本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于圖像的車型識(shí)別方法及裝置。

背景技術(shù)：

隨著現(xiàn)代化經(jīng)濟(jì)的高速發(fā)展，機(jī)動(dòng)車的數(shù)量和種類日益增加，這使得城市的交通狀況不斷惡化。而智能交通系統(tǒng)的出現(xiàn)，不僅緩解了交通阻塞問題，還能夠?qū)崿F(xiàn)對交通狀況的實(shí)時(shí)監(jiān)控。在管理機(jī)動(dòng)車違章、交通事故的應(yīng)急處理、環(huán)境的保護(hù)、能源的節(jié)約等方面，智能交通系統(tǒng)均有著顯著的效果。而在智能交通系統(tǒng)中的電子警察系統(tǒng)，能夠?qū)崟r(shí)監(jiān)控機(jī)動(dòng)車的違章行為(如闖紅燈、逆行、超速、越線行駛、違例?？康?。其中，車型識(shí)別是電子警察系統(tǒng)實(shí)現(xiàn)上述功能的主要技術(shù)手段。實(shí)際應(yīng)用時(shí)，電子警察系統(tǒng)通過攝像機(jī)拍攝卡口圖片后，提取卡口照片中車輛的具體信息(車牌和車型等)，以此為依據(jù)來對車輛使用假牌、套用車牌和盜用車牌等現(xiàn)象進(jìn)行識(shí)別和處理。

現(xiàn)有的電子警察系統(tǒng)所用的車型識(shí)別方法，一般在使用方向梯度直方圖(HOG)、局部二值模式(LBP)、哈爾(Haar)特征、詞袋模型、費(fèi)舍爾向量等方法提取圖像中車型的特征后，將提取到的車型特征輸入分類器中進(jìn)行分類識(shí)別來獲取圖像中指定車輛的車型信息。然而，上述幾種特征提取方法的魯棒性較差，各有其局限性。且上述幾種方法所獲取到的車型特征的維數(shù)較大，難以進(jìn)行精準(zhǔn)的車型識(shí)別，在大規(guī)模車型圖像識(shí)別應(yīng)用中，特征獲取過程的運(yùn)算時(shí)間長，車型識(shí)別的效率低。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于圖像的車型識(shí)別方法及裝置，能夠解決現(xiàn)有技術(shù)在提取車型特征的過程中運(yùn)算時(shí)間長、車型識(shí)別效率低的問題，提高車型識(shí)別的準(zhǔn)確率。

本發(fā)明實(shí)施例提供的基于圖像的車型識(shí)別方法，包括：

獲取待識(shí)別車輛的圖像；

構(gòu)建測試網(wǎng)絡(luò)；

將所述待識(shí)別車輛的圖像輸入所述測試網(wǎng)絡(luò)，得到所述待識(shí)別車輛的車型特征；

根據(jù)所述車型特征，確定所述待識(shí)別車輛的車型。

優(yōu)選地，所述根據(jù)所述車型特征，確定所述待識(shí)別車輛的車型，具體包括：

獲取所述車型特征中的最大特征值，所述車型特征包括至少兩個(gè)特征值；

根據(jù)車型特征模型，獲取所述最大特征值所對應(yīng)的車型，所述車型特征模型是預(yù)先根據(jù)所述測試網(wǎng)絡(luò)得到的，所述車型特征模型為車型與特征值的一一對應(yīng)關(guān)系；

將所述最大特征值所對應(yīng)的車型確定為所述待識(shí)別車輛的車型。

優(yōu)選地，所述獲取待識(shí)別車輛的圖像，具體包括：

獲取原始圖像，所述原始圖像中包括所述待識(shí)別車輛；

檢測所述原始圖像中所述待識(shí)別車輛的位置，得到所述待識(shí)別車輛的檢測框；

根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映所述原始圖像中所述待識(shí)別車輛的實(shí)際位置；

根據(jù)所述真實(shí)框，提取所述原始圖像上所述待識(shí)別車輛的圖像。

優(yōu)選地，構(gòu)建所述測試網(wǎng)絡(luò)并得到所述車型特征模型的方法，具體包括：

獲取第一訓(xùn)練圖像集合，所述第一訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

建立深度卷積神經(jīng)網(wǎng)絡(luò)，并以所述第一訓(xùn)練圖像集合中的圖像為輸入訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)；

根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建所述測試網(wǎng)絡(luò)；

將所述第一訓(xùn)練圖像集合中的圖像輸入所述測試網(wǎng)絡(luò)，確定所述第一訓(xùn)練圖像集合中每個(gè)車型所對應(yīng)的特征值，得到所述車型特征模型。

優(yōu)選地，所述獲取第一訓(xùn)練圖像集合，具體包括：

獲取多個(gè)不同車型車輛的原始圖像；

逐一檢測每個(gè)原始圖像中車輛的位置，得到該原始圖像中車輛的檢測框后，根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映該原始圖像中車輛的實(shí)際位置；

根據(jù)所述每個(gè)原始圖像中的真實(shí)框，提取所述每個(gè)原始圖像上車輛的圖像，得到所述第一訓(xùn)練圖像集合。

優(yōu)選地，所述根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，具體包括：

獲取所述檢測框中心點(diǎn)的坐標(biāo)以及所述檢測框的寬和高；

依據(jù)公式G_x1＝P_w1d_x1(P)+P_x1和公式G_y1＝P_h1d_y1(P)+P_y1，得到所述真實(shí)框中心點(diǎn)的坐標(biāo)；

依據(jù)公式G_w1＝P_w1exp[d_w1(P)]和公式G_h1＝P_h1exp[d_h1(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框中心點(diǎn)的坐標(biāo)為(P_x1,P_y1)，所述檢測框的寬為P_w1，所述檢測框的高為P_h1，所述真實(shí)框中心點(diǎn)的坐標(biāo)為(G_x1,G_y1)，所述真實(shí)框的寬為G_w1，所述真實(shí)框的高為G_h1，d_x1(P)、d_y1(P)、d_w1(P)和d_h1(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)；

