维度为的所述第二待处理图像表征向量，其中，小于等于等于等于其中，均为预设的正整数。
5、在一个示例性实施例中，
6、在一个示例性实施例中，所述第i个网络分支中包括i+1个卷积模块，所述n个网络分支中的第n个网络分支包括n+1个卷积模块。
7、在一个示例性实施例中，所述将所述n个网络分支中的第n个网络分支中最后一个卷积模块生成的卷积图像表征向量输入所述目标神经网络模型中的全局池化模块，得到全局图像表征向量，包括：将维度为的所述第n个网络分支中最后一个卷积模块生成的卷积图像表征向量输入所述目标神经网络模型中的全局池化模块，得到维度为1×1×cg的所述全局图像表征向量，其中，m为所述n个网络分支中的第n个网络分支中包括的卷积模块的数量，cg为预设的正整数，m为大于或等于1的正整数。
8、在一个示例性实施例中，所述将所述全局图像表征向量输入到所述目标神经网络模型中的分类器，得到车辆事件识别结果，包括：将所述全局图像表征向量分别输入到所述分类器中的k个专家识别网络模块，得到k个维度为1×q的车辆事件向量，其中，所述k个专家识别网络模块中的每个专家识别网络用于根据输入的所述全局图像表征向量，确定维度为1×q的车辆事件向量，k为大于或等于2的正整数，q为大于或等于1的正整数，所述维度为1×q的车辆事件向量用于表示出现预设的q个类型的车辆事件的概率；根据所述k个维度为1×q的车辆事件向量，确定所述车辆事件识别结果。
9、在一个示例性实施例中，所述根据所述k个维度为1×q的车辆事件向量，确定所述车辆事件识别结果，包括：对所述k个维度为1×q的车辆事件向量进行加权求和，得到维度为1×q的加权车辆事件向量；在所述维度为1×q的加权车辆事件向量中查找大于或等于预设阈值的概率；在查找到大于或等于所述预设阈值的p个概率的情况下，将所述车辆事件识别结果确定为用于表示所述目标车辆出现了所述p个概率对应的p个类型的车辆事件，其中，p为大于或等于1的正整数。
10、在一个示例性实施例中，在所述将所述原始图像特征向量输入目标神经网络模型中的n个网络分支之前，所述方法还包括：将样本图像集合对应的样本图像特征向量集合对待训练的神经网络模型进行训练，直到待训练的神经网络模型对应的目标损失函数的取值满足预设的收敛条件，结束训练，将结束训练时的神经网络模型确定为所述目标神经网络模型，其中，在所述目标损失函数的取值不满足预设的收敛条件的情况下，对所述待训练的神经网络模型中的n个待训练的网络分支中包括的每个待训练的卷积模块中的至少部分参数进行调整；其中，所述待训练的神经网络模型包括n个待训练的网络分支，每个待训练的网络分支包括依次串联的多个待训练的卷积模块，所述n个待训练的网络分支中的第i个待训练的网络分支中的待训练的卷积模块生成的卷积图像表征向量本文档来自技高网...
【技术保护点】
1.一种车辆事件的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述原始图像特征向量输入目标神经网络模型中的N个网络分支，得到N个局部图像表征向量，包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第i个网络分支中包括i+1个卷积模块，所述N个网络分支中的第N个网络分支包括N+1个卷积模块。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述N个网络分支中的第N个网络分支中最后一个卷积模块生成的卷积图像表征向量输入所述目标神经网络模型中的全局池化模块，得到全局图像表征向量，包括：
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述全局图像表征向量输入到所述目标神经网络模型中的分类器，得到车辆事件识别结果，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述K个维度为1×Q的车辆事件向量，确定所述车辆事件识别结果，包括：
...【技术特征摘要】
1.一种车辆事件的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述原始图像特征向量输入目标神经网络模型中的n个网络分支，得到n个局部图像表征向量，包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第i个网络分支中包括i+1个卷积模块，所述n个网络分支中的第n个网络分支包括n+1个卷积模块。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述n个网络分支中的第n个网络分支中最后一个卷积模块生成的卷积图像表征向量输入所述目标神经网络模型中的全局池化模块，得到全局图像表征向量，包括：
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述将所述全局图像表征向量输入...
【专利技术属性】
技术研发人员：林亦宁，张雪雷，
申请(专利权)人：上海闪马智能科技有限公司，
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。