[發明專利]基于人工智能的車品牌識別方法、裝置、設備及介質

有效

• 申請號: 202011011585.9
• 申請日: 2020-09-23
• 公開（公告）號: CN112132140B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 吳曉東
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06V10/56
• 分類號: G06V10/56;G06V10/764;G06V10/82;G06V30/18;G06V30/19;G06K9/62;G06N3/04
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 陳敬華;楊毅玲

1.一種基于人工智能的車品牌識別方法，其特征在于，所述基于人工智能的車品牌識別方法包括：

響應于接收到的待檢測圖像，對所述待檢測圖像進行resize處理，得到目標圖像；

利用darknet53網絡提取所述目標圖像的車輛特征；

將所述車輛特征輸入至預先訓練的車品牌識別模型，輸出第一特征圖、第二特征圖及第三特征圖，包括：

對所述車輛特征執行第一卷積層運算，得到第一中間特征，并對所述第一中間特征執行第一聯合卷積運算，得到所述第一特征圖，其中，所述第一卷積層及所述第一聯合卷積采用第一交并比訓練而得到；

對所述第一中間特征執行上采樣運算，得到第一特征；

對所述第一特征執行第二卷積層運算，得到第二中間特征，并對所述第二中間特征執行第二聯合卷積運算，得到所述第二特征圖，其中，所述第二卷積層及所述第二聯合卷積采用第二交并比訓練而得到；

對所述第二中間特征執行所述上采樣運算，得到第二特征；

對所述第二特征執行第三卷積層運算及第三聯合卷積運算，得到所述第三特征圖，其中，所述第三卷積層及所述第三聯合卷積采用第三交并比訓練而得到；

其中，所述車品牌識別模型為采用多交并比及交并比損失訓練YOLOv3網絡而得到的級聯網絡結構；

獲取所述車品牌識別模型的目標anchor box；

對于所述第一特征圖、所述第二特征圖及所述第三特征圖中的每個特征圖，利用所述目標anchor box在每個特征圖上進行識別，輸出與每個特征圖對應的預測anchor box坐標、每個預測anchor box坐標的目標得分及車品牌的預測概率，從所述預測anchor box坐標中選擇所述目標得分最高的預測anchor box坐標作為車輛的預測坐標；

將所述車輛的預測坐標映射到所述待檢測圖像上，得到映射圖，輸出所述映射圖及所述車品牌的預測概率作為識別結果。

2.如權利要求1所述的基于人工智能的車品牌識別方法，其特征在于，所述基于人工智能的車品牌識別方法還包括：

當采用遞進方式篩選樣本時，所述第一交并比小于所述第二交并比，所述第二交并比小于所述第三交并比。

3.如權利要求1所述的基于人工智能的車品牌識別方法，其特征在于，所述基于人工智能的車品牌識別方法還包括：

獲取訓練樣本；

將所述訓練樣本輸入至YOLOv3網絡，輸出第一樣本特征圖、第二樣本特征圖及第三樣本特征圖；

對于所述第一樣本特征圖、所述第二樣本特征圖及所述第三樣本特征圖中的每個樣本特征圖，確定每個樣本特征圖對應的樣本預測anchor box坐標及樣本預測概率；

確定每個樣本特征圖的實際anchor box坐標、樣本實際概率，及每個樣本特征圖對應的實際中心點坐標及實際寬高坐標；

根據所述樣本預測anchor box坐標及所述實際anchor box坐標計算每個樣本特征圖的交并比損失；

根據每個樣本特征圖對應的樣本預測anchor box坐標確定每個樣本特征圖對應的預測中心點坐標及預測寬高坐標；

根據每個樣本特征圖對應的預測中心點坐標及實際中心點坐標計算每個樣本特征圖的中心點坐標損失；

根據每個樣本特征圖對應的預測寬高坐標及實際寬高坐標計算每個樣本特征圖的寬高坐標損失；

根據每個樣本特征圖對應的樣本預測概率及樣本實際概率計算每個樣本特征圖的類別損失；

計算所述交并比損失、所述中心點坐標損失、所述寬高坐標損失及所述類別損失的和作為損失函數；

當所述損失函數的取值小于或者等于配置損失時，停止訓練，得到所述車品牌識別模型。