本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，具體涉及一種車型識(shí)別方法及終端。

背景技術(shù)：

隨著交通運(yùn)輸業(yè)的快速發(fā)展，人們的出行日益便捷，但與此同時(shí)也伴隨著頻繁發(fā)生的交通事故、交通擁堵等現(xiàn)象，使得交通安全問題越來越成為人們重點(diǎn)關(guān)注的問題。在現(xiàn)代的科技背景下，人們引入了智能交通運(yùn)輸系統(tǒng)(Intelligent Transportation System,ITS)。

目前來看，車型識(shí)別及時(shí)作為智能交通運(yùn)輸系統(tǒng)的一個(gè)重要應(yīng)用，雖然車型識(shí)別技術(shù)已經(jīng)取得了非常大的進(jìn)步，識(shí)別率非常高，速度也很快。但是，該技術(shù)目前還存在很多未被解決的難題，比如光照、角度等問題帶來的識(shí)別上的干擾，因而，如何識(shí)別出兩輛車是否為同一車型的問題有待解決。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種車型識(shí)別方法及終端，以期可識(shí)別出同一車型的車輛。

本發(fā)明實(shí)施例第一方面提供了一種車型識(shí)別方法，包括：

獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛；

獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛；

確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域；

分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

可選地，所述采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離，包括：

采用所述目標(biāo)分類器對所述第一圖像進(jìn)行訓(xùn)練，得到P個(gè)特征，所述P為大于1的整數(shù)；

采用所述目標(biāo)分類器對所述第二圖像進(jìn)行訓(xùn)練，得到Q個(gè)特征，所述Q為大于1的整數(shù)；

分別對所述P個(gè)特征和所述Q個(gè)特征進(jìn)行主成分分析PCA處理，得到所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征；

根據(jù)所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標(biāo)分類器為神經(jīng)網(wǎng)絡(luò)分類器，所述神經(jīng)網(wǎng)絡(luò)分類器的softmax工具箱中加入了center loss函數(shù)。

可選地，所述center loss函數(shù)如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)。

可選地，在所述獲取第一目標(biāo)圖像之前，所述方法還包括：

獲取所述第一車輛的車型的正樣本集和負(fù)樣本集；

對所述正樣本集合所述負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征；

對所述多個(gè)特征進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

本發(fā)明實(shí)施例第二方面提供了一種終端，包括：

第一獲取單元，用于獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛；

第二獲取單元，用于獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛；

第一確定單元，用于確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域；

處理單元，用于分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

計(jì)算單元，用于采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離；

第二確定單元，用于在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型；

所述第二確定單元，還具體用于：

在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

可選地，所述計(jì)算單元包括：

訓(xùn)練模塊，用于采用所述目標(biāo)分類器對所述第一圖像進(jìn)行訓(xùn)練，得到P個(gè)特征，所述P為大于1的整數(shù)；

所述訓(xùn)練模塊，還具體用于：

采用所述目標(biāo)分類器對所述第二圖像進(jìn)行訓(xùn)練，得到Q個(gè)特征，所述Q為大于1的整數(shù)；

處理模塊，用于分別對所述P個(gè)特征和所述Q個(gè)特征進(jìn)行主成分分析PCA處理，得到所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征；

確定模塊，用于根據(jù)所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標(biāo)分類器為神經(jīng)網(wǎng)絡(luò)分類器，所述神經(jīng)網(wǎng)絡(luò)分類器的softmax工具箱中加入了center loss函數(shù)。

可選地，所述center loss函數(shù)如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)。

可選地，所述終端還包括：

第三獲取單元，用于在所述第一獲取單元獲取第一目標(biāo)圖像之前，獲取所述第一車輛的車型的正樣本集和負(fù)樣本集；

提取單元，用于對所述正樣本集合所述負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征；

訓(xùn)練單元，用于對所述多個(gè)特征進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：

通過本發(fā)明實(shí)施例，獲取第一目標(biāo)圖像，第一目標(biāo)圖像中包含第一車輛，獲取第二目標(biāo)圖像，第二目標(biāo)圖像中包含第二車輛，確定出，第一目標(biāo)圖像的第一車輛區(qū)域和第二目標(biāo)圖像的第二車輛區(qū)域，分別將，第一車輛區(qū)域和，第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標(biāo)分類器計(jì)算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為不同車型。如此，可識(shí)別出同一車型的車輛。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的一種車型識(shí)別方法的第一實(shí)施例流程示意圖；

