[發明專利]車型識別方法、電子設備及相關產品

在審

• 申請號: 202110065200.5
• 申請日: 2021-01-18
• 公開（公告）號: CN112766369A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 張鵬;吳偉華;程小磊
• 申請（專利權）人: 深圳市華尊科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

本申請實施例公開了一種車型識別方法、電子設備及相關產品，該方法包括：獲取待處理圖像，待處理圖像為車輛圖像；將待處理圖像劃分為A1個小塊，將A1個小塊輸入到神經網絡模型以進行第一處理，得到第一分類結果，A1為正整數；將待處理圖像劃分為A2個小塊，將A2個小塊輸入到神經網絡模型以進行第二處理，得到第二分類結果；將待處理圖像劃分為A3個小塊，將A3個小塊輸入到神經網絡模型以進行第三處理，得到第三分類結果；將第一分類結果、第二分類結果和第三分類結果進行級聯拼接，得到級聯分類結果；對級聯分類結果進行分類處理，得到目標分類結果。采用本申請實施例可以提升車型識別效率。

技術領域

本申請涉及圖像處理技術領域，具體涉及一種車型識別方法、電子設備及相關產品。

背景技術

隨著城市汽車數量的不斷攀升，由此帶來的交通和環境問題也日漸加劇。為了應對這些問題，智能交通系統已經成為城市發展的重點研究對象。而在智能交通系統中，對于車型的細粒度識別，已經被證明是一項關鍵技術，在處理包括提高收費效率，裁定交通責任和追蹤肇事逃逸等等交通問題上有著得天獨厚的優勢。車型識別是計算機視覺領域的一個研究熱點，在交通安全、卡口管理、車流統計等方面有著廣泛應用，對于智能交通系統的建設具有重要的意義。

然而，現有的車型識別方法主要采用手工設計特征，這類特征屬于低級特征，在處理細粒度分類問題上存在較大的局限性。而深度學習在提取高層語義特征方面有其先天優勢，能夠針對特定任務從大數據中學習到有效的特征表示。但大多基于深度學習的車型識別都只考慮了車輛的全局特征，而忽視了局部特征的重要性。作為細粒度分類問題的子問題，由于不同類別的車輛在形態、結構上具有一致性，尤其是同品牌的車型之間的差異性甚至更小，誤識別的概率就越高。因此，如何提升車型識別精準率的問題亟待解決。

發明內容

本申請實施例提供了一種車型識別方法及相關產品，能夠提升車型識別效率。

第一方面，本申請實施例提供一種車型識別方法，所述電子設備包括神經網絡模型，所述神經網絡模型包括第一層級網絡、第二層級網絡、第三層級網絡、第四層級網絡和第五層級網絡，所述方法包括：

獲取待處理圖像，所述待處理圖像為車輛圖像；

將所述待處理圖像劃分為A1個小塊，將所述A1個小塊輸入到所述神經網絡模型以進行第一處理，得到第一分類結果，所述A1為正整數；

將所述待處理圖像劃分為A2個小塊，將所述A2個小塊輸入到所述神經網絡模型以進行第二處理，得到第二分類結果，所述A2為小于所述A1的正整數；

將所述待處理圖像劃分為A3個小塊，將所述A3個小塊輸入到所述神經網絡模型以進行第三處理，得到第三分類結果，所述A3為小于所述A2的正整數；

將所述第一分類結果、所述第二分類結果和所述第三分類結果進行級聯拼接，得到級聯分類結果；

對所述級聯分類結果進行分類處理，得到目標分類結果。

第二方面，本申請實施例提供一種車型識別裝置，應用于電子設備，所述電子設備包括神經網絡模型，所述神經網絡模型包括第一層級網絡、第二層級網絡、第三層級網絡、第四層級網絡和第五層級網絡，所述裝置包括：獲取單元、第一處理單元、第二處理單元、第三處理單元、拼接單元和分類單元，其中，

所述獲取單元，用于獲取待處理圖像，所述待處理圖像為車輛圖像；

所述第一處理單元，用于將所述待處理圖像劃分為A1個小塊，將所述A1個小塊輸入到所述神經網絡模型以進行第一處理，得到第一分類結果，所述A1為正整數；

所述第二處理單元，用于將所述待處理圖像劃分為A2個小塊，將所述A2個小塊輸入到所述神經網絡模型以進行第二處理，得到第二分類結果，所述A2為小于所述A1的正整數；