[发明专利]一种车辆识别方法及装置

权利要求书

1.一种车辆识别方法，其特征在于，包括如下步骤：

获取待识别车辆图像；

利用预先训练得到的第一深度学习网络识别所述待识别车辆图像；所述第一深度学习网络的网络结构包括卷积层、池化层和全连接层，所述卷积层的后面连接所述池化层，所述池化层后面连接所述全连接层，最后的全连接层上的每个输出节点为所述车辆图像的车辆属性概率；

根据所述车辆属性概率确定所述待识别车辆图像的车辆属性信息；

所述第一深度学习网络的训练步骤具体包括：

获取带有标记的车辆图像样本；所述标记包括车辆的车身信息和车辆的属性信息；

利用预先设置有初始参数的第一深度学习网络对所述车辆图像样本进行分类；

根据所述第一深度学习网络输出结果与所述车辆的属性信息之间的差异逐层反传至所述第一深度学习网络，训练所述第一深度学习网络的参数；

所述标记进一步包括车辆的局部部位信息，在获取带有标记的车辆图像之后、在利用预先设置有初始参数的第一深度学习网络对所述车辆图像进行分类之前，进一步包括：利用预先建立的第二深度学习网络对所述车辆的局部部位提取特征；

所述利用预先设置有初始参数的第一深度学习网络对所述车辆图像进行分类具体为：在输出所述车辆属性概率的前一个全连接层将所述车身信息和所述局部部位特征进行融合，将融合后的信息作为最后一个全连接层的输入，输出车辆属性概率。

2.如权利要求1所述的方法，其特征在于，所述利用预先设置有初始参数的第一深度学习网络对所述车辆图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述车辆图像样本进行卷积计算；经过池化层的池化操作以及全连接层的全连接操作，得到所述车辆图像样本的车辆属性概率；所述根据所述第一深度学习网络输出结果与所述车辆的属性信息之间的差异逐层反传至所述第一深度学习网络，训练所述第一深度学习网络的参数，具体为：当所述车辆属性概率与所述车辆的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的车辆属性概率与所述车辆的属性信息相符。

3.如权利要求1所述的方法，其特征在于，所述第一深度学习网络的网络结构具体包括5个卷积层、5个池化层和3个全连接层，每个卷积层后面连接所述池化层，所述池化层后面连接下一个卷积层，在最后一个池化层后面顺次连接3个全连接层，最后一个全连接层的输出个数为车辆属性分类的数目。

4.如权利要求1所述的方法，其特征在于，所述利用预先训练得到的第一深度学习网络识别所述待识别车辆图像具体为：

在卷积层，将所述待识别车辆图像与预先训练得到的卷积核进行卷积计算，输出一个或多个特征图像；

在池化层，对所述卷积层的输出进行池化操作；

在全连接层，对所述池化层的最终输出进行全连接操作，所述最后的全连接层的节点个数与车辆属性分类的数目相同；

对所述最后的全连接层的输出进行分类，得到车辆属性概率。

5.如权利要求1所述的方法，其特征在于，在获取待识别车辆图像之后、在所述利用预先训练得到的第一深度学习网络识别所述待识别车辆图像之前，进一步包括：

对所述待识别车辆图像进行预处理；

所述预处理至少包括以下一种操作：旋转、直方图均衡、白平衡、镜像操作、随机剪切、中心化、均值化、调整大小resize。