[发明专利]一种车辆品牌识别方法、装置、设备及存储介质

说明书

本发明公开了一种车辆品牌识别方法、装置、设备及存储介质，通过根据后拍车窗脸图像样本，基于第一损失函数和第二损失函数，对循环注意力卷积神经网络进行二次训练，获得车辆品牌识别模型；循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层；车辆品牌识别模型中的各个分类子网络以第二损失函数为损失函数；对接收到的车辆初始图像进行预处理，获得后拍车辆图像；对后拍车辆图像进行车窗脸检测，获得后拍车辆图像中的车窗脸区域图像；根据车窗脸区域图像，通过车辆品牌识别模型，获得车窗脸区域图像的车辆品牌识别结果；本发明能有效克服车标样本数据分布不均衡以及车辆角度复杂多变的问题，提高车标识别的准确率。

技术领域

本发明属于图像处理技术领域，尤其涉及一种车辆品牌识别方法、装置、设备及存储介质。

背景技术

车辆识别系统是智能交通系统的重要组成部分，而对车辆品牌款式进行识别能够有效地辅助进行车辆检索和比对，进而有助于对车辆违法违章行为进行检测。因此，在交通监控场景下对车辆品牌款式识别方法的研究具有广泛的应用价值。

而车辆品牌识别又称车辆制造商识别,主要通过定位车标，并车标的类型来进行判断，从而识别出车辆品牌。但是由于车标识别方法对车标定位有较高依赖,定位好坏直接影响最后的识别结果，为避免这一问题，目前常用的方法是使用多示例学习方法为每种品牌车辆找到最具有区分性的特征，可以是车灯、车标、车辆边缘部位特征或其组合,从而进行车辆品牌识别。

但是，对于非限定角度的监控场景，例如虚拟卡口监控系统，存在以下问题：1、在实际复杂场景下，车辆角度复杂多变，导致采集良好的车辆数据难。2、车辆的严重遮挡问题以及复杂场景下光照情况差异较大、图像分辨差异较大、部分车辆分辨率极低的问题。3、车辆数据分布严重不均衡的问题。基于上述问题，导致对于非限定角度的监控场景应用现有的车牌识别方法进行车牌识别时，识别的准确率较低。

发明内容

针对上述问题，本发明的目的在于提供一种车辆品牌识别方法、装置、设备及存储介质，其能有效克服车标样本数据分布不均衡以及车辆角度复杂多变的问题，提高车标识别的准确率。

第一方面，本发明实施例提供了一种车辆品牌识别方法，包括：

根据预先采集的后拍车窗脸图像样本，基于第一损失函数，对预先建立的循环注意力卷积神经网络进行第一训练；其中，所述循环注意力卷积神经网络中的各个分类子网络以resnet网络为卷积层、以所述第一损失函数为损失函数；

根据所述后拍车窗脸图像样本，基于第二损失函数，对经过第一训练的循环注意力卷积神经网络进行第二训练，获得车辆品牌识别模型；其中，所述车辆品牌识别模型中的各个分类子网络以所述第二损失函数为损失函数；

对接收到的车辆初始图像进行预处理，获得后拍车辆图像；

对所述后拍车辆图像进行车窗脸检测，获得所述后拍车辆图像中的车窗脸区域图像；

根据所述车窗脸区域图像，通过所述车辆品牌识别模型，获得所述车窗脸区域图像的车辆品牌识别结果。

相对于现有技术，本发明实施例的有益效果在于：

基于第一损失函数，对预先建立的循环注意力卷积神经网络进行训练，然后将第一损失函数替换为第二损失函数，再次对该循环注意力神经网络进行训练，通过使用两个损失函数对循环注意力神经网络进行交替训练，能更好的获取车辆品牌信息，从而避免由于车标样本数据分布不均衡以及车辆角度复杂多变的问题引起的识别错误的情况，提高车标识别的准确率。此外，本发明实施例采用resnet网络代替现有的循环注意力卷积神经网络中的VGG网络，作为各个分类子网络的卷积层，对于后拍车辆图像的车辆品牌识别场景，能进一步提高车辆品牌识别的精度。

作为上述方案的改进，所述第一损失函数为softmax函数。