[發明專利]一種機動車品牌識別方法及裝置

在審

• 申請號: 201610417425.1
• 申請日: 2016-06-14
• 公開（公告）號: CN107506759A
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 浦世亮;叢建亭;羅兵華
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙)11413
• 代理人: 馬敬,項京

1.一種機動車品牌識別方法，其特征在于，應用于電子設備，所述方法包括：

在包含待識別機動車的第一圖像中識別所述第一圖像的特征區域，其中，所述特征區域為所述待識別機動車的車牌所在的區域；

根據所述第一圖像的特征區域，以及預設的擴展規則，確定包含所述特征區域的第二圖像；

將所述第二圖像輸入預先訓練的網絡模型中，得到所述第二圖像的特征圖；其中，所述網絡模型為根據各第一樣本機動車圖像的包含其特征區域的第二樣本機動車圖像，以及與各第二樣本機動車圖像對應的機動車的品牌信息訓練得到的；

將所述特征圖輸入預先訓練的分類模型中，得到所述待識別機動車對應的品牌信息。

2.根據權利要求1所述的方法，其特征在于，所述根據所述第一圖像的特征區域，以及預設的擴展規則，確定包含所述特征區域的第二圖像包括：

識別所述特征區域的目標長度和目標寬度；

根據所述特征區域的目標長度和目標寬度，確定長度為所述目標長度的第一預定倍數，寬度為所述目標寬度的第二預定倍數，且包含所述特征區域的圖像為所述第二圖像。

3.根據權利要求1所述的方法，其特征在于，所述分類模型為卷積神經網絡CNN模型或支持向量機SVM。

4.根據權利要求3所述的方法，其特征在于，當所述分類模型為CNN模型時，所述將所述特征圖輸入預先訓練的分類模型中，得到所述待識別機動車對應的品牌信息包括：

將所述特征圖輸入預先訓練的CNN模型的全鏈接層，得到所述待識別機動車對應的品牌信息。

5.根據權利要求3所述的方法，其特征在于，所述網絡模型為：主成分分析網絡PCANET；所述PCANET模型的訓練過程包括：

獲取第一樣本機動車圖像，并確定包含各第一樣本機動車圖像的特征區域的第二樣本機動車圖像；

將所述第二樣本機動車圖像，以及與各第二樣本機動車圖像對應的機動車的品牌信息作為訓練樣本，訓練得到所述PCANET模型。

6.根據權利要求5所述的方法，其特征在于，所述訓練得到所述PCANET模型之后，所述方法還包括：

根據所述各第二樣本機動車圖像，以及訓練得到的所述PCANET模型，得到各第二樣本機動車圖像對應的特征圖；

所述CNN模型的訓練過程包括：

將所述各第二樣本機動車圖像對應的特征圖，以及各特征圖對應的機動車的品牌信息作為訓練樣本，訓練得到所述CNN模型。

7.根據權利要求1-6任一所述的方法，其特征在于，所述方法還包括：

獲得所述待識別機動車對應的品牌信息的置信度。

8.根據權利要求7所述的方法，其特征在于，所述得到所述待識別機動車對應的品牌信息包括：

根據所述待識別機動車對應的各品牌信息的置信度，按照置信度從大到小的順序，得到預定數量的所述待識別機動車對應的品牌信息。

9.一種機動車品牌識別裝置，其特征在于，應用于電子設備，所述裝置包括：

識別模塊，用于在包含待識別機動車的第一圖像中識別所述第一圖像的特征區域，其中，所述特征區域為所述待識別機動車的車牌所在的區域；

確定模塊，用于根據所述第一圖像的特征區域，以及預設的擴展規則，確定包含所述特征區域的第二圖像；

第一獲得模塊，用于將所述第二圖像輸入預先訓練的網絡模型中，得到所述第二圖像的特征圖；其中，所述網絡模型為根據各第一樣本機動車圖像的包含其特征區域的第二樣本機動車圖像，以及與各第二樣本機動車圖像對應的機動車的品牌信息訓練得到的；

第二獲得模塊，用于將所述特征圖輸入預先訓練的分類模型中，得到所述待識別機動車對應的品牌信息。

10.根據權利要求9所述的裝置，其特征在于，所述確定模塊包括：

識別子模塊，用于識別所述特征區域的目標長度和目標寬度；

確定子模塊，用于根據所述特征區域的目標長度和目標寬度，確定長度為所述目標長度的第一預定倍數，寬度為所述目標寬度的第二預定倍數，且包含所述特征區域的圖像為所述第二圖像。

11.根據權利要求9所述的裝置，其特征在于，所述分類模型為卷積神經網絡CNN模型或支持向量機SVM。