CN107506759A - 一种机动车品牌识别方法及装置 - Google Patents
一种机动车品牌识别方法及装置 Download PDFInfo
- Publication number
- CN107506759A CN107506759A CN201610417425.1A CN201610417425A CN107506759A CN 107506759 A CN107506759 A CN 107506759A CN 201610417425 A CN201610417425 A CN 201610417425A CN 107506759 A CN107506759 A CN 107506759A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- image
- sample
- identified
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种机动车品牌识别方法及装置，应用于电子设备，所述方法包括：在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。本发明实施例能够提高机动车品牌识别的准确性。
Description
技术领域
本发明涉及智能交通技术领域，特别是涉及一种机动车品牌识别方法及装置。
背景技术
机动车，是指以动力装置驱动或者牵引，上道路行驶的供人员乘用或用于运送物品以及进行工程专项作业的轮式车辆。
机动车品牌指的是机动车生产商的标志和名称，它代表着车辆的属性和特定价值。其中，机动车品牌一般由主品牌、子型号以及年款组成，例如，大众-桑塔纳-2000的机动车品牌，其主品牌为大众，子型号为桑塔纳，年款为2000。
机动车品牌的识别在现实生活中有很重要的意义，例如，针对涉及违法犯罪行为的机动车，机动车品牌的识别在卡口及电子警察系统中的应用，在一定程度上遏制了各种违法行为的发生；在视频监控领域，机动车品牌的识别在车辆道路安全防范上也起到了很大的推进作用。
现有的机动车品牌识别方法，主要为基于人工提取机动车图像的特征图，然后将特征图送入多类支持向量机的识别算法。即预先采用大量的样本训练得到支持向量机，在进行机动车品牌识别时，首先采集机动车图像，由人工确定该机动车图像的特征图，并将确定的机动车图像的特征图输入到训练好的支持向量机中，从而得到该机动车的品牌信息。
但是，该方法在识别时采用的特征图通常为二值化图像，即灰度值为0或255的图像，确定二值化图像时，需要人工根据经验确定阈值，进而根据该阈值来由机动车图像得到二值化图像。而人工很难准确地确定阈值，当人工确定的阈值不准确时，将影响特征图的准确性，进一步地影响最终识别结果的准确性。
发明内容
本发明实施例的目的在于提供一种机动车品牌识别方法及装置，以提高机动车品牌识别的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种机动车品牌识别方法，应用于电子设备，所述方法包括：
在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；
根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；
将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；
将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
可选地，所述根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像包括：
识别所述特征区域的目标长度和目标宽度；
根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。
可选地，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。
可选地，当所述分类模型为CNN模型时，所述将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息包括：
将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。
可选地，所述网络模型为：主成分分析网络PCANET；所述PCANET模型的训练过程包括：
获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；
将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
可选地，所述训练得到所述PCANET模型之后，所述方法还包括：
根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；
所述CNN模型的训练过程包括：
将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
可选地，所述方法还包括：
获得所述待识别机动车对应的品牌信息的置信度。
可选地，所述得到所述待识别机动车对应的品牌信息包括：
根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。
第二方面，本发明实施例提供了一种机动车品牌识别装置，应用于电子设备，所述装置包括：
识别模块，用于在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；
确定模块，用于根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；
第一获得模块，用于将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；
第二获得模块，用于将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
可选地，所述确定模块包括：
识别子模块，用于识别所述特征区域的目标长度和目标宽度；
