[發(fā)明專利]車型的識別方法和裝置

在審

• 申請?zhí)枺?/td>: 201710121609.8
• 申請日: 2017-03-02
• 公開（公告）號: CN108304754A
• 公開（公告）日: 2018-07-20
• 發(fā)明（設(shè)計(jì)）人: 鄭克松;張力;徐浩;申玉
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/02
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 董文倩;褚敏

1.一種車型的識別方法，其特征在于，包括：

獲取到對目標(biāo)圖片中的車輛進(jìn)行車型識別的請求；

使用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型識別出所述目標(biāo)圖片中的車輛為目標(biāo)車型，其中，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型是使用訓(xùn)練集合對用于進(jìn)行車型識別的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的，所述訓(xùn)練集合是對多個(gè)車型的圖片進(jìn)行第一預(yù)處理得到的圖片集合，所述第一預(yù)處理用于增強(qiáng)所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型的魯棒性，多個(gè)所述車型包括所述目標(biāo)車型；

響應(yīng)于所述請求，返回包括所述目標(biāo)車型的識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在獲取到對目標(biāo)圖片中的車輛進(jìn)行車型識別的請求之前，所述方法還包括：

對多個(gè)所述車型的圖片進(jìn)行所述第一預(yù)處理，得到所述訓(xùn)練集合；

使用所述訓(xùn)練集合對用于進(jìn)行車型識別的所述深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，對多個(gè)所述車型的圖片進(jìn)行所述第一預(yù)處理包括：

對多個(gè)所述車型的圖片中的每個(gè)圖片進(jìn)行如下處理，其中，所述每個(gè)圖片被視為當(dāng)前圖片：

對所述當(dāng)前圖片進(jìn)行第一處理操作和第二處理操作，得到第一圖片，其中，所述第一圖片被視為所述訓(xùn)練集合中的圖片，所述第一處理操作包括隨機(jī)旋轉(zhuǎn)和隨機(jī)裁剪的操作，所述隨機(jī)旋轉(zhuǎn)和所述隨機(jī)裁剪的操作用于消除圖像采集角度對車型識別的影響，所述第二處理操作用于消除圖像采集環(huán)境對車型識別的影響。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，對所述當(dāng)前圖片進(jìn)行第一處理操作和第二處理操作包括：

對所述當(dāng)前圖片進(jìn)行尺寸調(diào)整、隨機(jī)旋轉(zhuǎn)、隨機(jī)裁剪、高斯平滑處理、亮度調(diào)整以及飽和度調(diào)整，得到第二圖片；

對所述第二圖片進(jìn)行直方圖均衡化處理，得到第三圖片；

對所述第三圖片進(jìn)行白化處理，得到所述第一圖片。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，使用所述訓(xùn)練集合對用于進(jìn)行車型識別的所述深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型包括：

通過所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的多個(gè)卷積層識別出所述訓(xùn)練集合中屬于每個(gè)所述車型的所有圖片的多個(gè)第一特征信息；

通過所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的特征分類層從每個(gè)所述車型的所有所述第一特征信息中提取出每個(gè)所述車型的特征集合之后，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，其中，所述特征集合包括所有所述第一特征信息中用于指示所述車型的第二特征信息，所述特征集合保存在所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型中。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在使用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型識別出所述目標(biāo)圖片中的車輛為目標(biāo)車型之前，所述方法還包括：對所述目標(biāo)圖片進(jìn)行第二預(yù)處理；

使用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型識別出所述目標(biāo)圖片中的車輛為目標(biāo)車型包括：將經(jīng)過所述第二預(yù)處理的所述目標(biāo)圖片的圖片數(shù)據(jù)作為所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型的輸入，以識別出所述目標(biāo)圖片中的車輛為所述目標(biāo)車型。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，對所述目標(biāo)圖片進(jìn)行第二預(yù)處理包括：

對所述目標(biāo)圖片進(jìn)行如下處理：按照汽車框架進(jìn)行裁剪、尺寸調(diào)整、高斯平滑處理、亮度調(diào)整以及飽和度調(diào)整，得到第四圖片；

將所述第四圖片的進(jìn)行直方圖均衡化處理，得到第五圖片；

將所述第五圖片進(jìn)行白化處理，得到待輸入所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型的圖片數(shù)據(jù)。

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，將經(jīng)過所述第二預(yù)處理的所述目標(biāo)圖片的圖片數(shù)據(jù)作為所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型的輸入，以識別出所述目標(biāo)圖片中的車輛為所述目標(biāo)車型包括：

通過所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型的多個(gè)卷積層識別出所述目標(biāo)圖片的第三特征信息；

獲取所述目標(biāo)圖片的第三特征信息與每個(gè)所述車型的特征集合中的特征信息的匹配度；

確定與多個(gè)所述車型的多個(gè)所述匹配度中的目標(biāo)匹配度對應(yīng)的所述車型為所述目標(biāo)車型，其中，所述目標(biāo)匹配度包括多個(gè)所述匹配度中數(shù)值從大到小的排列中的前N個(gè)所述匹配度，N為正整數(shù)。