CN110807493A - 一种车辆分类模型的优化方法及设备 - Google Patents

Abstract

本申请的目的是提供一种车辆分类模型的优化方法及设备，本申请通过新增车辆类型及其对应的车辆图像和已知车辆类型及其对应的车辆图像对已知车辆分类模型进行模型训练和测试，得到优化分类模型。实现了基于在实际场景中获取的各车辆图像的分类结果来对已有分类模型进行模型迭代优化，得到用于对车辆进行分类的优化分类模型，不仅节约了人为优化分类模型的时间成本和人力成本，还进一步提高了该优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应在实际场景中的用户的使用，从而提高用户的体验度和满意度。

Description

一种车辆分类模型的优化方法及设备

技术领域

本申请涉及计算机领域，尤其涉及一种车辆分类模型的优化方法及设备。

背景技术

现有技术中，在智能交通算法领域，车辆或车牌分类是一个很重要的论题。有效的对车辆或车牌进行分类，对后续的违章行为判断是非常重要的一步。然而现实情况比较复杂，不同地区车辆车牌也有所差异，有些车辆类型或者车牌类型比较少见，所以在短期内很难采集到所有类型的数据，那么也就很难训练一种适用于所有车辆车牌分类的模型。

当模型对新数据类型适应性不好时，都是采用把现场大量的数据采集回去，然后由技术人员进行数据筛选标注，从而训练模型并进一步更新模型到现场。数据传输处理以及模型训练返回，需要大量时间，现场不能及时更新得到更好的模型，同时，重新进行数据标注需要人工操作，从而提高了人力成本，并且人工标注的操作可能会出现数据标注的不准确的问题，不利于模型训练得到更新优化后的模型。

因此，不断更新迭代模型训练，使得模型更快地适应对新增的车辆类型的分类，提高车辆类型预测的准确性，以便更好地对车辆违章行为进行判断是现在本领域技术人员需要努力研究的方向。

发明内容

本申请的一个目的是提供一种车辆分类模型的优化方法，以解决现有技术中分类模型优化需要的时间和人力成本较高及分类模型对车辆类型预测不准确的问题。

根据本申请的一个方面，提供了一种车辆分类模型的优化方法，包括：

获取对车辆进行分类的已有分类模型，所述已有分类模型包括至少两种已知车辆类型；

基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型；

基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型。

进一步地，上述车辆分类模型的优化方法中，所述基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型，包括：

按照预设数量比例将所述分类结果随机划分为训练集和测试集；

基于所述训练集重新进行模型训练，得到对车辆进行分类的新分类模型，所述新分类模型包括所述至少一种新增车辆类型和所述至少两种已知车辆类型；

基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型。

进一步地，上述车辆分类模型的优化方法中，基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型，包括：

分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率；

判断所述第一准确率是否大于所述第二准确率；若是，则将所述已有分类模型和所述新分类模型进行算术平均后得到的模型确定为所述优化分类模型中用于对所述至少两种已知车辆类型进行车辆分类的模型，同时将所述新分类模型确定为所述优化分类模型中用于对所述至少一种新增车辆类型进行车辆分类的模型，以得到所述优化分类模型；

若否，则将所述新分类模型确定为所述优化分类模型。

进一步地，上述车辆分类模型的优化方法中，所述分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率，包括：

分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，得到所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型；

根据所述测试集中的各分类结果和所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型，得到所述已有分类模型的第一准确率，并根据所述测试集中的各分类结果和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型，得到所述新分类模型的第二准确率。

进一步地，上述车辆分类模型的优化方法中，所述基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型，包括：

基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到所述至少两种已知车辆类型中的各所述已知车辆类型分别作为所述车辆图像的类型的分类评估值；

判断至少两个所述分类评估值中的最高分类评估值是否大于预设分类评估阈值，

若是，则将所述最高分类评估值对应的已知车辆类型确定为所述车辆图像的类型，以得到所述车辆图像的分类结果；

若否，则采用人工对所述车辆图像重新进行车辆分类，得到所述车辆图像的分类结果。

进一步地，上述车辆分类模型的优化方法还包括：

获取实际场景中的目标车辆图像；

将所述目标车辆图像输入所述优化分类模型，对所述目标车辆图像对应的车辆进行分类，得到所述至少一种新增车辆类型和所述至少两种已知车辆类型中的各种车辆类型分别作为所述目标车辆图像对应的车辆的类型的目标评估值；