圖2是本發(fā)明實(shí)施例提供的一種車型識(shí)別方法的第二實(shí)施例流程示意圖；

圖3a是本發(fā)明實(shí)施例提供的一種終端的第一實(shí)施例結(jié)構(gòu)示意圖；

圖3b是本發(fā)明實(shí)施例提供的圖3a所描述的終端的計(jì)算單元的結(jié)構(gòu)示意圖；

圖3c是本發(fā)明實(shí)施例提供的圖3a所描述的終端的又一結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例提供的一種終端的第二實(shí)施例結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及所述附圖中的術(shù)語“第一”、“第二”、“第三”和“第四”等是用于區(qū)別不同對象，而不是用于描述特定順序。此外，術(shù)語“包括”和“具有”以及它們?nèi)魏巫冃危鈭D在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

在本文中提及“實(shí)施例”意味著，結(jié)合實(shí)施例描述的特定特征、結(jié)構(gòu)或特性可以包含在本發(fā)明的至少一個(gè)實(shí)施例中。在說明書中的各個(gè)位置展示該短語并不一定均是指相同的實(shí)施例，也不是與其它實(shí)施例互斥的獨(dú)立的或備選的實(shí)施例。本領(lǐng)域技術(shù)人員顯式地和隱式地理解的是，本文所描述的實(shí)施例可以與其它實(shí)施例相結(jié)合。

本發(fā)明實(shí)施例所描述終端可以包括智能手機(jī)(如Android手機(jī)、iOS手機(jī)、Windows Phone手機(jī)等)、平板電腦、掌上電腦、筆記本電腦、移動(dòng)互聯(lián)網(wǎng)設(shè)備(MID，Mobile Internet Devices)或穿戴式設(shè)備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，這兩年在圖像識(shí)別、語音識(shí)別以及自然語言處理方面取得了巨大的成功。深度學(xué)習(xí)是通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練數(shù)據(jù)，可以學(xué)習(xí)出有用的特征，通過對大量樣本學(xué)習(xí)可以得到很高的識(shí)別正確率。但是在同時(shí)需要識(shí)別多個(gè)屬性時(shí)，已有的深度學(xué)習(xí)方法往往是通過將各個(gè)屬性獨(dú)立出來，為每一個(gè)屬性訓(xùn)練一個(gè)模型，這無疑大大增加了復(fù)雜度。因此，如何將各個(gè)屬性聯(lián)系起來，通過設(shè)計(jì)一個(gè)模型即可對多個(gè)屬性進(jìn)行識(shí)別成為當(dāng)下繼續(xù)解決的問題。

本發(fā)明實(shí)施例公開一種基于深度學(xué)習(xí)的車型識(shí)別方法。該方法在訓(xùn)練過程中基于softmax loss的基礎(chǔ)上引入center loss，提高了準(zhǔn)確率。主要包括以下3個(gè)步驟：獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛；

獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛；

確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域；

分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

上述步驟可歸納為下述三個(gè)步驟：

1)、首先，將從輸入的圖像中檢測到車型區(qū)域并截取車型區(qū)域圖像，然后將車型圖像對齊，縮放到特定尺寸。

2)、其次，所有訓(xùn)練圖像均由上述預(yù)處理后作為輸入，通過CNN訓(xùn)練得到車型的特征，并在softmax的基礎(chǔ)上加入center loss，使學(xué)到的特征具有更加好的泛化能力和辨別能力。通過懲罰每個(gè)種類的樣本與該種類樣本中心的偏移，使得同一種類的樣本盡量聚合在一起。相對于triplet和contrastive來說，這個(gè)目標(biāo)相對清晰，而且不需要像前兩者那樣構(gòu)造大量的訓(xùn)練對。

3)、最后，兩張車型圖像均經(jīng)過步驟(1)和(2)，獲取到相應(yīng)的特征，作為本步的輸入，通過訓(xùn)練好的模型，計(jì)算出兩張車型圖像進(jìn)過PCA后的余弦距離，并與先驗(yàn)的閾值進(jìn)行對比，如距離大于預(yù)設(shè)閾值，則認(rèn)為這兩張車型圖像非同一輛車，否則為同一輛車。

請參閱圖1，為本發(fā)明實(shí)施例提供的一種車型識(shí)別方法的第一實(shí)施例流程示意圖。本實(shí)施例中所描述的車型識(shí)別方法，包括以下步驟：

