车型识别方法、装置及设备.pdf

《车型识别方法、装置及设备.pdf》由会员分享，可在线阅读，更多相关《车型识别方法、装置及设备.pdf（19页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911415698.2 (22)申请日 2019.12.31 (71)申请人 东软集团 （北京） 有限公司 地址 100193 北京市海淀区西北旺东路10 号院东区22号楼 (72)发明人 孙登蕊周晓武冬梅李传奇 李锋李丹丹李瑞洋张积存 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 柳欣 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/46(2006.01) G06K 9/62(2006.01) (54)发明名称 一种。

2、车型识别方法、 装置及设备 (57)摘要 本申请实施例公开了一种车型识别方法、 装 置及设备， 该方法包括： 先将待查询车辆图像输 入特征提取模型， 获取该待查询车辆图像的特征 向量， 并计算该待查询车辆图像的特征向量与各 个应用车型图像的特征向量之间的相似度； 再根 据待查询车辆图像的特征向量与各个应用车型 图像的特征向量之间的相似度， 将满足预设条件 的相似度对应的应用车型图像确定为目标应用 车型图像， 以便利用目标应用车型图像对应的车 型信息确定待查询车辆图像的车型信息。 其中， 因基于预设条件筛选获得的目标应用车型图像 与待查询车辆图像之间的相似程度较高， 使得利 用目标应用车型图像对。

3、应的车型信息确定的待 查询车辆图像的车型信息能够准确地表征待查 询车辆图像的车型信息。 权利要求书2页 说明书14页 附图2页 CN 111178292 A 2020.05.19 CN 111178292 A 1.一种车型识别方法， 其特征在于， 将应用车型图像输入特征提取模型， 获取所述应用 车型图像的特征向量， 所述应用车型图像对应有车型信息； 所述方法包括： 将待查询车辆图像输入所述特征提取模型， 获取所述待查询车辆图像的特征向量； 计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相 似度； 根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间的相 。

4、似度， 将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图像； 利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信息。 2.根据权利要求1所述的方法， 其特征在于， 所述特征提取模型的训练过程包括： 获取训练车型图像集合， 所述训练车型图像集合包括多个训练车辆图像， 所述训练车 辆图像对应有车型信息； 将所述训练车型图像输入初始的特征提取模型， 获取各个所述训练车辆图像的特征向 量； 将所述训练车辆图像的特征向量输入图像分类层， 以将具有相同车型信息的训练车辆 图像的特征向量被划分为同一类为训练目标， 调整所述初始特征提取模型的模型参数以及 所述图像分类层的模型参数。

5、， 重复执行所述将所述训练车型图像输入初始的特征提取模型 以及后续步骤， 直到达到预设停止条件， 得到特征提取模型。 3.根据权利要求2所述的方法， 其特征在于， 所述获取训练车型图像集合， 包括： 获取原始训练车型图像； 对所述原始训练车型图像进行随机擦除， 生成模拟训练车型图像； 将所述原始训练车型图像和/或所述模拟训练车型图像确定为训练车型图像， 组成训 练车型图像集合。 4.根据权利要求1或2所述的方法， 其特征在于， 所述特征提取模型包括特征图提取层、 全局特征提取层以及局部特征提取层， 所述特征图提取层的输出分别作为所述全局特征提 取层的输入以及所述局部特征提取层的输入； 所述全局。

6、特征提取层包括全局特征提取网络以及降维卷积层； 所述局部特征提取层包 括局部特征提取网络以及降维卷积层； 所述特征向量由所述全局特征提取层输出的图像全局特征与所述局部特征提取层输 出的图像局部特征组成。 5.根据权利要求1所述的方法， 其特征在于， 所述应用车型图像包括应用车头图像以及 应用车尾图像； 所述应用车头图像对应的车型信息中包括车头标签， 所述应用车尾图像对应的车型信 息中包括车尾标签。 6.根据权利要求1所述的方法， 其特征在于， 所述利用所述目标应用车型图像对应的车 型信息确定所述待查询车辆图像的车型信息， 包括： 按照所述相似度对所述目标应用车型图像进行排序， 得到所述目标应用。

7、车型图像的序 号； 根据在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数以及每种 车型信息对应的目标应用车型图像的序号， 计算每种车型信息的指标值； 权利要求书 1/2 页 2 CN 111178292 A 2 将所述指标值最大的车型信息确定为所述待查询车辆图像的车型信息。 7.根据权利要求1所述的方法， 其特征在于， 所述利用所述目标应用车型图像对应的车 型信息确定所述待查询车辆图像的车型信息， 包括： 计算在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数比例； 将所述出现次数比例最大的车型信息确定为所述待查询车辆图像的车型信息。 8.一种车型识别装置， 其特征在于，。

