[发明专利]车型的识别方法和装置

权利要求书

1.一种车型的识别方法，其特征在于，包括：

获取到对目标图片中的车辆进行车型识别的请求；

使用预设神经网络模型识别出所述目标图片中的车辆为目标车型，其中，所述预设神经网络模型是使用训练集合对用于进行车型识别的深度卷积神经网络模型进行训练得到的，所述训练集合是对多个车型的图片进行第一预处理得到的图片集合，所述第一预处理用于增强所述预设神经网络模型的鲁棒性，多个所述车型包括所述目标车型；

响应于所述请求，返回包括所述目标车型的识别结果。

2.根据权利要求1所述的方法，其特征在于，在获取到对目标图片中的车辆进行车型识别的请求之前，所述方法还包括：

对多个所述车型的图片进行所述第一预处理，得到所述训练集合；

使用所述训练集合对用于进行车型识别的所述深度卷积神经网络模型进行训练，得到所述预设神经网络模型。

3.根据权利要求2所述的方法，其特征在于，对多个所述车型的图片进行所述第一预处理包括：

对多个所述车型的图片中的每个图片进行如下处理，其中，所述每个图片被视为当前图片：

对所述当前图片进行第一处理操作和第二处理操作，得到第一图片，其中，所述第一图片被视为所述训练集合中的图片，所述第一处理操作包括随机旋转和随机裁剪的操作，所述随机旋转和所述随机裁剪的操作用于消除图像采集角度对车型识别的影响，所述第二处理操作用于消除图像采集环境对车型识别的影响。

4.根据权利要求3所述的方法，其特征在于，对所述当前图片进行第一处理操作和第二处理操作包括：

对所述当前图片进行尺寸调整、随机旋转、随机裁剪、高斯平滑处理、亮度调整以及饱和度调整，得到第二图片；

对所述第二图片进行直方图均衡化处理，得到第三图片；

对所述第三图片进行白化处理，得到所述第一图片。

5.根据权利要求2所述的方法，其特征在于，使用所述训练集合对用于进行车型识别的所述深度卷积神经网络模型进行训练，得到所述预设神经网络模型包括：

通过所述深度卷积神经网络模型的多个卷积层识别出所述训练集合中属于每个所述车型的所有图片的多个第一特征信息；

通过所述深度卷积神经网络模型的特征分类层从每个所述车型的所有所述第一特征信息中提取出每个所述车型的特征集合之后，得到所述预设神经网络模型，其中，所述特征集合包括所有所述第一特征信息中用于指示所述车型的第二特征信息，所述特征集合保存在所述预设神经网络模型中。

6.根据权利要求1所述的方法，其特征在于，

在使用预设神经网络模型识别出所述目标图片中的车辆为目标车型之前，所述方法还包括：对所述目标图片进行第二预处理；

使用预设神经网络模型识别出所述目标图片中的车辆为目标车型包括：将经过所述第二预处理的所述目标图片的图片数据作为所述预设神经网络模型的输入，以识别出所述目标图片中的车辆为所述目标车型。

7.根据权利要求6所述的方法，其特征在于，对所述目标图片进行第二预处理包括：

对所述目标图片进行如下处理：按照汽车框架进行裁剪、尺寸调整、高斯平滑处理、亮度调整以及饱和度调整，得到第四图片；

将所述第四图片的进行直方图均衡化处理，得到第五图片；

将所述第五图片进行白化处理，得到待输入所述预设神经网络模型的图片数据。

8.根据权利要求6所述的方法，其特征在于，将经过所述第二预处理的所述目标图片的图片数据作为所述预设神经网络模型的输入，以识别出所述目标图片中的车辆为所述目标车型包括：

通过所述预设神经网络模型的多个卷积层识别出所述目标图片的第三特征信息；

获取所述目标图片的第三特征信息与每个所述车型的特征集合中的特征信息的匹配度；

确定与多个所述车型的多个所述匹配度中的目标匹配度对应的所述车型为所述目标车型，其中，所述目标匹配度包括多个所述匹配度中数值从大到小的排列中的前N个所述匹配度，N为正整数。