101、獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛。

可選地，第一目標(biāo)圖像中可包含第一車輛。

102、獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛。

103、確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域。

其中，第一車輛區(qū)域?yàn)榘谝卉囕v的區(qū)域，第二車輛區(qū)域未包含第二車輛的區(qū)域。

104、分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像。

其中，第一車輛區(qū)域在進(jìn)行對齊及縮放到指定尺寸后，得到第一圖像，第二車輛區(qū)域在進(jìn)行對齊及縮放到指定尺寸后，得到第二圖像。上述指定尺寸可由系統(tǒng)默認(rèn)或者用戶自行設(shè)置。在數(shù)據(jù)預(yù)處理階段，通過對數(shù)據(jù)的增強(qiáng)來提高CNN模型的識(shí)別能力和泛化能力。本發(fā)明將使用以下方法對預(yù)處理階段所得到的車型圖像進(jìn)行數(shù)據(jù)增強(qiáng)。首先，對顏色的數(shù)據(jù)增強(qiáng)，主要包括對色彩的飽和度、亮度以及對比度等方面。其次，對CNN網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行規(guī)范化，計(jì)算車型圖像的RBG顏色通道的均值和標(biāo)準(zhǔn)差，并在整個(gè)訓(xùn)練集上計(jì)算了協(xié)方差矩陣，最后進(jìn)行特征分解得到特征向量和特征值，并做PCA Jittering處理。最后，在訓(xùn)練的時(shí)候采用隨機(jī)的圖像差值方式對車型圖像進(jìn)行裁剪和縮放。

105、采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離。

可選地，上述步驟105中，采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離，可包括如下步驟：

51)、采用所述目標(biāo)分類器對所述第一圖像進(jìn)行訓(xùn)練，得到P個(gè)特征，所述P為大于1的整數(shù)；

52)、采用所述目標(biāo)分類器對所述第二圖像進(jìn)行訓(xùn)練，得到Q個(gè)特征，所述Q為大于1的整數(shù)；

53)、分別對所述P個(gè)特征和所述Q個(gè)特征進(jìn)行主成分分析PCA處理，得到所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征；

54)、根據(jù)所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)包括3個(gè)卷積層和3個(gè)局部卷積層以及一個(gè)全連接層。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，顯著提高現(xiàn)有計(jì)算機(jī)視覺水平。在大多數(shù)可用的CNN中，softmax損失函數(shù)被用作訓(xùn)練深度模型的監(jiān)視信號(hào)。為了增強(qiáng)深度學(xué)習(xí)特征的識(shí)別能力，本發(fā)明實(shí)施例為車型識(shí)別任務(wù)提出一種新的監(jiān)視信號(hào)，稱作為中心損失函數(shù)(center loss)。center loss的原理主要是在softmax loss的基礎(chǔ)上，通過對訓(xùn)練集的每個(gè)類別在特征空間分別維護(hù)一個(gè)類中心，在訓(xùn)練過程，增加樣本經(jīng)過網(wǎng)絡(luò)映射后在特征空間與類中心的距離約束，從而兼顧了類內(nèi)聚合與類間分離。同樣是作為訓(xùn)練階段的輔助loss，center loss相對于contrastive loss和triplet loss的優(yōu)點(diǎn)顯然省去了復(fù)雜并且含糊的樣本對構(gòu)造過程，只需要在特征輸出層中引入即可。通過softmax和center loss的聯(lián)合監(jiān)視，我們可以訓(xùn)練出足夠強(qiáng)大的CNN，得到兩個(gè)關(guān)鍵學(xué)習(xí)目標(biāo)的深層特征以及盡可能高的類間分散性和類內(nèi)緊密性，有利于提高準(zhǔn)確性。

可選地，上述目標(biāo)分類器為神經(jīng)網(wǎng)絡(luò)分類器，該神經(jīng)網(wǎng)絡(luò)分類器的softmax工具箱中加入了center loss函數(shù)。

進(jìn)一步可選地，所述center loss函數(shù)如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)。

具體地，為了開發(fā)有效的損失函數(shù)來提高辨別力的深層特征學(xué)習(xí)，其關(guān)鍵在于最小化類內(nèi)變化同時(shí)保持不同類的特征可分離，因此，本發(fā)明實(shí)施例中提出了中心損失函數(shù)。中心損失函數(shù)定義如下：