8、 所述装置包括： 应用特征获取单元， 用于将应用车型图像输入特征提取模型， 获取所述应用车型图像 的特征向量， 所述应用车型图像对应有车型信息； 查询特征获取单元， 用于将待查询车辆图像输入所述特征提取模型， 获取所述待查询 车辆图像的特征向量； 相似度计算单元， 用于计算所述待查询车辆图像的特征向量与各个所述应用车型图像 的特征向量之间的相似度； 目标图像确定单元， 用于根据所述待查询车辆图像的特征向量与各个所述应用车型图 像的特征向量之间的相似度， 将满足预设条件的相似度对应的应用车型图像确定为目标应 用车型图像； 车型信息确定单元， 用于利用所述目标应用车型图像对应的车型信息确定所述待查。

9、询 车辆图像的车型信息。 9.一种车型识别设备， 其特征在于， 包括： 存储器， 处理器， 及存储在所述存储器上并可 在所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时， 实现如权利要求 1-7任一项所述的车型识别方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有指令， 当所述指令在终端设备上运行时， 使得所述终端设备执行如权利要求1-7任一项所述的车 型识别方法。 权利要求书 2/2 页 3 CN 111178292 A 3 一种车型识别方法、 装置及设备 技术领域 0001 本申请涉及机器学习领域， 具体涉及一种车型识别方法、 装置及设备。 。

10、背景技术 0002 随着机器学习技术的发展， 机器学习技术可以应用于众多应用领域(例如， 智能交 通应用领域)。 车型识别技术是一种机器学习技术的应用， 而且车型识别技术在智能交通应 用领域中有着重要的地位。 车型识别技术能够识别待查询车辆图像中车辆的车型信息， 使 得该识别出的车型信息能够作为日常交通管理、 调度和统计的依据， 如此使得车型识别技 术具有广阔的市场前景和研究价值。 其中， 车型信息用于表征车辆所具有的特征信息(例 如， 车辆外形、 颜色、 品牌等中的至少一种信息)。 然而， 如何准确地识别出待查询车辆图像 中车辆的车型信息仍是一亟待解决的技术问题。 发明内容 0003 有鉴于。

11、此， 本申请实施例提供一种车型识别方法、 装置及设备， 能够准确地识别出 待查询车辆图像中车辆的车型信息。 0004 为解决上述问题， 本申请实施例提供的技术方案如下： 0005 一种车型识别方法， 将应用车型图像输入特征提取模型， 获取所述应用车型图像 的特征向量， 所述应用车型图像对应有车型信息； 所述方法包括： 0006 将待查询车辆图像输入所述特征提取模型， 获取所述待查询车辆图像的特征向 量； 0007 计算所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间 的相似度； 0008 根据所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间 的相似度， 将满足预。

12、设条件的相似度对应的应用车型图像确定为目标应用车型图像； 0009 利用所述目标应用车型图像对应的车型信息确定所述待查询车辆图像的车型信 息。 0010 在一种可能的实现方式中， 所述特征提取模型的训练过程包括： 0011 获取训练车型图像集合， 所述训练车型图像集合包括多个训练车辆图像， 所述训 练车辆图像对应有车型信息； 0012 将所述训练车型图像输入初始的特征提取模型， 获取各个所述训练车辆图像的特 征向量； 0013 将所述训练车辆图像的特征向量输入图像分类层， 以将具有相同车型信息的训练 车辆图像的特征向量被划分为同一类为训练目标， 调整所述初始特征提取模型的模型参数 以及所述图像。

13、分类层的模型参数， 重复执行所述将所述训练车型图像输入初始的特征提取 模型以及后续步骤， 直到达到预设停止条件， 得到特征提取模型。 0014 在一种可能的实现方式中， 所述获取训练车型图像集合， 包括： 说明书 1/14 页 4 CN 111178292 A 4 0015 获取原始训练车型图像； 0016 对所述原始训练车型图像进行随机擦除， 生成模拟训练车型图像； 0017 将所述原始训练车型图像和/或所述模拟训练车型图像确定为训练车型图像， 组 成训练车型图像集合。 0018 在一种可能的实现方式中， 所述特征提取模型包括特征图提取层、 全局特征提取 层以及局部特征提取层， 所述特征图提。