或，

獲取所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)以及所述檢測框的寬和高；

依據(jù)公式G_x2＝P_w2d_x2(P)+P_x2和公式G_y2＝P_h2d_y2(P)+P_y2，得到所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)；

依據(jù)公式G_w2＝P_w2exp[d_w2(P)]和公式G_h2＝P_h2exp[d_h2(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)為(P_x2,P_y2)，所述檢測框的寬為P_w2，所述檢測框的高為P_h2，所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)為(G_x2,G_y2)，所述真實(shí)框的寬為G_w2，所述真實(shí)框的高為G_h2，d_x2(P)、d_y2(P)、d_w2(P)和d_h2(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)。

優(yōu)選地，得到所述轉(zhuǎn)換函數(shù)的方法，具體包括：

獲取所述第二訓(xùn)練圖像集合，所述第二訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

逐一檢測所述車輛的位置，得到該圖像上車輛的檢測框，并獲取該圖像上車輛的真實(shí)框；

獲取所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框中圖像的特征；

根據(jù)所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框和真實(shí)框以及該檢測框中圖像的特征，訓(xùn)練公式G_x＝P_wd_x(P)+P_x、G_y＝P_hd_y(P)+P_y、G_w＝P_wexp[d_w(P)]和G_h＝P_hexp[d_h(P)]，得到所述轉(zhuǎn)換函數(shù)。

優(yōu)選地，所述測試網(wǎng)絡(luò)，包括：一個(gè)輸入層、四個(gè)卷積層、四個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層；

所述輸入層之后連接第一個(gè)卷積層，每個(gè)卷積層之后連接與其對應(yīng)的池化層，上一個(gè)卷積層所對應(yīng)的池化層之后連接下一個(gè)卷積層，最后一個(gè)池化層之后連接所述兩個(gè)全連接層，所述兩個(gè)全連接層之后連接所述輸出層。

優(yōu)選地，所述四個(gè)卷積層中卷積核大小依次為7×7像素、3×3像素、3×3像素和3×3像素，特征圖個(gè)數(shù)依次為48個(gè)、96個(gè)、128個(gè)和256個(gè)；

所述四個(gè)池化層為2×2大小的最大池化；

所述兩個(gè)全連接層的大小分別是1024維和4096維。

本發(fā)明實(shí)施例提供的基于圖像的車型識(shí)別裝置，包括：圖像獲取模塊、網(wǎng)絡(luò)構(gòu)建模塊、特征獲取模塊和車型確定模塊；

所述圖像獲取模塊，用于獲取待識(shí)別車輛的圖像；

所述網(wǎng)絡(luò)構(gòu)建模塊，用于構(gòu)建測試網(wǎng)絡(luò)；

所述特征獲取模塊，用于將所述待識(shí)別車輛的圖像輸入所述測試網(wǎng)絡(luò)，得到所述待識(shí)別車輛的車型特征；

所述車型確定模塊，用于根據(jù)所述車型特征，確定所述待識(shí)別車輛的車型。

優(yōu)選地，所述車型確定模塊，具體包括：比較子模塊、對比子模塊和確定子模塊；

所述比較子模塊，用于獲取所述車型特征中的最大特征值，所述車型特征包括至少兩個(gè)特征值；

所述對比子模塊，用于根據(jù)車型特征模型，獲取所述最大特征值所對應(yīng)的車型，所述車型特征模型是預(yù)先根據(jù)所述測試網(wǎng)絡(luò)得到的，所述車型特征模型為車型與特征值的一一對應(yīng)關(guān)系；

所述確定子模塊，用于將所述最大特征值所對應(yīng)的車型確定為所述待識(shí)別車輛的車型。

優(yōu)選地，所述圖像獲取模塊，具體包括：原始圖像獲取子模塊、檢測子模塊、映射子模塊和提取子模塊；

所述原始圖像獲取子模塊，用于獲取原始圖像，所述原始圖像中包括所述待識(shí)別車輛；

所述檢測子模塊，用于檢測所述原始圖像中所述待識(shí)別車輛的位置，得到所述待識(shí)別車輛的檢測框；

所述映射子模塊，用于根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映所述原始圖像中所述待識(shí)別車輛的實(shí)際位置；

所述提取子模塊，用于根據(jù)所述真實(shí)框，提取所述原始圖像上所述待識(shí)別車輛的圖像。

優(yōu)選地，所述網(wǎng)絡(luò)構(gòu)建模塊，具體包括：圖像集合獲取子模塊、訓(xùn)練子模塊、構(gòu)建子模塊和模型獲取子模塊；

所述圖像集合獲取子模塊，用于獲取第一訓(xùn)練圖像集合，所述第一訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

所述訓(xùn)練子模塊，用于建立深度卷積神經(jīng)網(wǎng)絡(luò)，并以所述第一訓(xùn)練圖像集合中的圖像為輸入訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)；

所述構(gòu)建子模塊，用于根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建所述測試網(wǎng)絡(luò)；

所述第三獲取子模塊，用于將所述第一訓(xùn)練圖像集合中的圖像輸入所述測試網(wǎng)絡(luò)，確定所述第一訓(xùn)練圖像集合中每個(gè)車型所對應(yīng)的特征值，得到所述車型特征模型。

優(yōu)選地，所述圖像集合獲取子模塊，具體包括：原始圖像獲取子模塊、映射子模塊和提取子模塊；

所述原始圖像獲取子模塊，用于獲取多個(gè)不同車型車輛的原始圖像；

所述映射子模塊，用于逐一檢測每個(gè)原始圖像中車輛的位置，得到該原始圖像中車輛的檢測框后，根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映該原始圖像中車輛的實(shí)際位置；

