[发明专利]车辆识别模型构建方法及装置、识别方法及装置

权利要求书

1.一种车辆识别模型构建方法，其特征在于，所述方法包括：

获取多个训练样本，包括正训练样本和负训练样本；各训练样本包括第一图像和第二图像；其中，各正训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆合格情况下拍摄的外观照片，标签为车辆合格；各负训练样本：第一图像为车辆对应已公布或历史外观照片，第二图像为第一图像中车辆不合格情况下拍摄的外观照片或者其他车辆拍摄的外观照片，标签为车辆不合格；

建立卷积神经网络模型，通过该模型提取第一图像和第二图像的多维度特征；

建立人工预设特征提取模型，通过该模型提取输入的第一图像和第二图像的人工预设特征；

建立人工预设特征关键参数计算模型，由该模型根据第一图像和第二图像的多维度特征计算人工预设特征关键参数；

建立第一全连接神经网络模型和第二全连接神经网络模型；

将卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作后、人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作后，作为第一全连接神经网络模型的输入，将卷积神经网络模型的输出作为人工预设特征关键参数计算模型的输入，将人工预设特征关键参数计算模型和第一全连接神经网络模型的输出作为第二全连接神经网络模型的输入，构建得到车辆识别模型；

将各训练样本中第一图像和第二图像作为车辆识别模型的输入，对车辆识别模型进行训练，得到训练后的车辆识别模型。

2.根据权利要求1所述的车辆识别模型构建方法，其特征在于，人工预设特征提取模型提取出的第一图像和第二图像的人工预设特征包括车辆外观颜色特征、车辆车牌号码特征、车辆车标品牌特征、车辆车牌类别特征和车辆附加物特征；

所述人工预设特征关键参数计算模型计算出的人工预设特征关键参数包括第一图像和第二图像的余弦相似度、欧式距离、算术平均数和平均方差。

3.根据权利要求1所述的车辆识别模型构建方法，其特征在于，还包括：

建立向量变换操作模型，通过该模型针对卷积神经网络的输出进行向量变换操作；

所述卷积神经网络模型输出的第一图像和第二图像的多维度特征，通过建立向量变换操作模型进行向量变换操作后进行比对操作，然后将比对操作后的结果作为第一全连接神经网络模型的输入。

4.根据权利要求1所述的车辆识别模型构建方法，其特征在于，卷积神经网络模型输出的第一图像和第二图像的多维度特征进行比对操作，具体指的是：将第一图像的多维度特征和第二图像的多维度特征进行求差操作；

人工预设特征提取模型输出的第一图像和第二图像的各人工预设特征进行比对操作，具体指的是：将第一图像的各人工预设特征分别对应与第二图像的各人工预设特征进行与操作。

5.根据权利要求1所述的车辆识别模型构建方法，其特征在于，所述人工预设特征提取模型由深度学习神经网络经过车辆图像训练样本训练得到，所述车辆图像训练样本为已知人工预设特征标签的车辆图像；

所述人工预设特征提取模型的建立过程如下：

建立第一卷积神经网络，通过第一卷积神经网络对输入车辆图像中的车身轮廓进行定位和提取；

建立第二卷积神经网络，通过第二卷积神经网络从车身轮廓图像区域定位和提取出车辆部件轮廓；

建立第三卷积神经网络，所述第三卷积神经网络包括一个或多个卷积神经网络，第三卷积神经网络中各卷积神经网络分别用于提取各种人工预设特征；

将第一卷积神经网络的输出作为第二卷积神经网络的输入，将第二卷积神经网络的输出作为第三卷积神经网络中各卷积神经网络的输入，构建得到人工预设特征提取模型，其中第三卷积神经网络中各卷积神经网络的输出即为人工预设特征提取模型的输出；

将各车辆图像训练样本作为输入，针对人工预设特征提取模型进行训练，得到训练后的人工预设特征提取模型。