根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型。

进一步地，上述车辆分类模型的优化方法中，根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型，包括：

判断所述最高的目标评估值是否大于预设分类评估阈值，

若是，则将所述最高的目标评估值对应的车辆类型确定为所述目标车辆图像对应的车辆的类型；

如否，则采用人工对所述目标车辆图像重新进行车辆分类，得到所述目标车辆图像的对应的车辆的类型。

进一步地，上述车辆分类模型的优化方法还包括：对所述目标车辆图像及其对应的车辆的类型进行存储。

根据本申请的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述任一项所述的方法。

根据本申请的另一方面，还提供了一种车辆分类模型的优化设备，该优化设备包括：

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述中任一项所述的方法。

与现有技术相比，本申请通过获取对车辆进行分类的已有分类模型，所述已有分类模型包括至少两种已知车辆类型；基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型；基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型，通过新增车辆类型及其对应的车辆图像和已知车辆类型及其对应的车辆图像对已知车辆分类模型进行模型训练和测试，得到优化分类模型。实现了基于在实际场景中获取的各车辆图像的分类结果来对已有分类模型进行模型迭代优化，得到用于对车辆进行分类的优化分类模型，不仅节约了人为优化分类模型的时间成本和人力成本，还进一步提高了该优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应在实际场景中的用户的使用，从而提高用户的体验度和满意度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种车辆分类模型的优化方法的流程图；

图2示出根据本申请一个方面的一种车辆分类模型的优化方法中的优化分类模型训练示意图；

图3示出根据本申请一个方面的一种车辆分类模型的优化方法中的优化分类模型使用示意图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

图1示出根据本申请一个方面的一种车辆分类模型的优化方法的流程图，该方法适用于车辆类型的检测过程中，该方法包括步骤S11、步骤S12及步骤S13，其中，具体包括：

步骤S11，获取对车辆进行分类的已有分类模型，所述已有分类模型包括至少两种已知车辆类型。在此，所述已有分类模型可以对所述已有车辆类型的车辆图片进行识别并得到车辆图片对应的车辆所属的类型。

例如，获取车辆进行分类的已有分类模型M1，所述已有分类模型M1包括五个已知车辆类型，分别是普通小汽车、警车、救护车、公交车、货车，依序对应的序号分别为0、1、2、3、4，即“0”用于指示普通小汽车的车辆类型。

步骤S12，基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型。例如，基于所述已有分类模型M1对实际场景中的各车辆图像P1、P2、P3......Pn进行车辆分类，得到各车辆图像P1、P2、P3......Pn依序对应的分类结果：R1、R2、R3......Rn，其中，n为大于等于1的正整数，用于指示实际场景中获取的车辆图像的数量。

步骤S13，基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型。其中，所述优化分类模型可以对新增车辆类型对应的车辆图像和已知车辆类型对应的车辆图像进行车辆类型的识别和预测，实现了对已有分类模型的迭代优化，不仅节约了大量时间成本和人力成本，还提高了优化后得到的优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，进一步提高用户对车辆分类产品的满意度。

需要说明的是，所述新增车辆类型需要通过用户进行分类，将用户分类后的车辆图像与其对应的新增车辆类型对应存储起来，以便后续用于对已有分类模型进行优化时的训练和测试，在此，新增车辆类型也可以采用对应类型序号的形式进行体现，即可以将分类后的车辆图像与其对应的新增车辆类型的类型序号(即标签)对应存储起来用于后续模型优化时的模型训练和测试。使得用户在审查已有分类模型进行预测的分类结果不好的数据(比如，车辆图像及其对应的车辆类型)时直接对数据进行标注，不仅节省了重新进行数据标注的人力成本，还提高了用户自己控制数据的标注的准确度，以便后续进行模型优化时的训练集也更干净。

上述步骤S11至步骤S13，通过新增车辆类型及其对应的车辆图像和已知车辆类型及其对应的车辆图像对已知车辆分类模型进行模型训练和测试，得到优化分类模型。实现了基于在实际场景中获取的各车辆图像的分类结果来对已有分类模型进行模型迭代优化，得到用于对车辆进行分类的优化分类模型，不仅节约了人为优化分类模型的时间成本和人力成本，还进一步提高了该优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应在实际场景中的用户的使用，从而提高用户的体验度和满意度。

