本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種車頭檢測模型重建方法及裝置。

背景技術(shù)：

隨著現(xiàn)代交通技術(shù)以及經(jīng)濟(jì)的快速發(fā)展，汽車已經(jīng)成為人們?nèi)粘Ｉ钪幸环N重要的交通工具，這必然對交通管理有一個更高的要求，而隨著對城市交通管理、高速公路收費(fèi)、停車場管理等的自動化，車牌識別技術(shù)的研究成為一個非常重要的發(fā)展方向。

車牌是車輛的唯一身份標(biāo)識，車牌識別技術(shù)(Vehicle License Plate Recognition，VLPR)是指能夠檢測到受監(jiān)控路面的車輛并自動提取車輛牌照信息(含漢字字符、英文字母、阿拉伯?dāng)?shù)字及號牌顏色)進(jìn)行處理的技術(shù)，該技術(shù)可以在汽車不做任何改動的情況下，實現(xiàn)對汽車身份的自動登記及驗證，作為現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，對于維護(hù)交通安全和城市治安，防止交通堵塞，實現(xiàn)交通自動化管理有著現(xiàn)實的意義。

目前，車牌識別設(shè)備已廣泛應(yīng)用于停車場、高速公路、城市道路等區(qū)域進(jìn)行車牌抓拍及識別。其中，車牌識別率隨著圖像識別算法及攝像機(jī)分辨率、寬動態(tài)、對比度等性能的提升，已經(jīng)達(dá)到98％以上的指標(biāo)。然而，伴隨著類似車牌污損、車牌識別區(qū)域受曝光及背光的影響，在短期內(nèi)以提升車牌識別率來進(jìn)一步滿足市場更快更準(zhǔn)確的識別率需求較難以實現(xiàn)。同時，當(dāng)前卡口場景下的車牌識別無法解決無牌車的快速通行和自動收費(fèi)的問題，但在這個背景下，通過車型識別，提供汽車輔助信息聯(lián)合判斷停車場環(huán)境下的車輛通行條件，將增加通行的流暢性和用戶體驗。

車型識別包括檢測和識別兩個部分，一般來說，車頭區(qū)域檢測的準(zhǔn)確性決定了車型識別結(jié)果的對錯。在傳統(tǒng)的車頭檢測方法中，主要是人為選取特征實現(xiàn)車頭的檢測，該方法可以通過訓(xùn)練圖像目標(biāo)區(qū)域人為選擇的特征，獲得對目標(biāo)區(qū)域的識別能力，再通過級聯(lián)、滑窗或目標(biāo)候選區(qū)域隨機(jī)選擇的方式對待識別區(qū)域，并進(jìn)行一一識別排除過濾，最后可以通過識別圖像目標(biāo)區(qū)域的真?zhèn)闻袛嗍欠駷榇龣z測目標(biāo)，達(dá)到檢測的目的。然而，傳統(tǒng)的車頭檢測方法無法表征更多不同場景及環(huán)境下的特征形態(tài)，對人為選擇的特征具有較大的依賴性，且存在擬合效果不佳，檢測速度過慢的問題。

因此，有必要提供一種方法，以解決上述傳統(tǒng)的車頭檢測方法中出現(xiàn)的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種車頭檢測模型重建方法及裝置，通過自學(xué)習(xí)特征的方式擬合不同場景下各種角度及尺度的車頭圖像，可以提高車頭檢測尺度及角度的魯棒性，還可以提高車頭檢測的檢測速度和效率。

本發(fā)明第一方面提供一種車頭檢測模型重建方法，可包括：

(1)獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像；

(2)確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像，第二目標(biāo)車頭圖像為至少一個第二車頭圖像中的任意一個，第一目標(biāo)車頭圖像為至少一個第一車圖像中與第二目標(biāo)車頭圖像對應(yīng)的一個；

(3)按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量；

(4)確定檢測向量與參考向量的向量參數(shù)差異，參考向量為第二目標(biāo)車頭圖像基于第一目標(biāo)車頭圖像的標(biāo)注結(jié)果進(jìn)行獲取得到，參考向量與檢測向量的維度相同；

(5)判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件；

(6)若是，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到目標(biāo)模型，若否，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到第二模型，將第二模型的網(wǎng)絡(luò)參數(shù)作為第一模型的網(wǎng)絡(luò)參數(shù)并重復(fù)執(zhí)行步驟(2)至步驟(6)。

進(jìn)一步地，判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件包括：

判斷向量參數(shù)差異是否小于第一閾值；或，

判斷向量參數(shù)差異是否小于第一閾值，且判斷向量參數(shù)差異小于第一閾值的次數(shù)是否大于第二閾值；或，

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)。

進(jìn)一步地，判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)包括：

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)，且判斷確定次數(shù)的向量參數(shù)差異的加權(quán)計算值是否小于第一閾值。

進(jìn)一步地，在獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像之前，該方法還包括：

對至少一個第一車頭圖像進(jìn)行灰度處理。

進(jìn)一步地，網(wǎng)絡(luò)參數(shù)包括卷積層參數(shù)、池化層參數(shù)、全連接層參數(shù)；

卷積層參數(shù)以及池化層參數(shù)均為一個或以上，按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量包括：