所述提取子模塊，用于根據(jù)所述每個(gè)原始圖像中的真實(shí)框，提取所述每個(gè)原始圖像上車輛的圖像，得到所述第一訓(xùn)練圖像集合。

優(yōu)選地，所述映射子模塊，具體包括：第一獲取子模塊、第一計(jì)算子模塊和第二計(jì)算子模塊；

所述第一獲取子模塊，用于獲取所述檢測框中心點(diǎn)的坐標(biāo)以及所述檢測框的寬和高；

所述第一計(jì)算子模塊，用于依據(jù)公式G_x1＝P_w1d_x1(P)+P_x1和公式G_y1＝P_h1d_y1(P)+P_y1，得到所述真實(shí)框中心點(diǎn)的坐標(biāo)；

所述第二計(jì)算子模塊，用于依據(jù)公式G_w1＝P_w1exp[d_w1(P)]和公式G_h1＝P_h1exp[d_h1(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框中心點(diǎn)的坐標(biāo)為(P_x1,P_y1)，所述檢測框的寬為P_w1，所述檢測框的高為P_h1，所述真實(shí)框中心點(diǎn)的坐標(biāo)為(G_x1,G_y1)，所述真實(shí)框的寬為G_w1，所述真實(shí)框的高為G_h1，d_x1(P)、d_y1(P)、d_w1(P)和d_h1(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)；

或，

所述第一獲取子模塊，用于獲取所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)以及所述檢測框的寬和高；

所述第一計(jì)算子模塊，用于依據(jù)公式G_x2＝P_w2d_x2(P)+P_x2和公式G_y2＝P_h2d_y2(P)+P_y2，得到所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)；

所述第二計(jì)算子模塊，用于依據(jù)公式G_w2＝P_w2exp[d_w2(P)]和公式G_h2＝P_h2exp[d_h2(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)為(P_x2,P_y2)，所述檢測框的寬為P_w2，所述檢測框的高為P_h2，所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)為(G_x2,G_y2)，所述真實(shí)框的寬為G_w2，所述真實(shí)框的高為G_h2，d_x2(P)、d_y2(P)、d_w2(P)和d_h2(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)。

優(yōu)選地，所述映射子模塊，還用于得到所述轉(zhuǎn)換函數(shù)；

所述映射子模塊，具體還包括：圖像集合獲取子模塊、檢測子模塊、特征獲取子模塊和訓(xùn)練子模塊；

所述圖像集合獲取子模塊，用于獲取所述第二訓(xùn)練圖像集合，所述第二訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

所述檢測子模塊，用于逐一檢測所述車輛的位置，得到該圖像上車輛的檢測框，并獲取該圖像上車輛的真實(shí)框；

所述特征獲取子模塊，用于獲取所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框中圖像的特征；

所述訓(xùn)練子模塊，用于根據(jù)所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框和真實(shí)框以及該檢測框中圖像的特征，訓(xùn)練公式G_x＝P_wd_x(P)+P_x、G_y＝P_hd_y(P)+P_y、G_w＝P_wexp[d_w(P)]和G_h＝P_hexp[d_h(P)]，得到所述轉(zhuǎn)換函數(shù)。

優(yōu)選地，所述測試網(wǎng)絡(luò)，包括：一個(gè)輸入層、四個(gè)卷積層、四個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層；

所述輸入層之后連接第一個(gè)卷積層，每個(gè)卷積層之后連接與其對應(yīng)的池化層，上一個(gè)卷積層所對應(yīng)的池化層之后連接下一個(gè)卷積層，最后一個(gè)池化層之后連接所述兩個(gè)全連接層，所述兩個(gè)全連接層之后連接所述輸出層。

優(yōu)選地，所述四個(gè)卷積層中卷積核大小依次為7×7像素、3×3像素、3×3像素和3×3像素，特征圖個(gè)數(shù)依次為48個(gè)、96個(gè)、128個(gè)和256個(gè)；

所述四個(gè)池化層為2×2大小的最大池化；

所述兩個(gè)全連接層的大小分別是1024維和4096維。

與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供的基于圖像的車型識(shí)別方法，先收集車輛的原始圖片，使用車輛定位技術(shù)對原始圖片進(jìn)行車輛的定位，再將定位的車輛圖片歸一化為同樣大小。之后針對車型識(shí)別，設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層和全連接層的個(gè)數(shù)，以及各卷積層所得到的特征圖的個(gè)數(shù)。再以之前得到的車輛圖片為輸入訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到基于深度卷積神經(jīng)網(wǎng)絡(luò)的測試網(wǎng)絡(luò)以及車型特征模型。實(shí)際進(jìn)行車型識(shí)別時(shí)，通過將待識(shí)別車輛的圖像輸入預(yù)先構(gòu)建好的測試網(wǎng)絡(luò)，獲得該車輛的車型特征。之后，將獲得到的車型特征中的最大特征值與預(yù)先得到的車型特征模型作對比，得到該車輛的車型。本發(fā)明實(shí)施例提供的基于圖像的車型識(shí)別方法，采用深度卷積神經(jīng)網(wǎng)絡(luò)獲取車型特征，能夠縮短特征獲取的運(yùn)算時(shí)間。另外，深度卷積神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示、屬性類別或特征，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而增強(qiáng)了分類器的魯棒性，提高車型識(shí)別的準(zhǔn)確率和精度。

附圖說明

為了更清楚地說明本申請實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請中記載的一些實(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)這些附圖獲得其它的附圖。

圖1a為車輛原始圖像的示意圖；

圖1b為現(xiàn)有的車輛檢測方法定位出的原始圖像中車輛的示意圖；

圖1c為經(jīng)Bounding-box回歸計(jì)算后得出的車輛定位結(jié)果的示意圖；

圖2為本發(fā)明提供的基于圖像的車型檢測方法實(shí)施例的流程示意圖；

圖3為本發(fā)明實(shí)施例提供的基于圖像的車型檢測方法中獲取車輛定位的真實(shí)框方法的流程示意圖；

圖4為本發(fā)明提供的基于圖像的車型識(shí)別裝置實(shí)施例一的結(jié)構(gòu)示意圖；

圖5為本發(fā)明提供的基于圖像的車型識(shí)別裝置實(shí)施例二的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，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)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(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。

