[发明专利]车辆多属性识别方法及系统

说明书

本发明实施例提供一种车辆多属性识别方法及系统，该方法包括：创建多个单属性识别模型，每个所述单属性识别模型用于对车辆的一种属性进行识别；采用所述单属性识别模型对收集的样本车辆图像进行预标注，并基于预标注的所述样本车辆图像进行模型训练，获取训练好的多属性识别模型；采用所述多属性识别模型对待识别车辆图像进行识别，获取所述多属性识别模型输出的识别结果，所述识别结果包括多个车辆属性。本发明实施例使用开源数据进行单任务模型训练，完成真实场景采集数据的预标注功能，降低人工标注数据负担；使用统一框架完成车辆多种属性识别，简化属性识别结构，降低计算开销，提升车辆信息识别效率。

技术领域

本发明涉及图像识别领域，更具体地，涉及一种车辆多属性识别方法及系统。

背景技术

随着机器学习，深度学习的广泛应用，人工智能技术在生产生活中扮演着越来越重要的角色，其涉及的图像识别、图像处理、语音识别及自然语言处理技术等不断涌现新的科研技术成果，如今仍具有重要的分析与研究价值。

一般，利用拍摄的监控图像可以辅助交管部门对道路车辆进行管理，早期道路车辆密度小，更多使用车牌信息对道路车辆进行标识。虽然车牌识别是最简单确认车辆身份的方法，但随着车辆数据增长，车型及场景复杂度增大，单独依靠车牌很难对车辆进行识别，因此需要更多维度的车辆信息，例如车辆的车型、品牌型号和颜色等，实现机动车辆的多维度数据分析、多特征查询、分类检索和交叉比对等重要功能。目前，很多车辆多属性识别方法使用经典网络对车辆图像进行分类学习，其中：

基于卷积网络设计，主要进行图像特征提取。对于计算机来说，图像仅作为数字化RGB图像，并不能从中得到预测信息。因此，基于图像的RGB信息进行建模十分重要，目的是从复杂信息中取关键信息用于后续预测任务。卷积网络使用卷积核对图像进行处理，提取图像抽象信息，用于后续特征学习与分类。基于卷积网络进行特征学习虽然能够提取优质的图像信息，但其提取了整张图像的特征，包括环境背景及其他目标等非属性相关信息，这些特征信息反而会降低后续属性识别的精度。

基于特定功能目标设计，用于单任务单输出模式。单任务输出模式可以在特征提取过程中，充分提取目标特征信息，实现准确的特征分类。但是，如果对于同一目标不同属性识别任务，其提取特征均为同一目标特征信息，使用三组网络提取三次特征浪费了系统计算资源。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的车辆多属性识别方法及系统。

根据本发明实施例的第一方面，提供一种车辆多属性识别方法，该方法包括：创建多个单属性识别模型，每个所述单属性识别模型用于对车辆的一种属性进行识别；采用所述单属性识别模型对收集的样本车辆图像进行预标注，并基于预标注的所述样本车辆图像进行模型训练，获取训练好的多属性识别模型；采用所述多属性识别模型对待识别车辆图像进行识别，获取所述多属性识别模型输出的识别结果，所述识别结果包括多个车辆属性。

根据本发明实施例第二方面，提供了一种车辆多属性识别系统，该系统包括：创建模块，用于创建多个单属性识别模型，每个所述单属性识别模型用于对车辆的一种属性进行识别；标注模块，用于采用所述单属性识别模型对收集的样本车辆图像进行预标注，并基于预标注的所述样本车辆图像进行模型训练，获取训练好的多属性识别模型；识别模块，用于采用所述多属性识别模型对待识别车辆图像进行识别，获取所述多属性识别模型输出的识别结果，所述识别结果包括多个车辆属性。

根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的车辆多属性识别方法。

根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的车辆多属性识别方法。