按照第一卷積層參數(shù)以及第二池化層參數(shù)對第一目標(biāo)車頭圖像進(jìn)行一次目標(biāo)處理，得到第一處理圖像，目標(biāo)處理包括卷積處理和池化處理，卷積處理用于得到第一圖像，卷積處理用于得到第二圖像，第一圖像的像素尺寸為第二圖像的像素尺寸的預(yù)設(shè)倍數(shù)；

按照第二卷積層參數(shù)以及第二池化層參數(shù)將第一處理圖像進(jìn)行K次目標(biāo)處理，得到第二處理圖像，K為自然數(shù)；

按照全連接層參數(shù)將第二處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量。

進(jìn)一步地，向量參數(shù)差異為向量參數(shù)方差值，根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)包括：

根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)；

根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)包括：

在利用向量參數(shù)方差值確定第N層池化層的向量損失后，根據(jù)第N層池化層的向量損失確定第N層卷積層的向量損失，并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù)，第一模型包括N層池化層和N層卷積層，N為大于零的整數(shù)；

根據(jù)第N-M層池化層的向量損失確定第N-M層卷積層的向量損失后，并根據(jù)第N-M層卷積層的向量損失確定第N-M-1層卷積層的卷積核損失，M為自然數(shù)。

進(jìn)一步地，在確定檢測向量與參考向量的向量參數(shù)差異之前，該方法還包括：

對第二目標(biāo)車頭圖像進(jìn)行劃塊處理，得到至少一個區(qū)域塊；

獲取至少一個區(qū)域塊基于原始向量的第二預(yù)設(shè)次數(shù)的標(biāo)注結(jié)果，得到第二目標(biāo)車頭圖像的參考向量，原始向量為根據(jù)第一目標(biāo)圖像的標(biāo)注結(jié)果得到。

進(jìn)一步地，檢測向量、參考向量、原始向量均包括目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)；

檢測向量、參考向量還包括車頭參數(shù)或背景參數(shù)。

進(jìn)一步地，該方法還包括：

獲取待檢測車頭圖像；

按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量；

從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量；

將第一檢測向量進(jìn)行擬合處理，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

進(jìn)一步地，在按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量之前，該方法還包括：

對待檢測車頭圖像進(jìn)行灰度處理。

進(jìn)一步地，從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量包括：

獲取目標(biāo)檢測向量的置信度；

從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量。

進(jìn)一步地，擬合處理為最大非線性抑制融合。

進(jìn)一步地，在將第一檢測向量進(jìn)行預(yù)設(shè)處理，得到車頭圖像中車頭區(qū)域的坐標(biāo)之后，方法還包括：

根據(jù)車頭區(qū)域的坐標(biāo)在待檢測車頭圖像中確定車頭區(qū)域圖像。

本發(fā)明第二方面提供一種車頭檢測模型重建裝置，可包括：

獲取單元，用于執(zhí)行：

(1)獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像；

處理單元，用于執(zhí)行：

(2)確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像，第二目標(biāo)車頭圖像為至少一個第二車頭圖像中的任意一個，第一目標(biāo)車頭圖像為至少一個第一車圖像中與第二目標(biāo)車頭圖像對應(yīng)的一個；

(3)按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量；

(4)確定檢測向量與參考向量的向量參數(shù)差異，參考向量為第二目標(biāo)車頭圖像基于第一目標(biāo)車頭圖像的標(biāo)注結(jié)果進(jìn)行獲取得到，參考向量與檢測向量的維度相同；

(5)判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件；

(6)若是，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到目標(biāo)模型，若否，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到第二模型，將第二模型的網(wǎng)絡(luò)參數(shù)作為第一模型的網(wǎng)絡(luò)參數(shù)并重復(fù)執(zhí)行步驟(2)至步驟(6)。

進(jìn)一步地，處理單元，具體用于執(zhí)行：

判斷向量參數(shù)差異是否小于第一閾值；或，

判斷向量參數(shù)差異是否小于第一閾值，且判斷向量參數(shù)差異小于第一閾值的次數(shù)是否大于第二閾值；或，

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)。

進(jìn)一步地，處理單元，還具體用于執(zhí)行：

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)，且判斷確定次數(shù)的向量參數(shù)差異的加權(quán)計算值是否小于第一閾值。

進(jìn)一步地，獲取單元，還具體用于執(zhí)行：

對至少一個第一車頭圖像進(jìn)行灰度處理。

進(jìn)一步地，網(wǎng)絡(luò)參數(shù)包括卷積層參數(shù)、池化層參數(shù)、全連接層參數(shù)；

卷積層參數(shù)以及池化層參數(shù)均為一個或以上，處理單元，具體用于執(zhí)行：

按照第一卷積層參數(shù)以及第二池化層參數(shù)對第一目標(biāo)車頭圖像進(jìn)行一次目標(biāo)處理，得到第一處理圖像，目標(biāo)處理包括卷積處理和池化處理，卷積處理用于得到第一圖像，卷積處理用于得到第二圖像，第一圖像的像素尺寸為第二圖像的像素尺寸的預(yù)設(shè)倍數(shù)；

