[发明专利]车型识别方法、电子设备及相关产品

说明书

本申请实施例公开了一种车型识别方法、电子设备及相关产品，该方法包括：获取待处理图像，待处理图像为车辆图像；将待处理图像划分为A1个小块，将A1个小块输入到神经网络模型以进行第一处理，得到第一分类结果，A1为正整数；将待处理图像划分为A2个小块，将A2个小块输入到神经网络模型以进行第二处理，得到第二分类结果；将待处理图像划分为A3个小块，将A3个小块输入到神经网络模型以进行第三处理，得到第三分类结果；将第一分类结果、第二分类结果和第三分类结果进行级联拼接，得到级联分类结果；对级联分类结果进行分类处理，得到目标分类结果。采用本申请实施例可以提升车型识别效率。

技术领域

本申请涉及图像处理技术领域，具体涉及一种车型识别方法、电子设备及相关产品。

背景技术

随着城市汽车数量的不断攀升，由此带来的交通和环境问题也日渐加剧。为了应对这些问题，智能交通系统已经成为城市发展的重点研究对象。而在智能交通系统中，对于车型的细粒度识别，已经被证明是一项关键技术，在处理包括提高收费效率，裁定交通责任和追踪肇事逃逸等等交通问题上有着得天独厚的优势。车型识别是计算机视觉领域的一个研究热点，在交通安全、卡口管理、车流统计等方面有着广泛应用，对于智能交通系统的建设具有重要的意义。

然而，现有的车型识别方法主要采用手工设计特征，这类特征属于低级特征，在处理细粒度分类问题上存在较大的局限性。而深度学习在提取高层语义特征方面有其先天优势，能够针对特定任务从大数据中学习到有效的特征表示。但大多基于深度学习的车型识别都只考虑了车辆的全局特征，而忽视了局部特征的重要性。作为细粒度分类问题的子问题，由于不同类别的车辆在形态、结构上具有一致性，尤其是同品牌的车型之间的差异性甚至更小，误识别的概率就越高。因此，如何提升车型识别精准率的问题亟待解决。

发明内容

本申请实施例提供了一种车型识别方法及相关产品，能够提升车型识别效率。

第一方面，本申请实施例提供一种车型识别方法，所述电子设备包括神经网络模型，所述神经网络模型包括第一层级网络、第二层级网络、第三层级网络、第四层级网络和第五层级网络，所述方法包括：

获取待处理图像，所述待处理图像为车辆图像；

将所述待处理图像划分为A1个小块，将所述A1个小块输入到所述神经网络模型以进行第一处理，得到第一分类结果，所述A1为正整数；

将所述待处理图像划分为A2个小块，将所述A2个小块输入到所述神经网络模型以进行第二处理，得到第二分类结果，所述A2为小于所述A1的正整数；

将所述待处理图像划分为A3个小块，将所述A3个小块输入到所述神经网络模型以进行第三处理，得到第三分类结果，所述A3为小于所述A2的正整数；

将所述第一分类结果、所述第二分类结果和所述第三分类结果进行级联拼接，得到级联分类结果；

对所述级联分类结果进行分类处理，得到目标分类结果。

第二方面，本申请实施例提供一种车型识别装置，应用于电子设备，所述电子设备包括神经网络模型，所述神经网络模型包括第一层级网络、第二层级网络、第三层级网络、第四层级网络和第五层级网络，所述装置包括：获取单元、第一处理单元、第二处理单元、第三处理单元、拼接单元和分类单元，其中，

所述获取单元，用于获取待处理图像，所述待处理图像为车辆图像；

所述第一处理单元，用于将所述待处理图像划分为A1个小块，将所述A1个小块输入到所述神经网络模型以进行第一处理，得到第一分类结果，所述A1为正整数；

所述第二处理单元，用于将所述待处理图像划分为A2个小块，将所述A2个小块输入到所述神经网络模型以进行第二处理，得到第二分类结果，所述A2为小于所述A1的正整数；