例如，获取车辆进行分类的已有分类模型M1，所述已有分类模型M1包括五个已知车辆类型，分别是普通小汽车、警车、救护车、公交车、货车，依序对应的序号分别为0、1、2、3、4。基于所述已有分类模型M1对实际场景中的各车辆图像P1、P2、P3......Pn进行车辆分类，得到各车辆图像P1、P2、P3......Pn对应的分类结果R1、R2、R3......Rn。基于所述分类结果R1、R2、R3......Rn和所述已有分类模型M1重新进行模型的训练和测试，得到对车辆进行分类的优化分类模型M(优)。在此，所述分类结果R1、R2、R3......Rn不仅包括已知车辆类型及其车辆图像，还包括先通过已有分类模型M1进行分类预测后再通过人工检验改判并存储的新增车辆类型及其车辆图片。在本申请一优选实施例中，若所述优化分类模型M(优)包括两个新增车辆类型和五个已知车辆类型，其中，所述两个新增车辆类型分别是摩托车和三轮汽车，对应的序号依序分别为：5和6，以便后续在实际场景中，通过该优化分类模型M(优)不仅可以对普通小汽车、警车、救护车、公交车及货车分别对应的车辆图像进行对应车辆类型的识别和预测，还可以对摩托车和三轮汽车分别对应的车辆图像进行对应车辆类型的识别和预测，从而实现了对已有分类模型的迭代优化，不仅节约了大量模型优化训练和测试的时间和人力成本，还提高了优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对本申请的车辆分类产品的满意度。

接着本申请的上述实施例，所述步骤S12基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型，包括：

基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到所述至少两种已知车辆类型中的各所述已知车辆类型分别作为所述车辆图像的类型的分类评估值；在此，所述分类评估值表示每种已知车辆类型作为实际场景中获取的车辆图像对应的车辆的类型的可能性，该可能性既可以通过打分制来体现，也可以通过比例等概率值来体现，在本申请一优选实施例中，通过打分制的形式来体现每种已知车辆类型可以作为实际场景中获取的车辆图像对应的车辆的类型的可能性。

判断至少两个所述分类评估值中的最高分类评估值是否大于预设分类评估阈值，

若是，则将所述最高分类评估值对应的已知车辆类型确定为所述车辆图像的类型，以得到所述车辆图像的分类结果；

若否，则采用人工对所述车辆图像重新进行车辆分类，得到所述车辆图像的分类结果。

例如，如图2所示，在对实际场景中的车辆图像进行车辆类型分类的过程中，若所述车辆图像为车辆图像A，基于所述已有分类模型M1对实际场景中获取的待识别的车辆图像A进行车辆类型的分类，得到车辆类型的序号为0～4的已知车辆类型中的各已知车辆类型分别作为所述车辆图像A对应的车辆的类型的分类评估值score0、score1、score2、socre3及score4}依序分别为：60、70、80、93及50}，其中，分类评估值score1用于指示已知车辆类型：警车作为该车辆图像A对应的车辆的类型的可能性，分类评估值score4用于指示已知车辆类型：货车作为该车辆图像A对应的车辆的类型的可能性。判断这五个分类评估值：score0、score1、score2、socre3及score4依序分别对应为：60、70、80、93及50中的最高分类评估值socre3＝93是否大于预设分类评估阈值T＝90(本申请一优选实施例中，将所述预设分类评估阈值T优选为90，当然其他的任何数值均可以包含在本申请的保护范围内)，即socre3＞T，则将所述最高分类评估值socre3对应的已知车辆类型：公交车确定为所述车辆图像A的对应的车辆的类型，以得到所述车辆图像A的分类结果，即所述车辆图像A对应的车辆属于公交车，该分类结果为所述车辆图像A及其对应的车辆类型为：公交车。又例如，在本申请又一优选实施例中，若所述预设分类评估阈值T优选为95，在判断这五个分类评估值：score0、score1、score2、socre3及score4依序分别对应为：60、70、80、93及50中的最高分类评估值socre3＝93是否大于预设分类评估阈值T＝95时，最高分类评估值socre3＝93小于所述预设分类评估阈值T＝95，即socre3＜T，则采用人工对所述车辆图像A重新进行车辆分类，得到所述车辆图像A的分类结果，若采用人工对所述车辆图像A进行车辆分类的结果为：摩托车，则得到的所述车辆图像A的分类结果为：车辆图像A及其对应的车辆类型：摩托车。