14、取层的输出分别作为所述全局特征提取层的输入以 及所述局部特征提取层的输入； 0019 所述全局特征提取层包括全局特征提取网络以及降维卷积层； 所述局部特征提取 层包括局部特征提取网络以及降维卷积层； 0020 所述特征向量由所述全局特征提取层输出的图像全局特征与所述局部特征提取 层输出的图像局部特征组成。 0021 在一种可能的实现方式中， 所述应用车型图像包括应用车头图像以及应用车尾图 像； 0022 所述应用车头图像对应的车型信息中包括车头标签， 所述应用车尾图像对应的车 型信息中包括车尾标签。 0023 在一种可能的实现方式中， 所述利用所述目标应用车型图像对应的车型信息确定 所述待查询。

15、车辆图像的车型信息， 包括： 0024 按照所述相似度对所述目标应用车型图像进行排序， 得到所述目标应用车型图像 的序号； 0025 根据在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数以及 每种车型信息对应的目标应用车型图像的序号， 计算每种车型信息的指标值； 0026 将所述指标值最大的车型信息确定为所述待查询车辆图像的车型信息。 0027 在一种可能的实现方式中， 所述利用所述目标应用车型图像对应的车型信息确定 所述待查询车辆图像的车型信息， 包括： 0028 计算在所述目标应用车型图像对应的车型信息中每种车型信息的出现次数比例； 0029 将所述出现次数比例最大的车型信息确。

16、定为所述待查询车辆图像的车型信息。 0030 在一种可能的实现方式中， 所述方法还包括： 0031 如果所述待查询车辆图像的特征向量与各个所述应用车型图像的特征向量之间 的相似度均小于阈值， 将所述待查询车辆图像确定为无法确定车型信息的图像。 0032 在一种可能的实现方式中， 所述方法还包括： 0033 在得到所述无法确定车型信息的图像对应的车型信息后， 将所述无法确定车型信 息的图像确定为所述应用车型图像。 0034 一种车型识别装置， 所述装置包括： 0035 应用特征获取单元， 用于将应用车型图像输入特征提取模型， 获取所述应用车型 图像的特征向量， 所述应用车型图像对应有车型信息； 。

17、0036 查询特征获取单元， 用于将待查询车辆图像输入所述特征提取模型， 获取所述待 查询车辆图像的特征向量； 0037 相似度计算单元， 用于计算所述待查询车辆图像的特征向量与各个所述应用车型 图像的特征向量之间的相似度； 说明书 2/14 页 5 CN 111178292 A 5 0038 目标图像确定单元， 用于根据所述待查询车辆图像的特征向量与各个所述应用车 型图像的特征向量之间的相似度， 将满足预设条件的相似度对应的应用车型图像确定为目 标应用车型图像； 0039 车型信息确定单元， 用于利用所述目标应用车型图像对应的车型信息确定所述待 查询车辆图像的车型信息。 0040 一种车型识。

18、别设备， 包括： 存储器， 处理器， 及存储在所述存储器上并可在所述处 理器上运行的计算机程序， 所述处理器执行所述计算机程序时， 实现所述的车型识别方法。 0041 一种计算机可读存储介质， 所述计算机可读存储介质中存储有指令， 当所述指令 在终端设备上运行时， 使得所述终端设备执行所述的车型识别方法。 0042 由此可见， 本申请实施例具有如下有益效果： 0043 本申请实施例提供的车型识别方法中， 先将待查询车辆图像输入特征提取模型， 获取该待查询车辆图像的特征向量， 并计算该待查询车辆图像的特征向量与各个应用车型 图像的特征向量之间的相似度； 再根据待查询车辆图像的特征向量与各个应用车。

19、型图像的 特征向量之间的相似度， 将满足预设条件的相似度对应的应用车型图像确定为目标应用车 型图像， 以便利用目标应用车型图像对应的车型信息确定待查询车辆图像的车型信息。 0044 其中， 因特征提取模型输出的应用车型图像的特征向量能够准确地表征该应用车 型图像所具有的外形特征， 而且特征提取模型输出的待查询车辆图像的特征向量能够准确 地表征该待查询车型图像所具有的外形特征， 使得待查询车辆图像的特征向量与各个应用 车型图像的特征向量之间的相似度能够准确地表征待查询车辆图像与该应用车型图像之 间的相似程度， 从而基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的 相似程度较高， 因此。

