[发明专利]车辆类型识别方法、装置及存储介质

权利要求书

1.一种车辆类型识别方法，其特征在于，包括下述步骤：

获取车辆图像训练样本集，为所述车辆图像训练样本集中每一车辆图像训练样本添加标签；

构建车辆类型识别模型；

利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的标签训练所述车辆类型识别模型；

将待识别车辆图像输入完成训练的所述车辆类型识别模型，得到所述待识别车辆图像对应的车辆类型信息。

2.根据权利要求1所述的车辆类型识别方法，其特征在于，所述车辆类型识别模型包括主干网络、车辆基础类型分支网络、货车车辆类型分支网络和货车载重类型分支网络；构建车辆类型识别模型包括：

以ResNet-50卷积神经网络架构作为所述主干网络；

将ResNet-50卷积神经网络架构的输出层分别与所述车辆基础类型分支网络、货车车辆类型分支网络和货车载重类型分支网络的输入层连接，以构建得到车辆类型识别模型。

3.根据权利要求2所述的车辆类型识别方法，其特征在于，所述标签包括第一标签、第二标签和第三标签；利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的标签训练所述车辆类型识别模型包括：

利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第一标签对所述主干网络和车辆基础类型分支网络进行训练；

保持所述主干网络的权重不变，利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第二标签对所述货车车辆类型分支网络进行训练；以及

利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第三标签对所述货车载重类型分支网络进行训练。

4.根据权利要求3所述的车辆类型识别方法，其特征在于，所述第一标签为车辆基础类型标签；利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第一标签对所述主干网络和车辆基础类型分支网络进行训练包括：

将所述车辆图像训练样本集输入所述主干网络，得到车辆特征向量；

将所述车辆特征向量输入所述车辆基础类型分支网络，得到预设车辆基础类型；

基于所述预设车辆基础类型和所述第一标签计算第一损失函数；

基于所述第一损失函数分别更新所述主干网络和车辆基础类型分支网络的权重，直至所述第一损失函数收敛，完成对所述主干网络和车辆基础类型分支网络的训练。

5.根据权利要求3所述的车辆类型识别方法，其特征在于，所述第二标签为货车车辆类型标签；利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第二标签对所述货车车辆类型分支网络进行训练包括：

将所述车辆图像训练样本集输入所述主干网络，得到车辆特征向量；

将所述车辆特征向量输入所述货车车辆类型分支网络，得到预设货车车辆类型；

基于所述预设货车车辆类型和所述第二标签计算第二损失函数；

基于所述第二损失函数更新所述货车车辆类型分支网络的权重，直至所述第二损失函数收敛，完成对所述货车车辆类型分支网络的训练。

6.根据权利要求3所述的车辆类型识别方法，其特征在于，所述第三标签为货车载重类型标签；利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本对应的第三标签对所述货车载重类型分支网络进行训练包括：

将所述车辆图像训练样本输入所述主干网络，得到车辆特征向量；

将所述车辆特征向量输入所述货车载重类型分支网络，得到预设货车载重类型；

基于所述预设货车载重类型和所述第三标签计算第三损失函数；

基于所述第三损失函数更新所述货车载重类型分支网络的权重，直至所述第三损失函数收敛，完成对所述货车载重类型分支网络的训练。