接着本申请的上述实施例，所述步骤S13基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型，具体包括：

步骤S131(未示出)，按照预设数量比例将所述分类结果随机划分为训练集和测试集。在此，所述预设数量比例可以是任意的比例，在本申请一优选实施例中将所述预设数量比例优先为10：1，即将分类结果随机划分为11份，其中10份组成训练集，剩余的1份组成测试集，当然，每个所述分类结果中的车辆图像与对应的车辆类型的序号依然不变。

步骤S132(未示出)，基于所述训练集重新进行模型训练，得到对车辆进行分类的新分类模型，所述新分类模型包括所述至少一种新增车辆类型和所述至少两种已知车辆类型。使得通过模型训练得到了包含新增车辆类型和已知车辆类型的分别对应的车辆图像的分类识别的新分类模型，实现了对已有分类模型的优化，节约大量时间和成本，同时完成了对新增车辆类型对应的车辆图像对应的车辆的车辆类型的分类识别。

步骤S133(未示出)，基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型。进一步完成了对新分类模型的测试从而得到更加优化的车辆分类模型，即优化分类模型，实现了对已有分类模型的迭代优化，节约大量时间和成本，同时提高了分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对产品的满意度。

例如，当序号为0～6对应的分类结果存储至一定数据量后，将所有的分类结果按照10：1的比例进行随机划分，分为训练集U1和测试集U2后，取已有分类模型M1作为基础训练模型，然后对所述已有分类模型M1对应的网络结构稍作修改；接着基于所述训练集U1对已有分类模型M1进行训练得到训练后的已有分类模型M2；然后根据测试集U2对训练后的已有分类模型M2进行模型fine-turning，最后找出训练的最佳的优化分类模型M(优)，实现了对分类模型的迭代优化，节约大量时间和成本，同时提高了分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对产品的满意度。

接着本申请的上述实施例，所述步骤S133基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型，包括：

步骤S1331，分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率。在此，所述方法综合已有分类模型和所述新分类模型两个模型的预测结果得到已有分类模型的第一准确率和所述新分类模型的第二准确率，以便接下来对预测结果进行判断，得到最准确的预测结果，从而得到高精确度的优化分类模型。

步骤S1332，判断所述第一准确率是否大于所述第二准确率；若是，则将所述已有分类模型和所述新分类模型进行算术平均后得到的模型确定为所述优化分类模型中用于对所述至少两种已知车辆类型进行车辆分类的模型，同时将所述新分类模型确定为所述优化分类模型中用于对所述至少一种新增车辆类型进行车辆分类的模型，以得到所述优化分类模型；

若否，则将所述新分类模型确定为所述优化分类模型。在此，实现了对分类模型的优化，同时提高了分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对产品的满意度。

需要说明的是，所述已有分类模型M1可以很好的识别并分类出序号为0～4分别对应的车辆类型，但是序号为5～6的新增车辆类型没有参与已有分类模型M1的训练，所以已有分类模型M1无法对序号为5～6的车辆类型进行分类。新分类模型M2的训练集中含有序号为0～6的车辆类型数据，所以新分类模型M2对序号为0～6的车辆类型的分类结果整体要好于已有分类模型M1，但是新分类模型M2对序号为0～4的车辆类型的分类结果却未必好于已有分类模型M1。结合已有分类模型M1和新分类模型M2的结果，从而使得模型对序号为0～6分别对应的车辆类型的分类结果更好是十分重要的。

例如，如图3所示，取测试集中车辆类型序号为0～4的车辆图像，分别基于已有分类模型M1和新分类模型M2对所述测试集U2中的各分类结果中的车辆图像进行预测，并统计得到已有分类模型的第一准确率accuracy1和新分类模型的第二准确率accuracy2。然后，判断第一准确率accuracy1是否大于第二准确率accuracy2。