确定子模块，用于根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。
可选地，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。
可选地，当所述分类模型为CNN模型时，所述第二获得模块，具体用于将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。
可选地，所述网络模型为：主成分分析网络PCANET；所述装置还包括：
获取模块，用于获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；
第一训练模块，用于将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
可选地，所述装置还包括：
第三获得模块，用于根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；
第二训练模块，用于将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
可选地，所述装置还包括：
第四获得模块，用于获得所述待识别机动车对应的品牌信息的置信度。
可选地，所述第二获得模块，具体用于根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。
本发明实施例提供了一种机动车品牌识别方法及装置，能够根据包括待识别机动车车牌的图像，使用预先训练的网络模型得到该图像的特征图，进而根据该特征图，由预先训练的分类模型确定待识别机动车的品牌信息，与机动车其他区域相比，机动车的车牌附近区域具有较好的辨识度，并且，该网络模型是预先根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的，因此，使用该预先训练的网络模型，能够得到包括待识别机动车车牌的图像的比较准确的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种机动车品牌识别方法的流程图；
图2为本发明实施例提供的一种机动车品牌识别方法的另一流程图；
图3为第一样本机动车图像对应的第二样本机动车图像的示意图；
图4为本发明实施例提供的一种机动车品牌识别方法的另一流程图；
图5(a)、5(b)为第二样本机动车图像以及对应的特征图；
图6为本发明实施例提供的一种机动车品牌识别装置的结构示意图；
图7为本发明实施例提供的一种机动车品牌识别装置的另一结构示意图；
图8为本发明实施例提供的一种机动车品牌识别装置的另一结构示意图。
具体实施方式
为了提高机动车品牌识别的准确性，本发明实施例提供了一种机动车品牌识别方法及装置。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了提高机动车品牌识别的准确性，本发明实施例提供了一种机动车品牌识别方法过程，应用于电子设备，如图1所示，该过程可以包括以下步骤：
S101，在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域。
在本发明实施例中，电子设备可以根据包含待识别机动车的第一图像，识别该待识别机动车的品牌信息。
其中，电子设备可以首先获取包含待识别机动车的第一图像，进而根据该第一图像，识别待识别机动车的品牌信息。
需要说明的是，在本发明实施例中，电子设备获取包含待识别机动车的第一图像的过程可以采用现有技术，例如，在视频监控领域，该包含待识别机动车的第一图像可以由监控设备采集，本发明实施例对此过程不进行赘述。
获取到包含待识别机动车的第一图像后，电子设备就可以根据该第一图像，识别该待识别机动车的品牌信息。
具体地，电子设备可以在第一图像中识别该第一图像的特征区域，其中，该特征区域为该待识别机动车的车牌所在的区域。
例如，电子设备可以采用图像识别方法，识别第一图像中包括的机动车的车牌，进而，确定车牌所在的区域为第一图像的特征区域。
需要说明的是，在本发明实施例中，电子设备识别第一图像中包括的机动车车牌的过程，可以采用现有的任一种图像识别方法，本发明实施例对此过程不进行赘述。
S102，根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像。
电子设备识别出第一图像的特征区域，即识别出第一图像中包括的机动车车牌后，可以进一步根据该第一图像的特征区域，以及预设的扩展规则，确定包含该特征区域的第二图像。
例如，电子设备可以以第一图像的特征区域为中心，上下左右向外扩充，获取预定大小的区域，并将该区域确定为第二图像。
S103，将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的。
在本发明实施例中，电子设备可以预先根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到网络模型。使用该网络模型，当输入包含第一图像特征区域的第二图像时，该模型可以输出该第二图像的特征图。
因此，在本发明实施例中，在进行机动车品牌识别时，当电子设备获得第二图像后，其可以将该第二图像输入预先训练的网络模型中，得到该第二图像的特征图，以根据该特征图，识别待识别机动车的品牌信息。
S104，将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
在本发明实施例中，电子设备可以预先训练得到分类模型。使用该分类模型，当输入第二图像的特征图时，该分类模型可以输出与该特征图对应的机动车的品牌信息。
因此，在本发明实施例中，在进行机动车品牌识别时，当电子设备获得第二图像的特征图后，其可以将该特征图输入预先训练的分类模型中，得到该待识别机动车的品牌信息。
本发明实施例提供了一种机动车品牌识别方法，能够根据包括待识别机动车车牌的图像，使用预先训练的网络模型得到该图像的特征图，进而根据该特征图，由预先训练的分类模型确定待识别机动车的品牌信息，与机动车其他区域相比，机动车的车牌附近区域具有较好的辨识度，并且，该网络模型是预先根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的，因此，使用该预先训练的网络模型，能够得到包括待识别机动车车牌的图像的比较准确的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。
