[发明专利]基于人工智能的车品牌识别方法、装置、设备及介质

说明书

本发明涉及人工智能技术领域，提供一种基于人工智能的车品牌识别方法、装置、设备及介质，采用交并比下的多尺度并行结构，能够有效缓解简单与困难场景的样本不均衡问题，显著提高了困难场景下的车品牌识别准确率，增加了交并比损失，能够更加精准地拟合检测框的位置和大小，还能够有效减少非车辆的误召回现象，从而提高了车品牌识别的整体召回率和准确率，同时，该损失函数能够从多个层面评价模型的损失，进而使模型的训练效果更佳，进而实现对车品牌的自动识别。此外，本发明还可应用于智慧交通，从而推动智慧城市的建设。本发明还涉及区块链技术，识别结果可存储于区块链节点中。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的车品牌识别方法、装置、设备及介质。

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，已经成为城市交通管理中非常重要的任务。

传统的车品牌识别主要采用YOLOv3算法，但是，YOLOv3算法仅适用于晴天、白天、车正面、车背面等简单场景，而对于雾霾、雨天、夜间、车侧面等困难场景，YOLOv3算法的准确率和召回率都相对较低，还存在很大的提升空间。

发明内容

鉴于以上内容，有必要提供一种基于人工智能的车品牌识别方法、装置、设备及介质，能够有效缓解简单与困难场景的样本不均衡问题，显著提高了困难场景下的车品牌识别准确率，采用交并比损失，能够更加精准地拟合检测框的位置和大小，还能够有效减少非车辆的误召回现象，从而提高了车品牌识别的整体召回率和准确率。

一种基于人工智能的车品牌识别方法，所述基于人工智能的车品牌识别方法包括：

响应于接收到的待检测图像，对所述待检测图像进行resize处理，得到目标图像；

利用darknet53网络提取所述目标图像的车辆特征；

将所述车辆特征输入至预先训练的车品牌识别模型，输出第一特征图、第二特征图及第三特征图，其中，所述车品牌识别模型为采用多交并比及交并比损失训练YOLOv3网络而得到的级联网络结构；

获取所述车品牌识别模型的目标anchor box；

对于所述第一特征图、所述第二特征图及所述第三特征图中的每个特征图，利用所述目标anchor box在每个特征图上进行识别，输出与每个特征图对应的预测anchor box坐标、每个预测anchor box坐标的目标得分及车品牌的预测概率，从所述预测anchor box坐标中选择所述目标得分最高的预测anchor box坐标作为车辆的预测坐标；

将所述车辆的预测坐标映射到所述待检测图像上，得到映射图，输出所述映射图及所述车品牌的预测概率作为识别结果。

根据本发明优选实施例，所述将所述车辆特征输入至预先训练的车品牌识别模型，输出第一特征图、第二特征图及第三特征图包括：

对所述车辆特征执行第一卷积层运算，得到第一中间特征，并对所述第一中间特征执行第一联合卷积运算，得到所述第一特征图，其中，所述第一卷积层及所述第一联合卷积采用第一交并比训练而得到；

对所述第一中间特征执行上采样运算，得到第一特征；

对所述第一特征执行第二卷积层运算，得到第二中间特征，并对所述第二中间特征执行第二联合卷积运算，得到所述第二特征图，其中，所述第二卷积层及所述第二联合卷积采用第二交并比训练而得到；

对所述第二中间特征执行所述上采样运算，得到第二特征；

对所述第二特征执行第三卷积层运算及第三联合卷积运算，得到所述第三特征图，其中，所述第三卷积层及所述第三联合卷积采用第三交并比训练而得到。

根据本发明优选实施例，所述基于人工智能的车品牌识别方法还包括：