[发明专利]车辆类型识别方法、装置及存储介质

说明书

本发明涉及人工智能技术领域，具体提供一种车辆类型识别方法、装置及存储介质，旨在解决现有的识别方法容易造成深度学习分类器矩阵过大、导致车辆类型的识别精度较差的技术问题。为此目的，本发明的车辆类型识别方法包括下述步骤：获取车辆图像训练样本集，为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；利用车辆图像训练样本集和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车辆类型识别模型；将待识别车辆图像输入完成训练的车辆类型识别模型，得到待识别车辆图像对应的车辆类型信息。如此，提高了识别精度。

技术领域

本发明涉及人工智能技术领域，具体提供一种车辆类型识别方法、装置及存储介质。

背景技术

随着经济的腾飞和人民生活品质的不断攀升，车辆成为人们生活中难以割舍的部分。车辆类型识别是智能交通最重要的方面之一，在我们日常生活的各个领域发挥着非常重要的作用。

由于车辆类型较多，现有的利用深度学习网络直接对车辆类型进行识别方法，容易造成深度学习分类器矩阵过大、导致车辆类型的识别精度较差。

相应地，本领域需要一种新的车辆类型识别方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有的利用深度学习网络直接对车辆类型进行识别方法容易造成深度学习分类器矩阵过大、导致车辆类型的识别精度较差的技术问题。本发明提供了一种车辆类型识别方法、装置及存储介质。

在第一方面，本发明提供一种车辆类型识别方法，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。

在一个实施方式中，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。

在一个实施方式中，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。

在一个实施方式中，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。