进一步地，在本发明实施例中，电子设备根据第一图像的特征区域，确定包含该特征区域的第二图像时，可以首先识别该特征区域的目标长度和目标宽度；进而根据该特征区域的目标长度和目标宽度，确定长度为该目标长度的第一预定倍数，如3、4、5等，宽度为该目标宽度的第二预定倍数，如4、5、6等，且包含该特征区域的图像为第二图像。
可以理解，机动车车牌附近的区域通常具有较好的辨识度，不同品牌的机动车，其车牌附近区域通常会有较大的差别。因此，第二图像中包含了尽可能多的机动车信息，且包含尽可能少的背景噪声。
因此，通过确定包含特征区域的第二图像，进一步地，根据该第二图像来识别待识别机动车的品牌信息，能够提高机动车品牌识别的准确性。
进一步地，在本发明实施例中，用来识别待识别机动车品牌信息的分类模型可以是卷积神经网络CNN模型或支持向量机SVM。
当分类模型为CNN模型时，电子设备在得到第二图像的特征图后，可以将该特征图输入预先训练的CNN模型的全链接层，进而得到待识别机动车对应的品牌信息。
进一步地，在本发明实施例中，电子设备识别待识别机动车对应的品牌信息时，还可以获得该待识别机动车对应的品牌信息的置信度。如，根据用户设置，待识别机动车对应的品牌信息的置信度可以为0-1之间的任一数，如0.10、0.82、0.90、0.98等。置信度较高时，表明该待识别机动车与其对应的品牌信息的可信度较高；置信度较低时，表明该待识别机动车与其对应的品牌信息的可信度较低。
通过得到待识别机动车对应的品牌信息的置信度，用户可以通过该置信度来判断该待识别机动车对应的品牌信息是否可信，因此，能够提高用户体验。
相应的，当电子设备可以获得待识别机动车与其对应的品牌信息的置信度时，电子设备在得到待识别机动车对应的品牌信息时，可以根据待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的待识别机动车对应的品牌信息。
例如，用户可以预先进行设置，使电子设备输出预定数量的待识别机动车对应的品牌信息，如2个、5个、8个等。电子设备在获得待识别机动车对应的品牌信息时，可以根据用户设置，根据待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到用户设置的预定数量的待识别机动车对应的品牌信息。
进一步地，在本发明实施例中，电子设备可以预先训练得到用于获取待识别机动车第二图像的特征图的网络模型。其中，该网络模型可以为：主成分分析网络PCANET。
具体地，如图2所示，本发明实施例提供的机动车品牌识别方法，还可以包括以下步骤：
S201，获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像。
在本发明实施例中，电子设备在训练PCANET模型时，可以首先获取第一样本机动车图像。
例如，电子设备可以获取尽可能多的第一样本机动车图像，该第一样本机动车图像可以包含每种品牌的机动车。
进一步地，当电子设备获取到第一样本机动车图像后，还可以确定包含各第一样本机动车图像的特征区域的第二样本机动车图像。
例如，电子设备可以采用图像识别方法，识别各第一样本机动车图像中包括的机动车的车牌，进而，确定车牌所在的区域为第一样本机动车图像的特征区域。
需要说明的是，在本发明实施例中，电子设备识别第一样本机动车图像中包括的机动车车牌的过程，可以采用现有的任一种图像识别方法，本发明实施例对此过程不进行赘述。
进一步地，电子设备可以根据各第一样本机动车图像的特征区域，确定各包含特征区域的第二样本机动车图像。
在一种实现方式中，电子设备可以以各第一样本机动车图像的特征区域为中心，上下左右向外扩充，获取预定大小的区域，并将该区域确定为第二样本机动车图像。
在另一种实现方式中，电子设备可以根据第一样本机动车图像的特征区域，确定包含该特征区域的第二样本机动车图像时，可以首先识别该特征区域的目标长度和目标宽度；进而根据该特征区域的目标长度和目标宽度，确定长度为该目标长度的第一预定倍数，如3、4、5等，宽度为该目标宽度的第二预定倍数，如4、5、6等，且包含该特征区域的图像为第二样本机动车图像。
请参考图3，其示出了多个第一样本机动车图像对应的第二样本机动车图像的示意图。如图3所示，图中包括了多个品牌信息对应的机动车的第一样本图像，如宝马-5系、宝马-7系、宝马-X1、宝马-X3、奔驰-E级、奔驰-GLK级、奔驰-R级、奔驰-唯雅诺等。
S202，将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
得到各第二样本机动车图像后，电子设备可以将各第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到PCANET模型。
需要说明的是，在本发明实施例中，PCANET模型的训练过程可以采用现有技术，本发明实施例对此过程不进行赘述。
本实施例提供的方案，能够根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到PCANET模型，在进行机动车品牌识别时，可以使用该PCANET模型得到比较准确的包含待识别机动车车牌的第二图像的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。
更进一步地，在本发明实施例中，训练得到PCANET模型之后，电子设备可以进一步地根据训练得到的PCANET模型，训练得到分类模型。该分类模型可以为CNN模型。
具体地，如图4所示，本发明实施例提供的机动车品牌识别方法，还可以包括以下步骤：
S203，根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图。
训练得到PCANET模型之后，电子设备可以根据各第二样本机动车图像，以及该PCANET模型，得到各第二样本机动车图像对应的特征图。
具体地，可以将各第二样本机动车图像输入该PCANET模型中，从而得到各第二样本机动车图像对应的特征图。