20、利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型 信息能够准确地表征待查询车辆图像的车型信息。 从而能够准确地识别出待查询车辆图像 中车辆的车型信息。 附图说明 0045 图1为本申请实施例提供的特征提取模型的结构示意图； 0046 图2为本申请实施例提供的一种车型识别方法的流程图； 0047 图3为本申请实施例提供的一种特征提取模型的训练过程的流程图； 0048 图4为本申请实施例提供的一种车型识别装置的结构示意图。 具体实施方式 0049 为使本申请的上述目的、 特征和优点能够更加明显易懂， 下面结合附图和具体实 施方式对本申请实施例作进一步详细的说明。 0050 为了解决背景。

21、技术部分的技术问题， 本申请实施例提供了一种车型识别方法， 该 车型识别方法包括： 将待查询车辆图像输入特征提取模型， 获取该待查询车辆图像的特征 向量； 计算该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度； 根据该待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度， 将满足 预设条件的相似度对应的应用车型图像确定为目标应用车型图像； 利用该目标应用车型图 像对应的车型信息确定待查询车辆图像的车型信息。 其中， 因基于预设条件筛选获得的目 说明书 3/14 页 6 CN 111178292 A 6 标应用车型图像与待查询车辆图像之间的相似程度较高， 使得利用目。

22、标应用车型图像对应 的车型信息确定的待查询车辆图像的车型信息能够准确地表征待查询车辆图像的车型信 息。 从而能够准确地识别出待查询车辆图像中车辆的车型信息。 0051 为了便于理解和解释本申请实施例提供的车型识别方法， 下面先结合图1说明一 下特征提取模型。 0052 特征提取模型用于从模型输入图像中提取该模型输入图像对应的特征向量。 其 中， 模型输入图像是指输入到特征提取模型中的图像。 例如， 模型输入图像可以是下文中的 待查询车辆图像或应用车型图像。 0053 另外， 本申请实施例还提供了一种特征提取模型的结构， 下面结合图1说明特征提 取模型的结构。 0054 如图1所示， 特征提取模。

23、型可以包括： 特征图提取层、 全局特征提取层以及局部特 征提取层。 其中， 特征图提取层与全局特征提取层以及局部特征提取层分别连接， 使得特征 图提取层的输出分别作为全局特征提取层的输入以及局部特征提取层的输入。 0055 特征图提取层用于从模型输入图像中提取该模型输入图像的特征图； 而且， 本申 请实施例不限定特征图提取层的实施方式， 例如， 特征图提取层可以采用卷积神经网络 (Convolutional Neural Networks,CNN)实施。 0056 全局特征提取层用于从特征图提取层输出的模型输入图像的特征图中提取该模 型输入图像的全局特征信息； 而且， 全局特征提取层包括全局特。

24、征提取网络以及降维卷积 层。 另外， 本申请实施例不限定全局特征提取网络以及降维卷积层的具体实施方式。 例如， 降维卷积层可以为11卷积进行实施。 0057 局部特征提取层用于从特征图提取层输出的模型输入图像的特征图中提取该模 型输入图像的局部特征信息； 而且， 局部特征提取层包括局部特征提取网络以及降维卷积 层。 另外， 本申请实施例不限定局部特征提取网络以及降维卷积层。 例如， 降维卷积层可以 为11卷积进行实施。 0058 另外， 特征向量由全局特征提取层输出的图像全局特征与局部特征提取层输出的 图像局部特征组成。 如此使得特征提取模型针对模型输入图像生成的特征向量携带了该特 征提取模型。

25、的全局特征信息以及局部特征信息。 0059 需要说明的是， 本申请实施例还提供了一种特征提取模型的训练过程， 具体实施 方式请见下文。 0060 为了便于理解本申请实施例提供的车型识别方法， 下面结合附图对本申请实施例 提供的一种车型识别方法进行说明。 参见图2所示， 该图为本申请实施例提供的一种车型识 别方法的流程图， 该方法包括步骤S201-S204： 0061 S201： 将待查询车辆图像输入特征提取模型， 获取待查询车辆图像的特征向量。 0062 待查询车辆图像的特征向量可以用于表征待查询车辆图像中车辆所具有的外形 特征。 其中， 外形特征是指车辆外形所具有的特征， 例如外形特征可以包。

26、括车辆外形形状和 车辆颜色等。 0063 本申请实施例中， 在获取到待查询车辆图像之后， 可以将待查询车辆图像输入到 特征提取模型中， 并获得该特征提取模型输出的待查询车辆图像的特征向量， 以便后续能 够基于待查询车辆图像的特征向量确定待查询车辆图像的车型信息。 说明书 4/14 页 7 CN 111178292 A 7 0064 S202： 计算待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相 似度。 0065 应用车型图像是指待查询车辆图像的参照图像。 也就是说， 可以参照各个应用车 型图像来确定待查询车辆图像对应的车型信息。 另外， 本申请实施例不限定应用车型图像， 例如， 。