其中表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)，該公式有效地說明了類內(nèi)變化。并采取mini-batch的方式批量更新訓(xùn)練集的中心，在每次迭代過程中，中心由對應(yīng)類的特征所計(jì)算的均值產(chǎn)生。

其聯(lián)合損失函數(shù)定義如下：

其中，公式左邊是softmax損失函數(shù)，而右邊屬于center loss，λ參數(shù)用來協(xié)調(diào)兩個(gè)損失函數(shù)之間的平衡。

106、在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型。

107、在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

其中，上述預(yù)設(shè)閾值可由系統(tǒng)默認(rèn)或者用戶自行設(shè)置。在上述余弦距離小于預(yù)設(shè)閾值時(shí)，確定第一車輛和第二車輛為同一車型。在余弦距離大于或等于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為不同車型。上述車型可為：車的樣式或者型號(hào)。例如，轎車和卡車是不同的車型，或者，奔馳轎車與林肯轎車的車型也不一樣。

在實(shí)際應(yīng)用中，上述本發(fā)明實(shí)施例不僅可用于識(shí)別兩輛車的車型是否相同，還可以進(jìn)行如下操作，例如，可獲取多張圖像，每一圖像中包含一個(gè)車輛，可通過本發(fā)明實(shí)施例識(shí)別出屬于同一車型的圖像，也可以將多張圖像中的車輛進(jìn)行分類，例如，從大量車的圖像中找出同款車型。當(dāng)然，還可以從一類車中找出不屬于該類車的車型。上述車型可包括但不僅限于：巴士、卡車、摩托車、面包車等等。

可以看出，通過本發(fā)明實(shí)施例，獲取第一車輛的車型的正樣本集和負(fù)樣本集，對正樣本集合負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征，對多個(gè)特征進(jìn)行訓(xùn)練，得到目標(biāo)分類器，獲取第一目標(biāo)圖像，第一目標(biāo)圖像中包含第一車輛，獲取第二目標(biāo)圖像，第二目標(biāo)圖像中包含第二車輛，確定出，第一目標(biāo)圖像的第一車輛區(qū)域和第二目標(biāo)圖像的第二車輛區(qū)域，分別將，第一車輛區(qū)域和，第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標(biāo)分類器計(jì)算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為不同車型。如此，可識(shí)別出同一車型的車輛。

與上述一致地，請參閱圖2，為本發(fā)明實(shí)施例提供的一種車型識(shí)別方法的第二實(shí)施例流程示意圖。本實(shí)施例中所描述的車型識(shí)別方法，包括以下步驟：

201、獲取第一車輛的車型的正樣本集和負(fù)樣本集。

202、對所述正樣本集合所述負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征。

203、對所述多個(gè)特征進(jìn)行訓(xùn)練，得到目標(biāo)分類器。

其中，步驟201中的正樣本集可為第一車輛，例如，第一車輛的車型特征等等，正樣本集中包含多個(gè)正樣本。負(fù)樣本集則為用戶想檢索的目標(biāo)之外的景物，負(fù)樣本集中包含多個(gè)負(fù)樣本。上述正樣本集和負(fù)樣本集的包含的樣本數(shù)量當(dāng)然越多，訓(xùn)練出來的模型越準(zhǔn)確，但是，正樣本和負(fù)樣本的數(shù)量越多，也會(huì)增加訓(xùn)練時(shí)候的計(jì)算成本。采用分類器對正樣本集和負(fù)樣本集進(jìn)行訓(xùn)練，就可以得到一個(gè)訓(xùn)練模型。其中，上述分類器可為神經(jīng)網(wǎng)絡(luò)分類器，支持向量基(Support Vector Machine，SVM)分類器、遺傳算法分類器、CNN分類器等等。

204、獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛。

205、獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛。

206、確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域。

207、分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像。

208、采用所述目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離。

209、在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型。

210、在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

其中，上述步驟204-步驟210可參照圖1所描述的車型識(shí)別方法的對應(yīng)步驟。

可以看出，通過本發(fā)明實(shí)施例，獲取第一目標(biāo)圖像，第一目標(biāo)圖像中包含第一車輛，獲取第二目標(biāo)圖像，第二目標(biāo)圖像中包含第二車輛，確定出，第一目標(biāo)圖像的第一車輛區(qū)域和第二目標(biāo)圖像的第二車輛區(qū)域，分別將，第一車輛區(qū)域和，第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標(biāo)分類器計(jì)算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為不同車型。如此，可識(shí)別出同一車型的車輛。