如图5(a)所示，其示出了任一第二样本机动车图像；图5(b)为图5(a)中所示的第二样本机动车图像对应的特征图。
S204，将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
得到各第二样本机动车图像对应的特征图后，电子设备可以将各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到CNN模型。
需要说明的是，在本发明实施例中，CNN模型的训练过程可以采用现有技术，本发明实施例对此过程不进行赘述。
本实施例提供的方案，能够根据各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息，训练得到CNN模型，在进行机动车品牌识别时，可以根据包含待识别机动车车牌的第二图像的特征图，使用该CNN模型得到待识别机动车的品牌信息，能够提高机动车品牌信息识别的准确性。
相应于上面的方法实施例，本发明实施例还提供了相应的装置实施例。
图6为本发明实施例提供的一种机动车品牌识别装置，应用于电子设备，所述装置包括：
识别模块610，用于在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；
确定模块620，用于根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；
第一获得模块630，用于将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；
第二获得模块640，用于将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
本发明实施例提供了一种机动车品牌识别装置，能够根据包括待识别机动车车牌的图像，使用预先训练的网络模型得到该图像的特征图，进而根据该特征图，由预先训练的分类模型确定待识别机动车的品牌信息，与机动车其他区域相比，机动车的车牌附近区域具有较好的辨识度，并且，该网络模型是预先根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的，因此，使用该预先训练的网络模型，能够得到包括待识别机动车车牌的图像的比较准确的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。
进一步地，所述确定模块620包括：
识别子模块(图中未示出)，用于识别所述特征区域的目标长度和目标宽度；
确定子模块(图中未示出)，用于根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。
进一步地，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。
进一步地，当所述分类模型为CNN模型时，所述第二获得模块640，具体用于将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。
进一步地，所述装置还包括：
第四获得模块(图中未示出)，用于获得所述待识别机动车对应的品牌信息的置信度。
进一步地，所述第二获得模块640，具体用于根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。
进一步地，在本发明实施例中，所述网络模型为：主成分分析网络PCANET；如图7所示，所述装置还包括：
获取模块710，用于获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；
第一训练模块720，用于将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
进一步地，如图8所示，所述装置还包括：
第三获得模块730，用于根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；
第二训练模块740，用于将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
本发明实施例提供了一种机动车品牌识别方法及装置，能够根据包括待识别机动车车牌的图像，使用预先训练的网络模型得到该图像的特征图，进而根据该特征图，由预先训练的分类模型确定待识别机动车的品牌信息，与机动车其他区域相比，机动车的车牌附近区域具有较好的辨识度，并且，该网络模型是预先根据各第一样本机动车图像的包含其车牌所在区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的，因此，使用该预先训练的网络模型，能够得到包括待识别机动车车牌的图像的比较准确的特征图，进而，根据该特征图识别待识别机动车的品牌信息时，能够提高机动车品牌信息识别的准确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (16)
1.一种机动车品牌识别方法，其特征在于，应用于电子设备，所述方法包括：
在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；
根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；
将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；
将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像包括：
识别所述特征区域的目标长度和目标宽度；
根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。
3.根据权利要求1所述的方法，其特征在于，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。
4.根据权利要求3所述的方法，其特征在于，当所述分类模型为CNN模型时，所述将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息包括：
将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。
