[发明专利]一种实现分类处理的方法、装置、计算机存储介质及终端

说明书

一种实现分类处理的方法、装置、计算机存储介质及终端，包括：基于预设的分类模型确定待分析车辆的车辆类型；采用对应于待分析车辆的车辆类型的回归模型，确定待分析车辆的车辆型号；其中，车辆类型包括：客车和货车；车辆型号包括：预先设定的用于区分车辆通行费的分类编号。本发明实施例在对车辆类型进行确定后采用回归模型确定车辆型号，实现了车辆的准确识别，为辅助电子不停车收费(ETC)系统获得准确的车辆信息提供了技术支持。

技术领域

本文涉及但不限于实现图像处理技术，尤指一种实现分类处理的方法、装置、计算机存储介质及终端。

背景技术

收费道路是指为偿还借贷或集资资金，对过往车辆征收通行费的道路。对不同的车辆会有不同的收费标准，比如七座以下小轿车、七座以上小轿车、客运班车、大型公交车等客车、低载重货车、高载重货车等货车会有不同的收费标准；一般的：客车越大，收取的通行费越高；货车越大，收取的通行费也越高；针对客车和货车进行的通行费的收取标准不同。电子不停车收费(ETC，Electronic Toll Collection)系统是用在高速公路或桥梁，对通行车辆进行通行费收取的自动化系统，ETC通过设置在车辆上的车载电子标签对车辆进行识别，通过计算机联网技术与银行联网后实现通行费结算，通过ETC可以使车辆无需停车即可完成通行费的缴纳。

ETC虽可以节省通行费的缴纳时间，提升车辆通行效率；但ETC基于安装在车辆上的车载电子标签进行通信费收取，当车辆所有者人为替换车载电子标签时，ETC就会因为车载电子标签产生误判。为克服ETC产生的误判问题，需要借助其它手段来辅助确定车辆信息。目前，相关技术一般基于深度学习的图像分类的技术来二次判断车辆类型，包括基于图像数据的分类模型，分类模型一般由卷积神经网络(CNN)构成，包括特征提取部分和分类部分；分类模型需要大量人工标注的训练数据进行模型的训练，因此实现困难。基于图像数据的回归模型与分类模型类似，也可以分成特征提取部分和回归部分；其中，特征提取部分与分类模型相同，但回归部分比分类部分更加简单，仅输出一个回归值。回归模型和分类模型一样，需要通过大量人工标记的训练数据进行模型的训练，因此仍然实现困难；此外，回归模型不能用于获取车辆类型；虽然不同类型的车辆对应的车辆大小不同，但货车和客车的区别与货车和货车的区别并不相同，使用回归模型进行车辆类型判断可能将客车误判为货车和将货车误判为客车；因此，回归模型无法用于车辆类型的识别。

综上，如何克服ETC产生的误判，涉及有效方法以辅助ETC进行车辆信息确定，成为一个有待解决的技术问题。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供一种实现分类处理的方法、装置、计算机存储介质及终端，能够为辅助ETC获得准确的车辆信息提供技术支持。

本发明实施例提供了一种实现分类处理的方法，包括：

基于预设的分类模型确定待分析车辆的车辆类型；

采用对应于待分析车辆的车辆类型的回归模型，确定待分析车辆的车辆型号；

其中，所述车辆类型包括：客车和货车；所述车辆型号包括：预先设定的用于区分车辆通行费的分类编号。

在一种示例性实施例中，所述分类模型与所述回归模型包括：

基于卷积神经网络CNN的同一特征提取层，进行的待分析车辆的图像的特征提取；

其中，所述特征提取层的相关参数包括：采用迁移学习方法配置的参数。

在一种示例性实施例中，所述分类模型包括：

根据交叉熵损失函数确定的分类模型。

在一种示例性实施例中，所述回归模型基于以下损失函数训练获得：