若是，即accuracy1大于accuracy2，说明已有分类模型M1对车辆类型序号为0～4的分类结果要好于新分类模型M2，但是新分类模型M2对序号为5～6的分类结果却高于已有分类模型M1，综合两个模型的结果对结果进行判断。将所述已有分类模型M1和所述新分类模型M2进行算术平均后得到的模型确定为所述优化分类模型M(优)中用于对所述至少两种已知车辆类型进行车辆分类的模型，同时将所述新分类模型M2确定为所述优化分类模型M(优)中用于对所述至少一种新增车辆类型进行车辆分类的模型，以得到所述优化分类模型M(优)，即，当车辆类型序号为0～4时，所述优化分类模型M(优)为：(M1+M2)/2，当车辆类型序号为5～6时，所述优化分类模型M(优)为：M2。即当输入同一张车辆图像B分别用两个模型：已有分类模型M1和新分类模型M2进行判断时，用已有分类模型M1进行判断时得到的是一个含有5个元素的一维数组{(score01，0)、(score11，1)、(score21，2)、(score31，3)、(score41，4)}，所述5个元素依次对应序号为0～4的车辆类型的分类评估值，用新分类模型M2进行判断时得到的是一个含有7个元素的一维数组{(score02，0)、(score12，1)、(score22，2)、(score32，3)、(score42，4)、(score52，5)、(score62，6)}，所述7个元素依次对应序号为0～6的车辆类型的分类评估值，两个数组的前5个元素含义相同，分别代表0～4的车辆类型的分类评估值。对两个数组的前5个分类评估值对应相加并除以2作为新数组的前5个分类评估值，把新分类模型M2得到的数组的后面两个值作为新数组的后面分类评估值，则得到一个新的含有7个元素的一维数组{((score01+score02)/2，0)、((score11+score12)/2，1)、((score21+score22)/2，2)、((score31+score32)/2，3)、((score41+score42)/2，4)、(score52，5)、(score62，6)}，从而得到最优的分类预测结果。若否，则将新分类模型M2确定为所述优化分类模型M(优)。实现了对分类模型的优化，同时提高了分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对产品的满意度。

接着本申请的上述实施例，所述步骤S1331分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率，包括：

分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，得到所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型，以便于下一步得到已有分类模型和新分类模型的准确率，从而实现对分类模型的优化，提高分类模型预测结果的准确率。

根据所述测试集中的各分类结果和所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型，得到所述已有分类模型的第一准确率，并根据所述测试集中的各分类结果和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型，得到所述新分类模型的第二准确率。在此，有利于对分类模型的进一步优化。

例如，测试集U2里面有10个分类结果，分别为R101、R102、……、R110，分别用所述已有分类模型M1和所述新分类模型M2分别对这10个分类结果中的车辆图像进行车辆类型的预测；已有分类模型M1的第一预测的结果：M101、M102、…..、M110，所述第一预测的结果包括车辆图像对应的第一预测车辆类型；新分类模型M2的第二预测的结果：M201、M202、…、M210，所述第二预测的结果包括车辆图像对应的第二预测车辆类型；分别将上述结果与真实的分类结果R101、R102、……、R110中的预测车辆类型进行比对，得出已有分类模型M1对应预测的第一准确率accuracy1，新分类模型M2对应预测的第二准确率accuracy2以便接下来对分类模型进行测试从而得到精确度更高的优化分类模型M(优)。

接着本申请的上述实施例，一种车辆分类模型的优化方法还包括：

获取实际场景中的目标车辆图像；

将所述目标车辆图像输入所述优化分类模型，对所述目标车辆图像对应的车辆进行分类，得到所述至少一种新增车辆类型和所述至少两种已知车辆类型中的各种车辆类型分别作为所述目标车辆图像对应的车辆的类型的目标评估值；在此，所述目标评估值表示每种车辆类型作为目标图像车辆的类型的可能性，本申请中可以体现为分数，也可以体现为比例等概率。

