车辆识别模型训练方法、车辆识别方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115761703A(43)申请公布日2023.03.07(21)申请号202211646310.1G06V10/80(2023.01)(22)申请日2022.12.21G06N3/0464(2022.01)G06N3/048(2022.01)(71)申请人中移动信息技术有限公司G06N3/08(2022.01)地址100033北京市西城区金融大街29号申请人中国移动通信集团有限公司(72)发明人杜壮张春孙昊(74)专利代理机构北京东方亿思知识产权代理有限责任公司11258专利代理师杨永恒(51)Int.Cl.G06V20/58(2022.01)G06V10/82(2022.01)G06V10/56(2023.01)G06V20/70(2023.01)G06V10/40(2022.01)权利要求书3页说明书14页附图3页(54)发明名称车辆识别模型训练方法、车辆识别方法及装置(57)摘要本申请公开了车辆识别模型训练方法、车辆识别方法及装置。该方法包括：获取第一训练样本；据第一训练样本中每张车辆图像和车辆图像中车辆的位置信息，对预先构建的车辆识别模型中的车辆位置识别模型进行训练，得到训练后的初始车辆识别模型，其中，预先构建的车辆识别模型还包括车辆属性识别模型；根据初始车辆识别模型，得到第二训练样本；根据第一训练样本和第二训练样本中每张车辆图像中每个车辆的第一车辆特征识别信息，对预先构建的车辆识别模型中的车辆属性识别模型进行训练，得到目标车辆识别模型。本申请能对车辆识别模型进行训练，从而车辆识别模型的识别效率。CN115761703ACN115761703A权利要求书1/3页1.一种车辆识别模型训练方法，其特征在于，包括：获取第一训练样本，其中，所述第一训练样本包括多张车辆图像和每张车辆图像的标识信息，每张所述车辆图像中包括至少一个车辆，每张车辆图像标识信息包括所述车辆图像中每个车辆的位置信息和每个车辆的属性信息；根据所述第一训练样本中每张车辆图像和所述车辆图像中车辆的位置信息，对预先构建的车辆识别模型中的车辆位置识别模型进行训练，得到训练后的初始车辆识别模型，其中，所述预先构建的车辆识别模型还包括车辆属性识别模型；根据所述初始车辆识别模型，提取每张所述车辆图像和所述车辆图像中每个车辆的第一车辆特征识别信息，得到第二训练样本；根据所述第一训练样本中每张图像中车辆的属性信息和所述第二训练样本中每张所述车辆图像中每个车辆的第一车辆特征识别信息，对预先构建的车辆识别模型中的车辆属性识别模型进行训练，得到目标车辆识别模型，所述目标车辆识别模型包括所述车辆位置识别模型和所述车辆属性识别模型。2.根据权利要求1所述的方法，其特征在于，在所述预先构建的车辆识别模型中，所述车辆属性识别模型和所述车辆位置识别模型依次连接；所述车辆位置识别模型为基于YOLOv5构建的车辆位置识别模型；所述车辆位置识别模型包括依次连接的第一图像特征提取网络、第二图像特征提取网络、第三图像特征提取网络，以及包括分别与第一图像特征提取网络、第二图像特征提取网络和第三图像特征提取网络连接的位置提取网络；所述车辆属性识别模型包括图像处理网络和至少一个属性识别网络，其中，每个所述属性识别网络均与所述图像处理网络连接；所述第一图像特征提取网络的输出端、第二图像特征提取网络的输出端、第三图像特征提取网络的输出端分别与所述图像处理网络连接；每个所述属性识别网络包括依次连接的基于注意力机制的特征提取层和全连接层。3.根据权利要求2所述的方法，其特征在于，所述属性识别网络包括以下属性识别网络中的至少一种：车辆颜色识别网络、车辆型号识别网络和车辆品牌识别网络。4.根据权利要求3所述的方法，其特征在于，当所述属性识别网络为车辆品牌识别网络时，所述属性识别网络包括双线性池化层，所述双线性池化层与所述全连接层连接，并用于输出车辆属性识别信息。5.根据权利要求2所述的方法，其特征在于，所述根据所述第一训练样本中每张车辆图像和所述车辆图像中车辆的位置信息，对预先构建的车辆识别模型中的车辆位置识别模型进行训练，得到训练后的初始车辆识别模型，包括：将每张所述车辆图像和所述车辆图像中每个车辆的位置信输入第一图像特征提取网络、第二图像特征提取网络、第三图像特征提取网络和位置提取网络，对所述第一图像特征提取网络、第二图像特征提取网络、第三图像特征提取网络和位置提取网络进行训练，直到满足第一预设训练条件，得到所述训练后的初始车辆识别模型；其中，所述第一预设训练条件包括所述车辆位置识别模型的训练次数达到预设次数。6.根据权利要求2所述的方法，其特征在于，所述第二训练样本包括每张所述车辆图像2CN115761703A权利要求书2/3页中每个车辆的第一车