與上述一致地，以下為實(shí)施上述車型識(shí)別方法的裝置，具體如下：

請參閱圖3a，為本發(fā)明實(shí)施例提供的一種終端的第一實(shí)施例結(jié)構(gòu)示意圖。本實(shí)施例中所描述的終端，包括：第一獲取單元301、第二獲取單元302、第一確定單元303、處理單元304、計(jì)算單元305和第二確定單元306，具體如下：

第一獲取單元301，用于獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛；

第二獲取單元302，用于獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛；

第一確定單元303，用于確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域；

處理單元304，用于分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

計(jì)算單元305，用于采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離；

第二確定單元306，用于在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型；

所述第二確定單元306，還具體用于：

在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

可選地，如圖3b，圖3b為圖3a所描述的終端的計(jì)算單元305的具體細(xì)化結(jié)構(gòu)，所述計(jì)算單元305可包括：訓(xùn)練模塊3051、處理模塊3052和確定模塊3053

訓(xùn)練模塊3051，用于采用所述目標(biāo)分類器對所述第一圖像進(jìn)行訓(xùn)練，得到P個(gè)特征，所述P為大于1的整數(shù)；

所述訓(xùn)練模塊3051，還具體用于：

采用所述目標(biāo)分類器對所述第二圖像進(jìn)行訓(xùn)練，得到Q個(gè)特征，所述Q為大于1的整數(shù)；

處理模塊3052，用于分別對所述P個(gè)特征和所述Q個(gè)特征進(jìn)行主成分分析PCA處理，得到所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征；

確定模塊3053，用于根據(jù)所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標(biāo)分類器為神經(jīng)網(wǎng)絡(luò)分類器，所述神經(jīng)網(wǎng)絡(luò)分類器的softmax工具箱中加入了center loss函數(shù)。

可選地，所述center loss函數(shù)如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)。

可選地，如圖3c，圖3c為圖3a所描述的終端的變型結(jié)構(gòu)，與圖3a所描述的終端相比較，其還包括：第三獲取單元307、提取單元308和訓(xùn)練單元309，具體如下：

第三獲取單元307，用于在所述第一獲取單元獲取第一目標(biāo)圖像之前，獲取所述第一車輛的車型的正樣本集和負(fù)樣本集；

提取單元308，用于對所述正樣本集合所述負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征；

訓(xùn)練單元309，用于對所述多個(gè)特征進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

可以看出，通過本發(fā)明實(shí)施例所描述的終端，可獲取第一目標(biāo)圖像，第一目標(biāo)圖像中包含第一車輛，獲取第二目標(biāo)圖像，第二目標(biāo)圖像中包含第二車輛，確定出，第一目標(biāo)圖像的第一車輛區(qū)域和第二目標(biāo)圖像的第二車輛區(qū)域，分別將，第一車輛區(qū)域和，第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像，采用目標(biāo)分類器計(jì)算出第一圖像和第二圖像之間的余弦距離，在余弦距離小于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為同一車型，在余弦距離大于或等于預(yù)設(shè)閾值時(shí)，確定第一車輛和所述第二車輛為不同車型。如此，可識(shí)別出同一車型的車輛。

與上述一致地，請參閱圖4，為本發(fā)明實(shí)施例提供的一種終端的第二實(shí)施例結(jié)構(gòu)示意圖。本實(shí)施例中所描述的終端，包括：至少一個(gè)輸入設(shè)備1000；至少一個(gè)輸出設(shè)備2000；至少一個(gè)處理器3000，例如CPU；和存儲(chǔ)器4000，上述輸入設(shè)備1000、輸出設(shè)備2000、處理器3000和存儲(chǔ)器4000通過總線5000連接。

其中，上述輸入設(shè)備1000具體可為觸控面板、物理按鍵或者鼠標(biāo)。

上述輸出設(shè)備2000具體可為顯示屏。

上述存儲(chǔ)器4000可以是高速RAM存儲(chǔ)器，也可為非易失存儲(chǔ)器(non-volatile memory)，例如磁盤存儲(chǔ)器。上述存儲(chǔ)器4000用于存儲(chǔ)一組程序代碼，上述輸入設(shè)備1000、輸出設(shè)備2000和處理器3000用于調(diào)用存儲(chǔ)器4000中存儲(chǔ)的程序代碼，執(zhí)行如下操作：