現(xiàn)有的車型檢測方法，在采用不同的特征提取方法獲取車型特征時(shí)，魯棒性較差。并且，獲得的車型特征維數(shù)較大，在大規(guī)模車型圖像識(shí)別應(yīng)用中運(yùn)算時(shí)間長，識(shí)別效率低，難以進(jìn)行精準(zhǔn)的車型識(shí)別。此外，在獲取車型特征前對車輛進(jìn)行定位時(shí)，現(xiàn)有的車輛檢測方法只能對車輛的位置進(jìn)行粗定位，這會(huì)對后續(xù)特征提取的精度造成影響。具體如圖1a和圖1b所示，其中，圖1a示出了車輛的原始圖像，圖1b示出了現(xiàn)有的車輛檢測方法定位出的車輛檢測框。

為此，本發(fā)明提供了一種基于圖像的車型識(shí)別方法及裝置，采用深度卷積神經(jīng)網(wǎng)絡(luò)來獲取圖像中車輛的車型特征。之后，根據(jù)樣本訓(xùn)練時(shí)獲得的車型特征模型以及獲取到的車型特征，準(zhǔn)確的識(shí)別出圖像中車輛的車型。深度卷積神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示、屬性類別或特征，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而增強(qiáng)了分類器的魯棒性，提高車型識(shí)別的準(zhǔn)確率。在此基礎(chǔ)上，本發(fā)明提供的一種基于圖像的車型識(shí)別方法及裝置還采用了Bounding-box回歸的方法，將現(xiàn)有的車輛檢測方法檢測出的車輛檢測框回歸至真實(shí)框(反映了該圖像中車輛的實(shí)際位置)，對車輛進(jìn)行精準(zhǔn)定位，進(jìn)一步提高了后續(xù)車型檢測的精度。具體如圖1c所示，該圖示出了采用Bounding-box回歸之后得到的真實(shí)框。

基于上述思想，為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式做詳細(xì)的說明。

方法實(shí)施例：

參見圖2，該圖為本發(fā)明提供一種基于圖像的車型識(shí)別方法實(shí)施例的流程示意圖。

本實(shí)施例提供的基于圖像的車型識(shí)別方法，包括：

S201：獲取待識(shí)別車輛的圖像；

可以理解的是，為了提高車型識(shí)別的精度及準(zhǔn)確率，一般將定位出的車型圖像作為待識(shí)別車輛的圖像輸入車型識(shí)別系統(tǒng)。例如，將圖1b或圖1c中示出的車輛檢測的定位框(白色線框)范圍以內(nèi)的圖像作為待識(shí)別車輛的圖像。

這里需要說明的是，車輛檢測定位的精度越高，可相應(yīng)的減小待識(shí)別車輛的圖像中除車輛圖像之外的背景信息，獲取車輛特征時(shí)的干擾因素越少，后續(xù)車型識(shí)別的準(zhǔn)確率和精度就會(huì)越高。這樣，為進(jìn)一步提高車型識(shí)別的準(zhǔn)確率和精度，本實(shí)施例將圖1c中真實(shí)框(白色線框)以內(nèi)區(qū)域的圖像作為待識(shí)別車輛的圖像。

S202：構(gòu)建測試網(wǎng)絡(luò)；

S203：將所述待識(shí)別車輛的圖像輸入測試網(wǎng)絡(luò)，得到所述待識(shí)別車輛的車型特征；

這里需要說明的是，所述測試網(wǎng)絡(luò)為預(yù)先構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)?？梢岳斫獾氖牵噍^于現(xiàn)有技術(shù)，采用深度卷積神經(jīng)網(wǎng)絡(luò)獲取車型特征，能夠縮短特征獲取的運(yùn)算時(shí)間。

在一個(gè)例子中，本領(lǐng)域技術(shù)人員可通過下述方法構(gòu)建測試網(wǎng)絡(luò)：

首先，獲取第一訓(xùn)練圖像集合，所述第一訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

這里需要說明的是，為保證后續(xù)實(shí)際的車型檢測中能夠準(zhǔn)確的識(shí)別出不同車型的車輛，第一訓(xùn)練圖像集合中需包括多個(gè)不同車型不同質(zhì)量的車輛圖像。例如，當(dāng)需檢測1000種車型時(shí)，先獲取這1000種車型車輛的原始圖像，這些原始圖像包括各種不同質(zhì)量不同大小的車輛圖像。再經(jīng)檢測定位后，獲得這些原始圖像中車輛的真實(shí)框。這時(shí)，第一訓(xùn)練集合中的車輛圖像中包括這些車輛的真實(shí)框以內(nèi)區(qū)域的圖像。

其次，建立深度卷積神經(jīng)網(wǎng)絡(luò)，并以所述第一訓(xùn)練圖像集合中的圖像為輸入訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)；

需要說明的是，將圖像輸入深度卷積神經(jīng)網(wǎng)絡(luò)之前，需將該圖像歸一化為預(yù)設(shè)大小。在本實(shí)施例中，訓(xùn)練和實(shí)際測試過程中，將輸入的圖像縮放至112×112的大小，再輸入至深度卷積神經(jīng)網(wǎng)絡(luò)。

最后，即可根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建所述測試網(wǎng)絡(luò)。

所述測試網(wǎng)絡(luò)，包括：一個(gè)輸入層、四個(gè)卷積層、四個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層；

所述輸入層之后連接第一個(gè)卷積層，每個(gè)卷積層之后連接與其對應(yīng)的池化層，上一個(gè)卷積層所對應(yīng)的池化層之后連接下一個(gè)卷積層，最后一個(gè)池化層之后連接所述兩個(gè)全連接層，所述兩個(gè)全連接層之后連接所述輸出層。

這時(shí)，圖像在深度卷積神經(jīng)網(wǎng)絡(luò)中的傳輸路徑為：輸入層-第一卷積層-第一池化層-第二卷積層-第二池化層-第三卷積層-第三池化層-第四卷積層-第四池化層-第一全連接層-第二全連接層-輸出層。

