[发明专利]车款识别方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种车款识别方法、装置、电子设备及存储介质，该方法包括：获取待识别图像；对所述待识别图像进行处理，并将处理后的图像输入至Transformer‑YOLOv3模型中；通过所述Transformer‑YOLOv3模型中的DarkNet53网络提取所述处理后的图像中的车辆特征矩阵；对所述车辆特征矩阵执行操作，获得多个最终特征图；使用多个锚框分别在所述多个特征图上进行检测并识别，获得车款识别结果；将每个所述车款识别结果映射至所述待识别图像上。本发明可应用在智慧交通等需要进行车款识别的领域，从而推动智慧城市的发展。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种车款识别方法、装置、电子设备及存储介质。

背景技术

随着车辆违规行为的不断增加，对交通卡口中的车辆进行快速定位与识别，成为城市交通管理中极其重要且具有挑战性的任务。现有技术中，可以通过车款识别算法进行车款识别，其中，车款比如奥迪A6、宝马X5、奔驰E300、大众CC以及比亚迪F3等。

然而，实践中发现，在雾霾、雨天、夜间等复杂场景下，现有的车款识别算法识别效果不好，识别的准确率较低。

因此，如何对车款进行识别以提高车款识别的准确率是一个亟待解决的技术问题。

发明内容

鉴于以上内容，有必要提供一种车款识别方法、装置、电子设备及存储介质，能够提高车款识别的准确率。

本发明的第一方面提供一种车款识别方法，所述车款识别方法包括：

获取待识别图像；

对所述待识别图像进行尺寸处理，并将处理后的图像输入至改进型的目标检测算法Transformer-YOLOv3模型中，其中，所述Transformer-YOLOv3模型包括转换层；

通过所述Transformer-YOLOv3模型中的DarkNet53网络提取所述处理后的图像中的车辆特征矩阵；

对所述车辆特征矩阵执行多次卷积层操作、多次上采样操作以及多次转换层操作，获得多个最终特征图；

使用预先聚类得到的多个锚框分别在所述多个特征图上进行检测并识别，获得每个所述最终特征图对应的车款识别结果；

将每个所述车款识别结果映射至所述待识别图像上。

在一种可能的实现方式中，所述转换层操作包括：输入操作、展开操作、转换编码操作、折叠操作以及输出操作；其中，每个所述转换层的网络结构相同，且每个所述转换层的参数矩阵相同；或，每个所述转换层的网络结构相同，且每个所述转换层的参数矩阵不同；或，每个所述转换层的网络结构不同。

在一种可能的实现方式中，所述对所述车辆特征矩阵执行多次卷积层操作、多次上采样操作以及多次转换层操作，获得多个最终特征图包括：

对所述车辆特征矩阵执行卷积层操作，获得第一中间特征图，以及对所述第一中间特征图进行转换层操作，获得第一特征图；

对所述第一中间特征图执行上采样操作以及卷积层操作，获得第二中间特征图，以及对所述第二中间特征图进行转换层操作，获得第二特征图；

对所述第二中间特征图执行上采样操作以及卷积层操作，获得第三中间特征图，以及对所述第三中间特征图进行转换层操作，获得第三特征图；

将所述第一特征图、所述第二特征图以及所述第三特征图确定为多个最终特征图。

在一种可能的实现方式中，所述对所述车辆特征矩阵执行多次卷积层操作、多次上采样操作以及多次转换层操作，获得多个最终特征图包括：

对所述车辆特征矩阵执行卷积层操作，获得第一中间特征图，以及对所述第一中间特征图执行转换层操作，获得第一特征图；