[发明专利]一种基于深度学习的车辆多属性识别方法、装置和设备

权利要求书

1.一种基于深度学习的车辆多属性识别方法，其特征在于，包括：

获取待检测车辆图片；

将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多张样本车辆图片，每张样本车辆图片中具有多属性识别标签，所述多属性识别标签包括车辆类型、车身颜色和车辆品牌；

根据每张所述样本车辆图片中的所述多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果；

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型。

3.根据权利要求2所述的方法，其特征在于，所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型之前还包括：

以VGGNet为第二训练网络、多张所述样本车辆图片为所述第二训练网络的输入指标、所有所述样本多属性识别结果为所述第二训练网络的输出结果，得到基于VGGNet的多属性识别模型；

所述以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，得到所述预置多属性识别模型具体为：

以所述预置卷积神经网络为第一训练网络、多张所述样本车辆图片为所述第一训练网络的输入指标、所有所述样本多属性识别结果为所述第一训练网络的输出结果，根据所述基于VGGNet的多属性识别模型通过知识蒸馏算法，得到所述预置多属性识别模型。

4.根据权利要求2所述的方法，其特征在于，所述获取多张样本车辆图片之后还包括：

对每张所述样本车辆图片进行图像变化，得到多张图像变化后的样本车辆图片，所述图像变化包括：加噪和/或随机擦除和/或旋转和/或亮度变化和/或仿射变换；

则所述根据每张所述样本车辆图片中的多属性识别标签，确定每张所述样本车辆图片的样本多属性识别结果具体为：

根据每张所述图像变化后的样本车辆图片中的所述多属性识别标签，确定每张所述图像变化后的样本车辆图片的样本多属性识别结果。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络还包括：prob层。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络的所述data层的输入通道的宽和高尺寸大小相等。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述预置卷积神经网络的每个所述conv层的激活函数均为：relu。

8.一种基于深度学习的车辆多属性识别装置，其特征在于，包括：

图片获取模块，用于获取待检测车辆图片；

属性识别模块，用于将所述待检测车辆图片输入至基于预置卷积神经网络的预置多属性识别模型，得到所述待检测车辆图片的多属性识别结果，所述预置多属性识别模型为车辆图片和多属性识别结果的关联关系模型；

所述预置卷积神经网络为：一个data层，五个conv层，两个dropout层，三个pooling层、两个fc层和两个loss层。

9.一种基于深度学习的车辆多属性识别设备，其特征在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1至7中任一项所述的方法。