需要說明的是，所述四個(gè)卷積層中卷積核大小依次為7×7像素、3×3像素、3×3像素和3×3像素，特征圖個(gè)數(shù)依次為48個(gè)、96個(gè)、128個(gè)和256個(gè)；所述四個(gè)池化層為2×2大小的最大池化；所述兩個(gè)全連接層的大小分別是1024維和4096維。輸出層為Softmax層。

可以理解的是，訓(xùn)練的過程即調(diào)整深度卷積神經(jīng)網(wǎng)絡(luò)權(quán)重的過程。通過調(diào)整權(quán)重，得到不同車型的特征，用以區(qū)分不同車型的車輛圖像。

S204：根據(jù)所述待識(shí)別車輛的車型特征，確定所述待識(shí)別車輛的車型；

在另一個(gè)例子中，本領(lǐng)域技術(shù)人員可通過以下方法確定待識(shí)別車輛的車型：

獲取所述車型特征中的最大特征值，并根據(jù)車型特征模型，獲取所述最大特征值所對應(yīng)的車型，所述車型特征包括至少兩個(gè)特征值，所述車型特征模型是預(yù)先根據(jù)所述測試網(wǎng)絡(luò)得到的，所述車型特征模型為車型與特征值的一一對應(yīng)關(guān)系；

需要說明的是，在本例子中，車型特征為一1×N的矩陣。矩陣中每個(gè)值為待識(shí)別車輛為車型特征模型中該數(shù)值所對應(yīng)車型的概率。最大特征值表示待識(shí)別車輛為其所對應(yīng)車型的概率最大。

這樣，即可將所述最大特征值所對應(yīng)的車型確定為所述待識(shí)別車輛的車型。

這里需要說明的是，在上述構(gòu)建測試網(wǎng)絡(luò)的過程中，可通過將所述第一訓(xùn)練圖像集合中的圖像輸入構(gòu)建好的測試網(wǎng)絡(luò)，確定所述第一訓(xùn)練圖像集合中每個(gè)車型所對應(yīng)的特征值，得到所述車型特征模型。

此時(shí)，可使用構(gòu)建好的測試網(wǎng)絡(luò)以及相應(yīng)的車型特征模型，檢測實(shí)際待識(shí)別車輛的圖像中該車輛的車型。

為方便理解，下面以3種車型的車輛為例詳細(xì)說明上述方法。

首先，獲取多個(gè)A、B、C三種車型車輛的圖像，并定位檢測出真實(shí)框。再以真實(shí)框中的圖像為輸入，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的測試網(wǎng)絡(luò)。然后，將真實(shí)框中的圖像輸入測試網(wǎng)絡(luò)，確定A、B、C三種車型分別對應(yīng)車型特征中的哪個(gè)特征值，得到車型特征模型。車型特征模型為車型與車型特征中特征值之間的一一對應(yīng)關(guān)系。此時(shí)，車型特征為一1×3的矩陣(k1，k2，k3)，矩陣中不同位置的特征值對應(yīng)不同車型。例如，矩陣中k1對應(yīng)A車型，k2對應(yīng)B車型，k3對應(yīng)C車型。

之后，在實(shí)際檢測時(shí)，將待識(shí)別車輛的圖像輸入測試網(wǎng)絡(luò)后，判斷輸出的車型特征矩陣中最大特征值所對應(yīng)的車型，即可檢測出該待識(shí)別車輛的車型。

本實(shí)施例提供的基于圖像的車型識(shí)別方法，先收集車輛的原始圖片，使用車輛定位技術(shù)對原始圖片進(jìn)行車輛的定位，再將定位的車輛圖片歸一化為同樣大小。之后針對車型識(shí)別，設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層和全連接層的個(gè)數(shù)，以及各卷積層所得到的特征圖的個(gè)數(shù)。再以之前得到的車輛圖片為輸入訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到基于深度卷積神經(jīng)網(wǎng)絡(luò)的測試網(wǎng)絡(luò)以及車型特征模型。實(shí)際進(jìn)行車型識(shí)別時(shí)，通過將待識(shí)別車輛的圖像輸入預(yù)先構(gòu)建好的測試網(wǎng)絡(luò)，獲得該車輛的車型特征。之后，將獲得到的車型特征中的最大特征值與預(yù)先的得到的車型特征模型作對比，得到該車輛的車型。本實(shí)施例提供的基于圖像的車型識(shí)別方法，采用深度卷積神經(jīng)網(wǎng)絡(luò)獲取車型特征，能夠縮短特征獲取的運(yùn)算時(shí)間。另外，深度卷積神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示、屬性類別或特征，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而增強(qiáng)了分類器的魯棒性，提高車型識(shí)別的準(zhǔn)確率和精度。

下面將舉例說明步驟S201和步驟S203中獲得車輛真實(shí)框的方法?？梢岳斫獾氖牵绢I(lǐng)域技術(shù)人員還可根據(jù)實(shí)際情況，具體設(shè)定獲取車輛真實(shí)框的方法，這里不再一一列舉。

參見圖3，該圖為本發(fā)明實(shí)施例提供的基于圖像的車型識(shí)別方法中獲取車輛定位的真實(shí)框方法的流程示意圖。

該方法，包括：

S301：獲取原始圖像，所述原始圖像中包括所述待識(shí)別車輛；

可以理解的是，現(xiàn)有的電子警察系統(tǒng)一般是采用十字路口或卡口圖像作為車型識(shí)別的原始圖像。每有一輛車觸碰到路口白線時(shí)，電子警察系統(tǒng)拍攝一張車輛的車尾圖像。這樣，每張?jiān)紙D像中待識(shí)別車輛為圖像中觸碰到白線的車輛。在圖1a所示的原始圖像中，待識(shí)別車輛為圖像右下角觸碰到白線的黑色轎車。