5.根据权利要求3所述的方法，其特征在于，所述网络模型为：主成分分析网络PCANET；所述PCANET模型的训练过程包括：
获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；
将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
6.根据权利要求5所述的方法，其特征在于，所述训练得到所述PCANET模型之后，所述方法还包括：
根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；
所述CNN模型的训练过程包括：
将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
7.根据权利要求1-6任一所述的方法，其特征在于，所述方法还包括：
获得所述待识别机动车对应的品牌信息的置信度。
8.根据权利要求7所述的方法，其特征在于，所述得到所述待识别机动车对应的品牌信息包括：
根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。
9.一种机动车品牌识别装置，其特征在于，应用于电子设备，所述装置包括：
识别模块，用于在包含待识别机动车的第一图像中识别所述第一图像的特征区域，其中，所述特征区域为所述待识别机动车的车牌所在的区域；
确定模块，用于根据所述第一图像的特征区域，以及预设的扩展规则，确定包含所述特征区域的第二图像；
第一获得模块，用于将所述第二图像输入预先训练的网络模型中，得到所述第二图像的特征图；其中，所述网络模型为根据各第一样本机动车图像的包含其特征区域的第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息训练得到的；
第二获得模块，用于将所述特征图输入预先训练的分类模型中，得到所述待识别机动车对应的品牌信息。
10.根据权利要求9所述的装置，其特征在于，所述确定模块包括：
识别子模块，用于识别所述特征区域的目标长度和目标宽度；
确定子模块，用于根据所述特征区域的目标长度和目标宽度，确定长度为所述目标长度的第一预定倍数，宽度为所述目标宽度的第二预定倍数，且包含所述特征区域的图像为所述第二图像。
11.根据权利要求9所述的装置，其特征在于，所述分类模型为卷积神经网络CNN模型或支持向量机SVM。
12.根据权利要求11所述的装置，其特征在于，当所述分类模型为CNN模型时，所述第二获得模块，具体用于将所述特征图输入预先训练的CNN模型的全链接层，得到所述待识别机动车对应的品牌信息。
13.根据权利要求11所述的装置，其特征在于，所述网络模型为：主成分分析网络PCANET；所述装置还包括：
获取模块，用于获取第一样本机动车图像，并确定包含各第一样本机动车图像的特征区域的第二样本机动车图像；
第一训练模块，用于将所述第二样本机动车图像，以及与各第二样本机动车图像对应的机动车的品牌信息作为训练样本，训练得到所述PCANET模型。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
第三获得模块，用于根据所述各第二样本机动车图像，以及训练得到的所述PCANET模型，得到各第二样本机动车图像对应的特征图；
第二训练模块，用于将所述各第二样本机动车图像对应的特征图，以及各特征图对应的机动车的品牌信息作为训练样本，训练得到所述CNN模型。
15.根据权利要求9-14任一所述的装置，其特征在于，所述装置还包括：
第四获得模块，用于获得所述待识别机动车对应的品牌信息的置信度。
16.根据权利要求15所述的装置，其特征在于，所述第二获得模块，具体用于根据所述待识别机动车对应的各品牌信息的置信度，按照置信度从大到小的顺序，得到预定数量的所述待识别机动车对应的品牌信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610417425.1A CN107506759A (zh) | 2016-06-14 | 2016-06-14 | 一种机动车品牌识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610417425.1A CN107506759A (zh) | 2016-06-14 | 2016-06-14 | 一种机动车品牌识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107506759A true CN107506759A (zh) | 2017-12-22 |
Family
ID=60679098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610417425.1A Pending CN107506759A (zh) | 2016-06-14 | 2016-06-14 | 一种机动车品牌识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506759A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046891A (zh) * | 2018-10-11 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 车牌识别模型的训练方法、车牌识别方法和装置 |
| CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗（杭州）智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
| CN115880565A (zh) * | 2022-12-06 | 2023-03-31 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和系统 |
| CN105512684A (zh) * | 2015-12-09 | 2016-04-20 | 江苏大为科技股份有限公司 | 基于主成分分析卷积神经网络的车标自动识别方法 |
