[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

说明书

本申请属于计算机视觉技术领域，尤其涉及一种基于深度学习的车辆多属性识别方法、装置和设备。本申请公开了一种基于深度学习的车辆多属性识别方法、装置和设备，其中方法包括：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。解决了现有车辆多属性识别时耗时久的技术问题。

技术领域

本申请属于计算机视觉技术领域，尤其涉及一种基于深度学习的车辆多属性识别方法、装置和设备。

背景技术

随着人工智能和计算机视觉技术的发展，车辆识别技术已经广泛运用于许多图像侦查和公安系统中，如卡口系统、电子警察系统、智能交通和自动驾驶等领域中。

车辆的属性识别作为车辆识别中的基础技术。现有技术中对于车辆属性识别大都采用神经网络模型，对于单任务的车辆属性识别，可以取得较好的识别效果，但是对于多任务的车辆属性识别，传统的神经网络结构模型耗时久。

因此，提供一种快速地车辆的多属性识别方法成为本领域技术人员亟待解决的技术问题。

发明内容

本申请提供了一种基于深度学习的车辆多属性识别方法、装置和设备，用于车辆多属性的识别，解决了现有车辆多属性识别时耗时久的技术问题。

有鉴于此，本申请第一方面提供了一种基于深度学习的车辆多属性识别方法，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。

优选地，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。

优选地，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。

优选地，所述获取多张样本车辆图片之后还包括：