S302：檢測所述原始圖像中所述待識(shí)別車輛的位置，得到所述待識(shí)別車輛的檢測框；

這里需要說明的是，本領(lǐng)域技術(shù)人員可采用現(xiàn)有的任意一種車輛檢測方法，對原始圖像中待檢測車輛進(jìn)行定位，得到待識(shí)別車輛的檢測框，具體檢測方法在此不再一一贅述。

然而，由于現(xiàn)有的車型檢測方法的限制，該方法僅是對原始圖像中的車輛進(jìn)行粗定位，定位得到的檢測框中除車輛圖像之外的背景較多，影響后續(xù)車型檢測的精度。因此，為進(jìn)一步提高后續(xù)車型檢測的進(jìn)度和準(zhǔn)確率，需對車輛進(jìn)行二次定位，去除檢測框中多余的背景信息，獲取車輛精準(zhǔn)的定位結(jié)果(即真實(shí)框)。

S303：根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映所述原始圖像中所述待識(shí)別車輛的實(shí)際位置；

可以理解的是，本領(lǐng)域技術(shù)人員可根據(jù)經(jīng)驗(yàn)或訓(xùn)練預(yù)先得到檢測框與真實(shí)框之間的映射關(guān)系，并以此為依據(jù)將之前檢測出的檢測框映射至相應(yīng)的真實(shí)框，以得到反映該圖像中車輛真實(shí)位置的真實(shí)框。

S304：根據(jù)所述真實(shí)框，提取所述原始圖像上所述待識(shí)別車輛的圖像。

同理，步驟S202中獲取車輛真實(shí)框的方法具體如下：

獲取多個(gè)不同車型車輛的原始圖像；逐一檢測每個(gè)原始圖像中車輛的位置，得到該原始圖像中車輛的檢測框后，根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映該原始圖像中車輛的實(shí)際位置；根據(jù)所述每個(gè)原始圖像中的真實(shí)框，提取所述每個(gè)原始圖像上車輛的圖像，得到所述第一訓(xùn)練圖像集合。

可以理解的是，其具體實(shí)現(xiàn)方法與上述步驟S301-S302類似，在此不再一一贅述。

下面將以采用Bounding-box回歸的方法計(jì)算車輛檢測框與真實(shí)框之間的映射關(guān)系為例，說明如何將檢測框映射至真實(shí)框。

首先，獲取所述檢測框中心點(diǎn)的坐標(biāo)以及所述檢測框的寬和高；

依據(jù)公式G_x1＝P_w1d_x1(P)+P_x1和公式G_y1＝P_h1d_y1(P)+P_y1，得到所述真實(shí)框中心點(diǎn)的坐標(biāo)；

依據(jù)公式G_w1＝P_w1exp[d_w1(P)]和公式G_h1＝P_h1exp[d_h1(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框中心點(diǎn)的坐標(biāo)為(P_x1,P_y1)，所述檢測框的寬為P_w1，所述檢測框的高為P_h1，所述真實(shí)框中心點(diǎn)的坐標(biāo)為(G_x1,G_y1)，所述真實(shí)框的寬為G_w1，所述真實(shí)框的高為G_h1，d_x1(P)、d_y1(P)、d_w1(P)和d_h1(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)；

或者，可以使用檢測框的某一頂點(diǎn)為依據(jù)來獲取該頂點(diǎn)與真實(shí)框相應(yīng)頂點(diǎn)之間的映射關(guān)系。

此時(shí)，相應(yīng)的將檢測框映射至真實(shí)框的步驟包括：

獲取所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)以及所述檢測框的寬和高；依據(jù)公式G_x2＝P_w2d_x2(P)+P_x2和公式G_y2＝P_h2d_y2(P)+P_y2，得到所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)；依據(jù)公式G_w2＝P_w2exp[d_w2(P)]和公式G_h2＝P_h2exp[d_h2(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框中心點(diǎn)的預(yù)設(shè)頂點(diǎn)坐標(biāo)為(P_x2,P_y2)，所述檢測框的寬為P_w2，所述檢測框的高為P_h2，所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)為(G_x2,G_y2)，所述真實(shí)框的寬為G_w2，所述真實(shí)框的高為G_h2，d_x2(P)、d_y2(P)、d_w2(P)和d_h2(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)。

可以理解的是，對于窗口框來說，一般使用四維向量(x,y,w,h)來表示。其中，x和y分別表示窗口框的中心點(diǎn)(或某一頂點(diǎn))坐標(biāo)和w表示窗口框的寬，h表示窗口框的高。通過尋找一種關(guān)系使得檢測框P的四維向量經(jīng)過映射后得到一個(gè)跟實(shí)際框(為車輛的真實(shí)位置)更接近的真實(shí)框G(反映車輛的真實(shí)位置)的四維向量。

即，給定(P_x,P_y,P_w,P_h)，尋找映射f，使得f(P_x,P_y,P_w,P_h)＝(G_x,G_y,G_w,G_h)。

這時(shí)，先做平移，再做尺度縮放，得到G_x＝P_wd_x(P)+P_x，G_y＝P_hd_y(P)+P_y，G_w＝P_wexp[d_w(P)]和G_h＝P_hexp[d_h(P)]。

之后，通過樣本訓(xùn)練得出四個(gè)轉(zhuǎn)換函數(shù)G_h1，d_x1(P)、d_y1(P)、d_w1(P)和d_h1(P)。

此時(shí)，得到所述轉(zhuǎn)換函數(shù)的方法，具體包括：

第一，獲取所述第二訓(xùn)練圖像集合，所述第二訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

第二，逐一檢測所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的位置，得到該圖像上車輛的檢測框，并獲取該圖像上車輛的真實(shí)框；

可以理解的是，實(shí)際操作時(shí)，可通過人工選定獲取圖像上車輛的真實(shí)框，以提高后續(xù)車輛定位的真實(shí)框的準(zhǔn)確性。

第三，獲取所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框中圖像的特征；

可以理解的是，通過獲取檢測框中圖像的特征，能夠確定該檢測框中各部分的類型。例如，檢測框中某一部分為車輛，其他部分為地面等。這里需要說明的是，本領(lǐng)域技術(shù)人員可根據(jù)預(yù)先訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)，獲取檢測框中圖像的特征，還可采用其他方式獲取檢測框中圖像的特征，在此不再一一列舉。