| CN105574543A (zh) * | 2015-12-16 | 2016-05-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的车辆品牌型号识别方法和系统 |
| US20160148072A1 (en) * | 2012-03-13 | 2016-05-26 | Massachusetts Institute Of Technology | Assisted surveillance of vehicles-of-interest |
-
2016
- 2016-06-14 CN CN201610417425.1A patent/CN107506759A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160148072A1 (en) * | 2012-03-13 | 2016-05-26 | Massachusetts Institute Of Technology | Assisted surveillance of vehicles-of-interest |
| CN103488973A (zh) * | 2013-09-12 | 2014-01-01 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和系统 |
| CN105512684A (zh) * | 2015-12-09 | 2016-04-20 | 江苏大为科技股份有限公司 | 基于主成分分析卷积神经网络的车标自动识别方法 |
| CN105574543A (zh) * | 2015-12-16 | 2016-05-11 | 武汉烽火众智数字技术有限责任公司 | 一种基于深度学习的车辆品牌型号识别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张顺利: "基于视觉的汽车品牌分类研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046891A (zh) * | 2018-10-11 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 车牌识别模型的训练方法、车牌识别方法和装置 |
| CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗（杭州）智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
| CN115880565A (zh) * | 2022-12-06 | 2023-03-31 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
| CN115880565B (zh) * | 2022-12-06 | 2023-09-05 | 江苏凤火数字科技有限公司 | 一种基于神经网络的报废车辆识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967806B (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
| CN107742430A (zh) | 一种驾驶行为监控方法、存储介质及车载终端 | |
| CN109766769A (zh) | 一种基于单目视觉与深度学习的道路目标检测识别方法 | |
| CN108090423A (zh) | 一种基于热力图和关键点回归的深度车牌检测方法 | |
| CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
| CN108268867A (zh) | 一种车牌定位方法及装置 | |
| CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
| CN106781503A (zh) | 用于监测驾驶行为的方法和装置 | |
| CN108470458A (zh) | 限速值提示装置与方法 | |
| CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
| CN107506759A (zh) | 一种机动车品牌识别方法及装置 | |
| CN110516633A (zh) | 一种基于深度学习的车道线检测方法及系统 | |
| CN107944425A (zh) | 道路标志的识别方法和装置 | |
| CN111209880A (zh) | 车辆行为识别方法、装置 | |
| CN107967773A (zh) | 一种基于视觉识别的超市自助购物方法 | |
| CN107463941A (zh) | 一种车主身份识别方法及装置 | |
| CN112613434B (zh) | 道路目标检测方法、装置及存储介质 | |
| CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
| CN109948419A (zh) | 一种基于深度学习的违法停车自动审核方法 | |
| CN109886338A (zh) | 一种智能汽车测试图像标注方法、装置、系统及存储介质 | |
| CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
| CN115908263A (zh) | 道路路面损伤智能检测系统及其检测方法和存储介质 | |
| CN111931693B (zh) | 基于人工智能的交通标志识别方法、装置、终端及介质 | |
| CN116664873B (zh) | 图像信息处理方法、装置及存储介质 | |
| CN111950469A (zh) | 一种道路标识检测方法、系统、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
| RJ01 | Rejection of invention patent application after publication |