[发明专利]一种车辆识别方法及装置

说明书

本申请提供了一种车辆识别方法及装置，包括：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。由于本申请所提供的方案利用的是深度学习网络识别车辆，深度学习网络足以刻画和区分物体，相比现有的人工定义特征进行分类的方式准确性更高，使得误报率和漏报率同时降低。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种车辆识别方法及装置。

背景技术

目前，在识别图片中的具体内容时，通常是包括如下步骤：

第一步，在图片中检测感兴趣物体的位置，比如：若要进行车辆的识别则需要先使用一个检测器将这辆车从图片中找出来，检测器的输出结果为该车在图片上的坐标；

第二步，将该车按照坐标位置从原图中剪切下来，将剪切后的图片放到分类器中，分类器的输出结果为这辆车的识别结果。

在第二步中，通常是将输入的原始图片像素值转化为人工定义的特征(human-engineered features)，比如：尺度不变特征变换(SIFT，Scale-invariant featuretransform)、方向梯度直方图(HOG，Histogram of Oriented Gradient)特征等，然后将这些变换得到的特征放入分类器中进行分类，最终得到物体的识别结果。采用这种方式进行识别，由于分类算法是基于人工定义的特征进行分类，使用的模型通常只包含一个提取特征的隐含层，特征往往不足以刻画和区分物体，导致识别的准确率较低。

现有技术不足在于：

采用现有的方式识别物体准确率较低。

发明内容

本申请实施例提出了一种车辆识别方法及装置，以解决现有技术中的物体识别方法识别物体的准确率较低的技术问题。

本申请实施例提供了一种车辆识别方法，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。

本申请实施例提供了一种车辆识别装置，包括：

获取模块，用于获取待识别车辆图像；

训练模块，用于训练第一深度学习网络；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；

识别模块，用于利用预先训练得到的所述第一深度学习网络识别所述待识别车辆图像；

确定模块，用于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。

有益效果如下：

本申请实施例所提供的车辆识别方法及装置，在获取到待识别车辆图像之后，无需用户手动定义特征再进行分类，直接利用预先训练得到的第一深度学习网络即可识别所述待识别车辆图像，依次经过卷积层、池化层和全连接层后得到车辆属性概率，从而确定车辆属性信息。由于本申请实施例所提供的方案利用的是深度学习网络识别车辆，深度学习网络足以刻画和区分物体，相比现有的人工定义特征进行分类的方式准确性更高，使得误报率和漏报率同时降低。