第四，根據(jù)所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框和真實(shí)框以及該檢測框中圖像的特征，訓(xùn)練公式G_x＝P_wd_x(P)+P_x、G_y＝P_hd_y(P)+P_y、G_w＝P_wexp[d_w(P)]和G_h＝P_hexp[d_h(P)]，得到所述轉(zhuǎn)換函數(shù)。

可以理解的是，本領(lǐng)域技術(shù)人員可根據(jù)實(shí)際情況，具體設(shè)定獲取真實(shí)框的方法，在此不再一一列舉。

基于上述實(shí)施例提供的一種基于圖像的車型識(shí)別方法，本發(fā)明還提供了一種基于圖像的車型識(shí)別裝置。

裝置實(shí)施例一：

參見圖4，該圖為本發(fā)明提供的基于圖像的車型識(shí)別裝置一的結(jié)構(gòu)示意圖。

本實(shí)施例提供的基于圖像的車型識(shí)別裝置，包括：圖像獲取模塊100、網(wǎng)絡(luò)構(gòu)建模塊200、特征獲取模塊300和車型確定模塊400；

所述圖像獲取模塊100，用于獲取待識(shí)別車輛的圖像；

所述網(wǎng)絡(luò)構(gòu)建模塊200，用于構(gòu)建測試網(wǎng)絡(luò)；

所述特征獲取模塊300，用于將所述待識(shí)別車輛的圖像輸入所述測試網(wǎng)絡(luò)，得到所述待識(shí)別車輛的車型特征；

在一個(gè)例子中，所述網(wǎng)絡(luò)構(gòu)建模塊200，具體包括：圖像集合獲取子模塊、訓(xùn)練子模塊、構(gòu)建子模塊和模型獲取子模塊(均為在圖中示出)；

所述圖像集合獲取子模塊，用于獲取第一訓(xùn)練圖像集合，所述第一訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

所述訓(xùn)練子模塊，用于建立深度卷積神經(jīng)網(wǎng)絡(luò)，并以所述第一訓(xùn)練圖像集合中的圖像為輸入訓(xùn)練所述深度卷積神經(jīng)網(wǎng)絡(luò)；

所述構(gòu)建子模塊，用于根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建所述測試網(wǎng)絡(luò)；

所述測試網(wǎng)絡(luò)，包括：一個(gè)輸入層、四個(gè)卷積層、四個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層；

所述輸入層之后連接第一個(gè)卷積層，每個(gè)卷積層之后連接與其對應(yīng)的池化層，上一個(gè)卷積層所對應(yīng)的池化層之后連接下一個(gè)卷積層，最后一個(gè)池化層之后連接所述兩個(gè)全連接層，所述兩個(gè)全連接層之后連接所述輸出層。

所述四個(gè)卷積層中卷積核大小依次為7×7像素、3×3像素、3×3像素和3×3像素，特征圖個(gè)數(shù)依次為48個(gè)、96個(gè)、128個(gè)和256個(gè)；所述四個(gè)池化層為2×2大小的最大池化；所述兩個(gè)全連接層的大小分別是1024維和4096維。

所述第三獲取子模塊，用于將所述第一訓(xùn)練圖像集合中的圖像輸入所述測試網(wǎng)絡(luò)，確定所述第一訓(xùn)練圖像集合中每個(gè)車型所對應(yīng)的特征值，得到所述車型特征模型。

所述車型確定模塊400，用于根據(jù)所述車型特征，確定所述待識(shí)別車輛的車型。

在另一個(gè)例子中，所述車型確定模塊400，具體包括：比較子模塊、對比子模塊和確定子模塊(均未在圖中示出)；

所述比較子模塊，用于獲取所述車型特征中的最大特征值，所述車型特征包括至少兩個(gè)特征值；

所述對比子模塊，用于根據(jù)車型特征模型，獲取所述最大特征值所對應(yīng)的車型，所述車型特征模型是預(yù)先根據(jù)所述測試網(wǎng)絡(luò)得到的，所述車型特征模型為車型與特征值的一一對應(yīng)關(guān)系；

所述確定子模塊，用于將所述最大特征值所對應(yīng)的車型確定為所述待識(shí)別車輛的車型。

本實(shí)施例提供的基于圖像的車型識(shí)別裝置，圖像獲取模塊先收集車輛的原始圖片，使用車輛定位技術(shù)對原始圖片進(jìn)行車輛的定位，再將定位的車輛圖片歸一化為同樣大小。之后網(wǎng)絡(luò)構(gòu)建模塊針對車型識(shí)別，設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層和全連接層的個(gè)數(shù)，以及各卷積層所得到的特征圖的個(gè)數(shù)。再以之前得到的車輛圖片為輸入訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到基于深度卷積神經(jīng)網(wǎng)絡(luò)的測試網(wǎng)絡(luò)以及車型特征模型。實(shí)際進(jìn)行車型識(shí)別時(shí)，特征獲取模塊通過將待識(shí)別車輛的圖像輸入預(yù)先構(gòu)建好的測試網(wǎng)絡(luò)，獲得該車輛的車型特征。之后，車型確定模塊將獲得到的車型特征中的最大特征值與預(yù)先的得到的車型特征模型作對比，得到該車輛的車型。本實(shí)施例提供的基于圖像的車型識(shí)別裝置，采用深度卷積神經(jīng)網(wǎng)絡(luò)獲取車型特征，能夠縮短特征獲取的運(yùn)算時(shí)間。另外，深度卷積神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示、屬性類別或特征，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而增強(qiáng)了分類器的魯棒性，提高車型識(shí)別的準(zhǔn)確率和精度。

裝置實(shí)施例二：

參見圖5，該圖為本發(fā)明提供的基于圖像的車型識(shí)別裝置實(shí)施例二的結(jié)構(gòu)示意圖。相較于圖4，該圖提供了一種更加具體的基于圖像的車型識(shí)別裝置。