27、应用车型图像可以为应用车头图像， 也可以为应用车尾图像。 0066 另外， 应用车型图像对应有车型信息。 其中， 车型信息可以用于表征车辆的外形信 息， 而且， 本申请实施例不限定车型信息。 例如， 车型信息可以包括车头标签或者车尾标签， 其具体为： 若应用车型图像为应用车头图像， 则车型信息可以包括车头标签； 若应用车型图 像为应用车尾图像， 则车型信息可以包括车尾标签。 车型信息还可以包括车辆品牌信息、 车 辆子品牌信息、 车辆颜色、 车辆年款信息等。 需要说明的是， 应用车型图像可以是指下文中 的应用车型图像数据库中的各个应用车型图像。 0067 应用车型图像的特征向量用于表征应用车型图。

28、像中车辆所具有的外形特征； 而 且， 应用车型图像的特征向量的获取方式为： 将应用车型图像输入特征提取模型， 获取该应 用车型图像的特征向量。 需要说明的是， 本申请实施例不限定应用车型图像的特征向量的 获取时间， 只需在执行S202之前获取即可。 0068 基于上述内容可知， 在获取到待查询车辆图像的特征向量之后， 可以计算待查询 车辆图像的特征向量与各个应用车型图像的特征向量之间的相似度， 以便能够基于该相似 度确定待查询车辆图像与应用车型图像之间的相似程度。 其中， 因待查询车辆图像的特征 向量能够准确地表征待查询车辆图像中车辆所具有的外形特征， 而且应用车型图像的特征 向量能够表征应用。

29、车型图像中车辆所具有的外形特征， 使得待查询车辆图像的特征向量与 各个应用车型图像的特征向量之间的相似度能够准确地衡量待查询车辆图像与应用车型 图像之间的相似程度， 从而后续可以基于待查询车辆图像的特征向量与各个应用车型图像 的特征向量之间的相似度准确地筛选出与待查询车辆图像相似程度较高的应用车型图像。 0069 需要说明的是， 本申请实施例不限定特征向量之间的相似度的计算方式， 例如， 特 征向量之间的相似度可以采用余弦相似度进行计算。 0070 S203： 根据待查询车辆图像的特征向量与各个应用车型图像的特征向量之间的相 似度， 将满足预设条件的相似度对应的应用车型图像确定为目标应用车型图。

30、像。 0071 预设条件可以根据应用场景设定。 例如， 预设条件为相似度高于阈值(如0.80)。 0072 本申请实施例中， 在获取到待查询车辆图像的特征向量与各个应用车型图像的特 征向量之间的相似度之后， 可以利用预设条件进行筛选， 并将筛选出的满足预设条件的相 似度对应的应用车型图像确定为目标应用车型图像。 例如， 当预设条件为相似度高于0.80， 待查询车辆图像的特征向量与第一个应用车型图像的特征向量之间的相似度为0.81， 待查 询车辆图像的特征向量与第二个应用车型图像的特征向量之间的相似度为0.84， 待查询车 辆图像的特征向量与第三个应用车型图像的特征向量之间的相似度为0.82， 。

31、以及待查询车 辆图像的特征向量与第四个应用车型图像的特征向量之间的相似度为0.70时， 此时， 因第 一个应用车型图像对应的相似度、 第二个应用车型图像对应的相似度以及第三个应用车型 图像对应的相似度均高于0.80， 使得第一个应用车型图像、 第二个应用车型图像以及第三 个应用车型图像均满足预设条件， 如此可以确定第一个应用车型图像、 第二个应用车型图 像以及第三个应用车型图像均为目标应用车型图像。 S204： 利用目标应用车型图像对应的 说明书 5/14 页 8 CN 111178292 A 8 车型信息确定待查询车辆图像的车型信息。 0073 本申请实施例中， 在获取到目标应用车型图像之后。

32、， 可以利用目标应用车型图像 对应的车型信息确定待查询车辆图像的车型信息。 例如， 当第一个应用车型图像、 第二个应 用车型图像和第三个应用车型图像均为目标应用车型图像时， 则S204具体可以为： 利用第 一个应用车型图像对应的车型信息、 第二个应用车型图像对应的车型信息以及第三个应用 车型图像对应的车型信息， 确定待查询车辆图像的车型信息。 0074 另外， 本申请实施例中提供了一种确定待查询车辆图像的车型信息的实施方式， 具体实施方式请见下文。 0075 基于上述S201至S204的内容可知， 本申请实施例提供的车型识别方法中， 先将待 查询车辆图像输入特征提取模型， 获取该待查询车辆图像。