根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型。

例如，获取实际场景中的目标车辆图像P1、P2、P3......Pn。将所述目标车辆图像P1、P2、P3......Pn输入所述优化分类模型M(优)，对所述目标车辆图像P1、P2、P3......Pn对应的车辆进行分类，得到序号为5、6的两个新增车辆类型和序号为0～4的已知车辆类型中的各种车辆类型分别作为目标车辆图像对应的车辆的类型的目标评估值P1{score0’，score1’，score2’，socre3’，score4’，score5’，score6’}、P2{score0’，score1’，score2’，socre3’，score4’，score5’，score6’}、P3{score0’，score1’，score2’，socre3’，score4’，score5’，score6’}......Pn{score0’，score1’，score2’，socre3’，score4’，score5’，score6’}。若目标车辆图像P1对应的车辆的类型的最高的目标评估值是score1’、目标车辆图像P2对应的车辆的类型的最高的目标评估值是score4’、目标车辆图像P3对应的车辆的类型的最高的目标评估值是score5’......目标车辆图像Pn对应的车辆的类型的最高的目标评估值是score1’。根据最高的目标评估值确定所述目标车辆图像对应的车辆的类型，提高了分类模型的预测车辆类型的准确率。

进一步地，根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型，包括：

判断所述最高的目标评估值是否大于预设分类评估阈值，

若是，则将所述最高的目标评估值对应的车辆类型确定为所述目标车辆图像对应的车辆的类型；

如否，则采用人工对所述目标车辆图像重新进行车辆分类，得到所述目标车辆图像的对应的车辆的类型。在此，对目标车辆图像及其对应的车辆的类型进行存储。用户自己对目标车辆图像重新进行车辆分类节省了大量的人力和时间，并且可以得到更为干净的数据以便后续对分类模型不断进行优化。当人工分类的数据积累到一定量之后，还会将所有数据放在一起随机打乱(图像与对应的序号不变)，并按照一定比例分为训练集和测试集。取优化分类模型M(优)作为基础模型，然后对其对应的网络结构稍作修改，用准备的训练集和测试集进行模型fine-turning，最终的到更为优化的分类模型，实现了对分类模型的迭代优化，节约大量时间和成本，同时提高了分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应了用户的使用，提高用户对产品的满意度。

例如，目标车辆图像P1对应的车辆的类型的最高的目标评估值是score1’＝87、目标车辆图像P2对应的车辆的类型的最高的目标评估值是score4’＝95、目标车辆图像P3对应的车辆的类型的最高的目标评估值是score5’＝93......目标车辆图像Pn对应的车辆的类型的最高的目标评估值是score1’＝50。然后，判断上述各最高的目标评估值是否大于预设分类评估阈值Q＝90。P1(score1’＝87)＜Q＝90，则采用人工对目标车辆图像P1重新进行车辆分类，得到目标车辆图像P1对应的车辆的类型；P2(score4’＝95)＞Q＝90，则将最高的目标评估值score4’＝95对应的车辆类型确定为所述目标车辆图像对应的车辆的类型；P3(score5’＝93)＞Q＝90，则将最高的目标评估值score5’对应的车辆类型确定为目标车辆图像P3对应的车辆的类型；......Pn(score1’＝50)＜Q＝90，则采用人工对目标车辆图像Pn重新进行车辆分类，得到目标车辆图像Pn对应的车辆的类型，按照上述方法依次判断比较得到目标车辆图像P1、P2、P3......Pn对应的车辆的类型；然后，对目标车辆图像及其对应的车辆的类型进行存储，节省了大量的人力和时间，并且可以得到更为干净的数据以便后续对分类模型不断进行优化，提高了分类模型对车辆图像进行车辆类型预测的准确性。

接着本申请的上述实施例，一种车辆分类模型的优化方法还包括：

对所述目标车辆图像及其对应的车辆的类型进行存储,以便后续对分类模型不断进行优化，提高分类模型对车辆图像进行车辆类型预测的准确性。

例如，将采用人工对目标车辆图像P1、.......Pn重新进行车辆分类得到的目标车辆图像P1、.......Pn及其对应的车辆的类型X、Y......Z进行存储以便后续对分类模型不断进行训练优化，提高分类模型对车辆图像进行车辆类型预测的准确性。

根据本申请的另一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述控制用户对垒方法。

根据本申请的另一个方面，还提供了车辆分类模型的优化设备，其特征在于，该设备包括：

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述在设备上控制用户对垒方法。

在此，所述设备的各实施例的详细内容，具体可参见上述设备端的控制用户对垒方法实施例的对应部分，在此，不再赘述。

综上所述，本申请通过新增车辆类型及其对应的车辆图像和已知车辆类型及其对应的车辆图像对已知车辆分类模型进行模型训练和测试，得到优化分类模型。实现了基于在实际场景中获取的各车辆图像的分类结果来对已有分类模型进行模型迭代优化，得到用于对车辆进行分类的优化分类模型，不仅节约了人为优化分类模型的时间成本和人力成本，还进一步提高了该优化分类模型对车辆图像进行车辆类型预测的准确性，从而更好的适应在实际场景中的用户的使用，从而提高用户的体验度和满意度。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种车辆分类模型的优化方法，其特征在于，所述方法包括：