本實(shí)施例提供的基于圖像的車型識(shí)別裝置中，所述圖像獲取模塊，具體包括：原始圖像獲取子模塊201、檢測子模塊202、映射子模塊203和提取子模塊204；

所述原始圖像獲取子模塊201，用于獲取原始圖像，所述原始圖像中包括所述待識(shí)別車輛；

所述檢測子模塊202，用于檢測所述原始圖像中所述待識(shí)別車輛的位置，得到所述待識(shí)別車輛的檢測框；

所述映射子模塊203，用于根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映所述原始圖像中所述待識(shí)別車輛的實(shí)際位置；

所述提取子模塊204，用于根據(jù)所述真實(shí)框，提取所述原始圖像上所述待識(shí)別車輛的圖像。

同理，所述網(wǎng)絡(luò)構(gòu)建模塊中圖像集合獲取子模塊，具體包括：原始圖像獲取子模塊、映射子模塊和提取子模塊；

所述原始圖像獲取子模塊，用于獲取多個(gè)不同車型車輛的原始圖像；

所述映射子模塊，用于逐一檢測每個(gè)原始圖像中車輛的位置，得到該原始圖像中車輛的檢測框后，根據(jù)預(yù)設(shè)規(guī)則，將所述檢測框映射至真實(shí)框，所述真實(shí)框反映該原始圖像中車輛的實(shí)際位置；

所述提取子模塊，用于根據(jù)所述每個(gè)原始圖像中的真實(shí)框，提取所述每個(gè)原始圖像上車輛的圖像，得到所述第一訓(xùn)練圖像集合。

所述映射子模塊，具體包括：第一獲取子模塊、第一計(jì)算子模塊和第二計(jì)算子模塊；

所述第一獲取子模塊，用于獲取所述檢測框中心點(diǎn)的坐標(biāo)以及所述檢測框的寬和高；

所述第一計(jì)算子模塊，用于依據(jù)公式G_x1＝P_w1d_x1(P)+P_x1和公式G_y1＝P_h1d_y1(P)+P_y1，得到所述真實(shí)框中心點(diǎn)的坐標(biāo)；

所述第二計(jì)算子模塊，用于依據(jù)公式G_w1＝P_w1exp[d_w1(P)]和公式G_h1＝P_h1exp[d_h1(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框中心點(diǎn)的坐標(biāo)為(P_x1,P_y1)，所述檢測框的寬為P_w1，所述檢測框的高為P_h1，所述真實(shí)框中心點(diǎn)的坐標(biāo)為(G_x1,G_y1)，所述真實(shí)框的寬為G_w1，所述真實(shí)框的高為G_h1，d_x1(P)、d_y1(P)、d_w1(P)和d_h1(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)；

或，

所述第一獲取子模塊，用于獲取所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)以及所述檢測框的寬和高；

所述第一計(jì)算子模塊，用于依據(jù)公式G_x2＝P_w2d_x2(P)+P_x2和公式G_y2＝P_h2d_y2(P)+P_y2，得到所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)；

所述第二計(jì)算子模塊，用于依據(jù)公式G_w2＝P_w2exp[d_w2(P)]和公式G_h2＝P_h2exp[d_h2(P)]，得到所述真實(shí)框的寬和高；

其中，所述檢測框的預(yù)設(shè)頂點(diǎn)坐標(biāo)為(P_x2,P_y2)，所述檢測框的寬為P_w2，所述檢測框的高為P_h2，所述真實(shí)框的所述預(yù)設(shè)頂點(diǎn)坐標(biāo)為(G_x2,G_y2)，所述真實(shí)框的寬為G_w2，所述真實(shí)框的高為G_h2，d_x2(P)、d_y2(P)、d_w2(P)和d_h2(P)為預(yù)先得到的轉(zhuǎn)換函數(shù)。

所述映射子模塊，還用于得到所述轉(zhuǎn)換函數(shù)；

所述映射子模塊，具體還包括：圖像集合獲取子模塊、檢測子模塊、特征獲取子模塊和訓(xùn)練子模塊；

所述圖像集合獲取子模塊，用于獲取所述第二訓(xùn)練圖像集合，所述第二訓(xùn)練圖像集合包括多個(gè)不同車型車輛的圖像；

所述檢測子模塊，用于逐一檢測所述車輛的位置，得到該圖像上車輛的檢測框，并獲取該圖像上車輛的真實(shí)框；

所述特征獲取子模塊，用于獲取所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框中圖像的特征；

所述訓(xùn)練子模塊，用于根據(jù)所述第二訓(xùn)練圖像集合中每個(gè)圖像上車輛的檢測框和真實(shí)框以及該檢測框中圖像的特征，訓(xùn)練公式G_x＝P_wd_x(P)+P_x、G_y＝P_hd_y(P)+P_y、G_w＝P_wexp[d_w(P)]和G_h＝P_hexp[d_h(P)]，得到所述轉(zhuǎn)換函數(shù)。

需要說明的是，圖4和圖5所示的基于圖像的車型識(shí)別裝置是與圖2中所示的基于圖像的車型識(shí)別方法所對應(yīng)的裝置，具體實(shí)現(xiàn)方法與圖2所示的基于圖像的車型識(shí)別方法類似，參考圖2中所示的基于圖像的車型識(shí)別方法中的描述，這里不再贅述。

還需要說明的是，本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。

最后還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上所述，僅是本發(fā)明的較佳實(shí)施例而已，并非對本發(fā)明作任何形式上的限制。雖然本發(fā)明已以較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明。任何熟悉本領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明技術(shù)方案范圍情況下，都可利用上述揭示的方法和技術(shù)內(nèi)容對本發(fā)明技術(shù)方案做出許多可能的變動(dòng)和修飾，或修改為等同變化的等效實(shí)施例。因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對以上實(shí)施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術(shù)方案保護(hù)的范圍內(nèi)。