33、的特征向量， 并计算该待查询车 辆图像的特征向量与各个应用车型图像的特征向量之间的相似度； 再根据待查询车辆图像 的特征向量与各个应用车型图像的特征向量之间的相似度， 将满足预设条件的相似度对应 的应用车型图像确定为目标应用车型图像， 以便利用目标应用车型图像对应的车型信息确 定待查询车辆图像的车型信息。 0076 其中， 因特征提取模型输出的应用车型图像的特征向量能够准确地表征该应用车 型图像所具有的外形特征， 而且特征提取模型输出的待查询车辆图像的特征向量能够准确 地表征该待查询车型图像所具有的外形特征， 使得待查询车辆图像的特征向量与各个应用 车型图像的特征向量之间的相似度能够准确地表征。

34、待查询车辆图像与该应用车型图像之 间的相似程度， 从而基于预设条件筛选获得的目标应用车型图像与待查询车辆图像之间的 相似程度较高， 因此利用目标应用车型图像对应的车型信息确定的待查询车辆图像的车型 信息能够准确地表征待查询车辆图像的车型信息。 从而能够准确地识别出待查询车辆图像 中车辆的车型信息。 0077 在本申请实施例一种可能的实施方式中， 为了提高确定的待查询车辆图像的车型 信息的准确性， 本申请实施例还提供了两种确定待查询车辆图像的车型信息(也就是S204) 的实施方式， 下面将依次进行介绍。 0078 作为S204的第一种实施方式， S204具体可以包括以下两个步骤： 0079 第一。

35、步： 计算在目标应用车型图像对应的车型信息中每种车型信息的出现次数比 例。 0080 车型信息的出现次数比例用于表征待查询车辆图像具有该车型信息的概率； 而 且， 车型信息的出现次数比例越高则表示该待查询车辆图像具有该车型信息的可能性越 大。 0081 另外， 车型信息的出现次数比例可以利用公式(1)进行确定。 0082 0083 式中， Ri表示第i个车型信息的出现次数比例； ni表示第i个车型信息在目标应用车 型图像对应的车型信息中的出现次数； N表示目标应用车型图像总数(也就是， 目标应用车 型图像对应的车型信息总数)； i为正整数。 0084 基于上述内容， 下面结合示例解释第一步。 。

36、0085 作为示例， 假设第一个应用车型图像至第十个应用车型图像均为目标应用车型图 说明书 6/14 页 9 CN 111178292 A 9 像， 而且第一个应用车型图像至第五个应用车型图像均对应第一个车型信息， 第六个应用 车型图像至第八个应用车型图像均对应第二个车型信息， 以及第九个应用车型图像至第十 个应用车型图像均对应第三个车型信息。 0086 基于上述假设可知， 第一个车型信息在目标应用车型图像对应的车型信息中出现 了5次， 第二个车型信息在目标应用车型图像对应的车型信息中出现了3次， 第三个车型信 息在目标应用车型图像对应的车型信息中出现了2次。 此时， 根据公式(1)可以确定第。

37、一个 车型信息的出现次数比例为0.5、 第二个车型信息的出现次数比例为0.3、 以及第三个车型 信息的出现次数比例为0.2。 0087 第二步： 将出现次数比例最大的车型信息确定为待查询车辆图像的车型信息。 0088 本申请实施例中， 在获取到在目标应用车型图像对应的车型信息中每种车型信息 的出现次数比例之后， 可以直接将出现次数比例最大的车型信息确定为待查询车辆图像的 车型信息。 例如， 基于上述第一步的示例内容可知， 因第一个车型信息的出现次数比例均高 于第二个车型信息的出现次数比例以及第三个车型信息的出现次数比例， 使得第一个车型 信息成为出现次数比例最大的车型信息， 此时可以将第一个车。

38、型信息确定为待查询车辆图 像的车型信息。 0089 基于S204的第一种实施方式的相关可知， 本申请实施例可以参考在目标应用车型 图像对应的车型信息中每种车型信息的出现次数比例确定待查询车辆图像的车型信息。 其 中， 因车型信息的出现次数比例越高则表示该待查询车辆图像具有该车型信息的可能性越 大， 使得出现次数比例最大的车型信息属于该待查询车辆图像的车型信息可能性最大， 从 而使得基于出现次数比例最大的车型信息确定的待查询车辆图像的车型信息更准确。 0090 另外， 为了进一步提高确定的待查询车辆图像的车型信息的准确性， 本申请实施 例可以同时参考车型信息的出现次数以及目标应用车型图像与待查询。