上述處理器3000，用于：

獲取第一目標(biāo)圖像，所述第一目標(biāo)圖像中包含第一車輛；

獲取第二目標(biāo)圖像，所述第二目標(biāo)圖像中包含第二車輛；

確定出所述第一目標(biāo)圖像的第一車輛區(qū)域和所述第二目標(biāo)圖像的第二車輛區(qū)域；

分別將所述第一車輛區(qū)域和所述第二目標(biāo)圖像進(jìn)行對齊，并縮放到指定尺寸，得到第一圖像和第二圖像；

采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離；

在所述余弦距離小于預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為同一車型；

在所述余弦距離大于或等于所述預(yù)設(shè)閾值時(shí)，確定所述第一車輛和所述第二車輛為不同車型。

可選地，上述處理器3000采用目標(biāo)分類器計(jì)算出所述第一圖像和所述第二圖像之間的余弦距離，包括：

采用所述目標(biāo)分類器對所述第一圖像進(jìn)行訓(xùn)練，得到P個(gè)特征，所述P為大于1的整數(shù)；

采用所述目標(biāo)分類器對所述第二圖像進(jìn)行訓(xùn)練，得到Q個(gè)特征，所述Q為大于1的整數(shù)；

分別對所述P個(gè)特征和所述Q個(gè)特征進(jìn)行主成分分析PCA處理，得到所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征；

根據(jù)所述P個(gè)目標(biāo)特征和所述Q個(gè)目標(biāo)特征確定所述第一圖像和所述第二圖像之間的余弦距離。

可選地，所述目標(biāo)分類器為神經(jīng)網(wǎng)絡(luò)分類器，所述神經(jīng)網(wǎng)絡(luò)分類器的softmax工具箱中加入了center loss函數(shù)。

可選地，所述center loss函數(shù)如下：

其中，表示第y_i類的中心深層特征，m表示批量處理圖像的數(shù)據(jù)量大小，x_i表示第i張圖像的深層特征，L_c為center loss函數(shù)。

可選地，上述處理器3000在所述獲取第一目標(biāo)圖像之前，還具體用于：

獲取所述第一車輛的車型的正樣本集和負(fù)樣本集；

對所述正樣本集合所述負(fù)樣本集進(jìn)行特征提取，得到多個(gè)特征；

對所述多個(gè)特征進(jìn)行訓(xùn)練，得到所述目標(biāo)分類器。

本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其中，該計(jì)算機(jī)存儲(chǔ)介質(zhì)可存儲(chǔ)有程序，該程序執(zhí)行時(shí)包括上述方法實(shí)施例中記載的任何一種車型識(shí)別方法的部分或全部步驟。

盡管在此結(jié)合各實(shí)施例對本發(fā)明進(jìn)行了描述，然而，在實(shí)施所要求保護(hù)的本發(fā)明過程中，本領(lǐng)域技術(shù)人員通過查看所述附圖、公開內(nèi)容、以及所附權(quán)利要求書，可理解并實(shí)現(xiàn)所述公開實(shí)施例的其他變化。在權(quán)利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個(gè)”不排除多個(gè)的情況。單個(gè)處理器或其他單元可以實(shí)現(xiàn)權(quán)利要求中列舉的若干項(xiàng)功能。相互不同的從屬權(quán)利要求中記載了某些措施，但這并不表示這些措施不能組合起來產(chǎn)生良好的效果。

本領(lǐng)域技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、裝置(設(shè)備)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。計(jì)算機(jī)程序存儲(chǔ)/分布在合適的介質(zhì)中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過Internet或其它有線或無線電信系統(tǒng)。

本發(fā)明是參照本發(fā)明實(shí)施例的方法、裝置(設(shè)備)和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

盡管結(jié)合具體特征及其實(shí)施例對本發(fā)明進(jìn)行了描述，顯而易見的，在不脫離本發(fā)明的精神和范圍的情況下，可對其進(jìn)行各種修改和組合。相應(yīng)地，本說明書和附圖僅僅是所附權(quán)利要求所界定的本發(fā)明的示例性說明，且視為已覆蓋本發(fā)明范圍內(nèi)的任意和所有修改、變化、組合或等同物。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。