获取对车辆进行分类的已有分类模型，所述已有分类模型包括至少两种已知车辆类型；

基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型；

基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型。

2.根据权利要求1所述的方法，其中，所述基于所述分类结果和所述已有分类模型重新进行模型训练和测试，得到对车辆进行分类的优化分类模型，所述优化分类模型包括至少一种新增车辆类型和所述至少两种已知车辆类型，包括：

按照预设数量比例将所述分类结果随机划分为训练集和测试集；

基于所述训练集重新进行模型训练，得到对车辆进行分类的新分类模型，所述新分类模型包括所述至少一种新增车辆类型和所述至少两种已知车辆类型；

基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型。

3.根据权利要求2所述的方法，其中，所述基于所述测试集和所述已有分类模型对所述新分类模型进行模型测试，得到对车辆进行分类的优化分类模型，包括：

分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率；

判断所述第一准确率是否大于所述第二准确率；若是，则将所述已有分类模型和所述新分类模型进行算术平均后得到的模型确定为所述优化分类模型中用于对所述至少两种已知车辆类型进行车辆分类的模型，同时将所述新分类模型确定为所述优化分类模型中用于对所述至少一种新增车辆类型进行车辆分类的模型，以得到所述优化分类模型；

若否，则将所述新分类模型确定为所述优化分类模型。

4.根据权利要求3所述的方法，其中，所述分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，并统计得到所述已有分类模型的第一准确率和所述新分类模型的第二准确率，包括：

分别基于所述已有分类模型和所述新分类模型对所述测试集中的各分类结果中的车辆图像进行预测，得到所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型；

根据所述测试集中的各分类结果和所述已有分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第一预测车辆类型，得到所述已有分类模型的第一准确率，并根据所述测试集中的各分类结果和所述新分类模型预测的所述测试集中的各分类结果中的车辆图像对应的第二预测车辆类型，得到所述新分类模型的第二准确率。

5.根据权利要求1至4中任一项所述的方法，其中，所述基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到对应的分类结果，所述分类结果包括所述车辆图像及其对应的车辆类型，包括：

基于所述已有分类模型对实际场景中的各车辆图像进行车辆分类，得到所述至少两种已知车辆类型中的各所述已知车辆类型分别作为所述车辆图像的类型的分类评估值；

判断至少两个所述分类评估值中的最高分类评估值是否大于预设分类评估阈值，

若是，则将所述最高分类评估值对应的已知车辆类型确定为所述车辆图像的类型，以得到所述车辆图像的分类结果；

若否，则采用人工对所述车辆图像重新进行车辆分类，得到所述车辆图像的分类结果。

6.根据权利要求1至5中任一项所述的方法，其中，所述方法还包括：

获取实际场景中的目标车辆图像；

将所述目标车辆图像输入所述优化分类模型，对所述目标车辆图像对应的车辆进行分类，得到所述至少一种新增车辆类型和所述至少两种已知车辆类型中的各种车辆类型分别作为所述目标车辆图像对应的车辆的类型的目标评估值；

根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型。

7.根据权利要求6所述的方法，其中，所述根据最高的所述目标评估值确定所述目标车辆图像对应的车辆的类型，包括：

判断所述最高的目标评估值是否大于预设分类评估阈值，

若是，则将所述最高的目标评估值对应的车辆类型确定为所述目标车辆图像对应的车辆的类型；

如否，则采用人工对所述目标车辆图像重新进行车辆分类，得到所述目标车辆图像的对应的车辆的类型。

8.根据权利要求7所述的方法，其中，所述方法还包括：

对所述目标车辆图像及其对应的车辆的类型进行存储。

9.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至8中任一项所述的方法。

10.一种车辆分类模型的优化设备，其特征在于，该设备包括：

一个或多个处理器；

计算机可读介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的方法。

Images