39、车辆图像之间的相 似度来综合确定。 基于此， 本申请实施例还提供了S204的第二种实施方式， 其具体可以包括 以下三个步骤： 0091 第一步： 按照相似度对目标应用车型图像进行排序， 得到目标应用车型图像的序 号。 0092 目标应用车型图像的序号是指该目标应用车型图像在排序中所处位置。 0093 本申请实施例中， 在获取到目标应用车型图像之后， 可以按照各个目标应用车型 图像与待查询车辆图像之间的相似度(也就是， 各个目标应用车型图像的特征向量与待查 询车辆图像的特征向量之间的相似度)， 对目标应用车型图像进行排序(例如， 从小到大排 序或从大到小排序)， 以便得到各个目标应用车型图像的序。

40、号。 0094 作为示例， 假设第一个应用车型图像至第十个应用车型图像均为目标应用车型图 像， 而且第一个应用车型图像对应的相似度为0.95、 第二个应用车型图像对应的相似度为 0.90、 第三个应用车型图像对应的相似度为0.88、 第四个应用车型图像对应的相似度为 0.86、 第五个应用车型图像对应的相似度为0.85、 第六个应用车型图像对应的相似度为 0.93、 第七个应用车型图像对应的相似度为0.84、 第八个应用车型图像对应的相似度为 0.82、 第九个应用车型图像对应的相似度为0.83、 第十个应用车型图像对应的相似度为 0.81。 0095 基于上述假设可知， 因0.950.930。

41、.900.880.860.850.840.83 说明书 7/14 页 10 CN 111178292 A 10 0.820.81， 使得按照相似度对该十个应用车型图像进行排序得到的从大到小的排序结果 为： 第一个应用车型图像、 第六个应用车型图像、 第二个应用车型图像、 第三个应用车型图 像、 第四个应用车型图像、 第五个应用车型图像、 第七个应用车型图像、 第九个应用车型图 像、 第八个应用车型图像、 第十个应用车型图像。 基于此可知， 第一个应用车型图像的序号 为1、 第六个应用车型图像的序号为2、 第二个应用车型图像的序号为3、 第三个应用车型图 像的序号为4、 第四个应用车型图像的序号。

42、为5、 第五个应用车型图像的序号为6、 第七个应 用车型图像的序号为7、 第九个应用车型图像的序号为8、 第八个应用车型图像的序号为9、 第十个应用车型图像的序号为10。 0096 第二步： 根据在目标应用车型图像对应的车型信息中每种车型信息的出现次数以 及每种车型信息对应的目标应用车型图像的序号， 计算每种车型信息的指标值。 0097 车型信息的指标值用于表征待查询车辆图像具有该车型信息的可能性； 而且， 车 型信息的指标值越高则表示该待查询车辆图像具有该车型信息的可能性越大。 0098 另外， 车型信息的指标值可以利用公式(2)进行确定。 0099 0100 式中， Si表示第i个车型信息。

43、的指标值； ni表示第i个车型信息在目标应用车型图像 对应的车型信息中的出现次数； j表示在排序中第j次出现的对应第i个车型信息的目标应 用车型图；表示在排序中第j次出现的对应第i个车型信息的目标应用车型图的序号； i 为正整数； j为正整数。 0101 基于上述内容可知， 在获取到目标应用车型图像的序号之后， 可以根据在目标应 用车型图像对应的车型信息中每种车型信息的出现次数以及每种车型信息对应的目标应 用车型图像的序号， 计算每种车型信息的指标值。 作为示例， 基于第二步中示例内容， 当第 一个应用车型图像至第十个应用车型图像均为目标应用车型图像， 而且第一个应用车型图 像至第五个应用车型。

44、图像均对应第一个车型信息， 第六个应用车型图像至第八个应用车型 图像均对应第二个车型信息， 以及第九个应用车型图像至第十个应用车型图像均对应第三 个车型信息时， 则第一个车型信息的指标值为第二个车型信息的指 标值为第三个车型信息的指标值为0.16。 0102 第三步： 将指标值最大的车型信息确定为待查询车辆图像的车型信息。 0103 本申请实施例中， 在获取到各种车型信息的指标值之后， 可以将指标值最大的车 型信息确定为待查询车辆图像的车型信息。 作为示例， 基于第二步中示例内容可知， 因第一 个车型信息的指标值0.81第二个车型信息的指标值0.37第三个车型信息的指标值 0.16， 使得第一。

