[發明專利]車款識別方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011505460.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112580665A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 吳曉東
• 申請（專利權）人: 深圳賽安特技術服務有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 袁文婷;張娓娓

1.一種車款識別方法，其特征在于，所述方法包括：

按預設的特征提取規則對原始圖像進行車輛特征提取以形成三種不同尺度的特征圖；

按預設的三組錨框在所述三種不同尺度的特征圖上分別執行選框操作，以生成與所述三種不同尺度的特征圖相對應的候選框，并將生成的候選框進行合并以獲取完全候選框；

對所述完全候選框執行分塊操作以將所述完全候選框中的每個候選框分為預設大小的模塊，對每個模塊執行像素點采樣，以獲得輸出矩陣；

對所述輸出矩陣進行回歸與分類以確定車輛坐標，將所述車輛坐標映射為所述原始圖像的圖像坐標以完成車款的識別。

2.如權利要求1所述的車款識別方法，其特征在于，所述按預設的特征提取規則對原始圖像進行車輛特征提取以形成三種不同尺度的特征圖的過程，包括：

將所述原始圖像轉換為預設尺寸的規范圖像；

將所述規范圖像輸入特征提取網絡以提取所述規范圖像中的車輛特征；

基于所述車輛特征將所述規范圖像輸入第一卷積神經網絡進行上采樣，以獲取三種不同尺度的特征圖；所述三種不同尺度的特征圖包括第一特征圖、第二特征圖和第三特征圖；其中，述第二特征圖、第三特征圖的尺度分別為所述第一特征圖的二倍、四倍。

3.如權利要求2所述的車款識別方法，其特征在于，

所述第一卷積神經網絡為3*3卷積的卷積層加Mish激活函數的神經網絡。

4.如權利要求1所述的車款識別方法，其特征在于，所述按預設的三組錨框在所述三種不同尺度的特征圖上分別執行選框操作、以生成與所述三種不同尺度的特征圖相對應的候選框的過程，包括：

創建第三卷積神經網絡，利用預設訓練數據訓練所述第三卷積神經網絡以形成選框網絡，將所述三種不同尺度的特征圖分別輸入所述選框網絡；其中，所述選框網絡至少包括3*3卷積層、激活函數、分類函數、回歸函數、加權非極大值抑制算法和裁剪算法；

使所述三種不同尺度的特征圖分別經過所述3*3卷積層、激活函數得到對應的三種激活特征圖；

使所述三種激活特征圖分別經過所述分類函數、回歸函數的運算得到所述三種激活特征圖的分類矩陣和回歸矩陣，分別判斷所述三種激活特征圖中是否為車輛特征圖，若為車輛特征圖則顯示所述錨框的坐標，形成與所述三種不同尺度的特征圖分別對應的三種預候選框組；

對所述三種預候選框組中的每種預候選框分別執行加權非極大值抑制算法和裁剪算法獲取與所述三種不同尺度的特征圖相對應的候選框。

5.如權利要求4所述的車款識別方法，其特征在于，所述對所述三種預候選框組中的每種預候選框分別執行加權非極大值抑制算法和裁剪算法獲取與所述三種不同尺度的特征圖相對應的候選框的過程，包括：

在每種預候選框組中分別進行置信度排名，并選擇置信度最高的預候選框為中心預候選框；

計算每種預候選框組中除所述中心預候選框之外的預候選框與所述中心預候選框的交并比；

根據所述交并比的閾值更新每種預候選框組中剩余的預候選框的置信度得分，直至所述預候選框組中所有的預候選框均被選中過為止；

根據每種預候選框組中所有預候選框的置信度得分分別進行置信度降序排序，刪除低于預設置信度閾值的預候選框，并選擇高于所述預設置信度閾值的預候選框作為與所述三種不同尺度的特征圖相對應的候選框。

6.如權利要求1所述的車款識別方法，其特征在于，在對所述完全候選框執行分塊操作之前，還包括：

將所述完全候選框輸入第二卷積神經網絡網絡以將所述完全候選框統一固定為預設大小；其中，所述第二卷積神經網絡為RoIAlign網絡，包括分塊層、像素點采樣層和取整層。