45、个车型信息的指标值最大， 此时可以将第一个车型信息确定为待查询车辆 图像的车型信息。 0104 基于上述提供的S204的第二种实施方式的相关可知， 本申请实施例可以同时参考 车型信息的出现次数以及目标应用车型图像与待查询车辆图像之间的相似度来综合来确 定待查询车辆图像的车型信息。 如此能够进一步提高确定的待查询车辆图像的车型信息的 说明书 8/14 页 11 CN 111178292 A 11 准确性。 0105 在本申请实施例一种可能的实施方式中， 本申请实施例还提供了车型识别方法的 另一实施方式， 在该实施方式中， 该车型识别方法除了可以包括上述步骤以外， 还可以包 括： 如果待查询车辆图。

46、像的特征向量与各个应用车型图像的特征向量之间的相似度均小于 阈值， 将待查询车辆图像确定为无法确定车型信息的图像。 0106 阈值可以根据应用场景设定， 例如， 阈值为0.5。 0107 本申请实施例中， 在获取到待查询车辆图像的特征向量与各个应用车型图像的特 征向量之间的相似度之后， 可以先判断待查询车辆图像的特征向量与各个应用车型图像的 特征向量之间的相似度是否均小于阈值。 此时， 如果待查询车辆图像的特征向量与各个应 用车型图像的特征向量之间的相似度均小于阈值， 则表示各个应用车型图像均与该待查询 车辆图像不相似， 此时无法根据这些应用车型图像确定该待查询车辆图像的车型信息， 如 此可以。

47、将该待查询车辆图像确定为无法确定车型信息的图像。 然而， 如果待查询车辆图像 的特征向量与各个应用车型图像的特征向量之间的相似度中存在不小于阈值的相似度， 则 表示这些应用车型图像中部分图像与该待查询车辆图像相似， 此时可以从这些对应相似度 不小于阈值的应用车型图像筛选出对应相似度满足预设条件的目标应用车型图像。 如此有 利于提高待查询车辆图像的车型信息的提取效率以及提取准确率。 0108 在本申请实施例一种可能的实施方式中， 本申请实施例还提供了车型识别方法的 另一实施方式， 在该实施方式中， 该车型识别方法除了可以包括上述步骤以外， 还可以包 括： 在得到无法确定车型信息的图像对应的车型信。

48、息后， 将该无法确定车型信息的图像确 定为应用车型图像。 0109 本申请实施例中， 在得到无法确定车型信息的图像对应的车型信息之后， 可以根 据该无法确定车型信息的图像生成新的应用车型图像， 以便在后续的车型信息识别过程中 也能够参考该新的应用车型图像进行识别。 如此有利于应用车型图像的完善， 从而有利于 提高待查询车辆图像的车型信息的提取准确率。 0110 在本申请实施例一种可能的实施方式中， 本申请实施例还提供了一种特征提取模 型的训练过程， 如图3所示， 该训练过程具体可以包括301-S306： 0111 S301： 获取训练车型图像集合。 0112 训练车型图像集合包括多个训练车辆图。

49、像， 而且训练车辆图像对应有车型信息。 0113 需要说明的是， 本申请实施例不限定训练车型图像集合， 例如， 训练车型图像集合 可以包括所有训练图像， 也可以包括部分训练图像。 作为示例， 当本申请实施例采用批数据 进行模型训练时， 则S301可以包括： 从所有训练图像中随机选择P个训练图像构成一个批数 据(batch)， 此时该批数据就是训练车型图像集合。 需要说明的是， 若采用批数据进行模型 训练， 则需要利用各个批数据去执行S301至S305， 以便使得所有训练图像均参与到特征提 取模型的训练过程中。 0114 另外， 本申请实施例还提供了一种获取训练车型图像集合的实施方式， 具体实施。

50、 方式请见下文。 0115 S302： 将训练车型图像输入初始的特征提取模型， 获取各个训练车辆图像的特征 向量。 0116 需要说明的是， 初始的特征提取模型与上文中的提取模型的结构相同。 说明书 9/14 页 12 CN 111178292 A 12 0117 S303： 将训练车辆图像的特征向量输入图像分类层。 0118 图像分类层用于基于训练车辆图像的特征向量对训练车辆图像进行图像分类； 而 且， 本申请实施例不限定图像分类层的具体实施方式， 例如可以采用归一化指数函数 softmax进行实施。 0119 S304： 判断是否达到预设停止条件， 若是， 则执行S306； 若否， 则执行。