按照第二卷積層參數(shù)以及第二池化層參數(shù)將第一處理圖像進(jìn)行K次目標(biāo)處理，得到第二處理圖像，K為自然數(shù)；

按照全連接層參數(shù)將第二處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量。

進(jìn)一步地，向量參數(shù)差異為向量參數(shù)方差值，處理單元，具體用于執(zhí)行：

根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)；

處理單元，具體用于執(zhí)行：

在利用向量參數(shù)方差值確定第N層池化層的向量損失后，根據(jù)第N層池化層的向量損失確定第N層卷積層的向量損失，并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù)，第一模型包括N層池化層和N層卷積層，N為大于零的整數(shù)；

根據(jù)第N-M層池化層的向量損失確定第N-M層卷積層的向量損失后，并根據(jù)第N-M層卷積層的向量損失確定第N-M-1層卷積層的卷積核損失，M為自然數(shù)。

進(jìn)一步地，處理單元，還具體用于執(zhí)行：

對第二目標(biāo)車頭圖像進(jìn)行劃塊處理，得到至少一個區(qū)域塊；

獲取至少一個區(qū)域塊基于原始向量的第二預(yù)設(shè)次數(shù)的標(biāo)注結(jié)果，得到第二目標(biāo)車頭圖像的參考向量，原始向量為根據(jù)第一目標(biāo)圖像的標(biāo)注結(jié)果得到。

進(jìn)一步地，檢測向量、參考向量、原始向量均包括目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)；

檢測向量、參考向量還包括車頭參數(shù)或背景參數(shù)。

進(jìn)一步地，獲取單元，還具體用于執(zhí)行：

獲取待檢測車頭圖像；

處理單元，還具體用于執(zhí)行：

按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量；

從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量；

將第一檢測向量進(jìn)行擬合處理，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

進(jìn)一步地，獲取單元，還具體用于執(zhí)行：

對待檢測車頭圖像進(jìn)行灰度處理。

進(jìn)一步地，處理單元，具體用于執(zhí)行：

獲取目標(biāo)檢測向量的置信度；

從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量。

進(jìn)一步地，擬合處理為最大非線性抑制融合。

進(jìn)一步地，處理單元，還具體用于執(zhí)行：

根據(jù)車頭區(qū)域的坐標(biāo)在待檢測車頭圖像中確定車頭區(qū)域圖像。

從以上技術(shù)方案可以看出，本發(fā)明實施例具有以下優(yōu)點(diǎn)：

本實施例中，提供了一種車頭檢測模型重建方法，通過獲取的至少一個第一車頭圖像進(jìn)行相應(yīng)的處理，可以不斷對第一模型的網(wǎng)絡(luò)參數(shù)進(jìn)調(diào)整，以得到用于車頭檢測的較為精準(zhǔn)的目標(biāo)模型，該方法基于第一模型的網(wǎng)絡(luò)參數(shù)，自學(xué)習(xí)的特征具有多樣性，能夠表征較多不同場景及環(huán)境下的特征形態(tài)，具有較好的擬合效果，檢測效果較優(yōu)，且在對應(yīng)的車頭檢測方法中，可以直接對待檢測車頭圖像進(jìn)行相應(yīng)的處理，有利于避免劃窗、隨機(jī)選擇待識別區(qū)域等耗時重復(fù)的操作，可以加快車頭檢測的速度，實現(xiàn)車頭檢測的實時性。

附圖說明

圖1為本發(fā)明實施例中車頭檢測模型重建方法一個實施例示意圖；

圖2為本發(fā)明實施例中車頭檢測模型重建方法的圖像檢測示意圖；

圖3為本發(fā)明實施例中車頭檢測模型重建方法另一實施例示意圖；

圖4為本發(fā)明實施例中車頭檢測模型重建方法另一實施例示意圖；

圖5為本發(fā)明實施例中車頭檢測模型重建方法另一實施例示意圖；

圖6為本發(fā)明實施例中基于目標(biāo)模型的車頭檢測方法一個實施例示意圖；

圖7為本發(fā)明實施例中基于目標(biāo)模型的車頭檢測方法另一實施例示意圖；

圖8為本發(fā)明實施例中車頭檢測模型重建裝置一個實施例示意圖；

具體實施方式

本發(fā)明實施例提供了一種車頭檢測模型重建方法及裝置，通過自學(xué)習(xí)特征的方式擬合不同場景下各種角度及尺度的車頭圖像，可以提高車頭檢測尺度及角度的魯棒性，還可以提高車頭檢測的檢測速度和效率。

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)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分的實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖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)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

為便于理解，下面對本發(fā)明實施例中的具體流程進(jìn)行描述，請參閱圖1，本發(fā)明實施例中車頭檢測模型重建方法一個實施例包括：

101、獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像；

本實施例中，為了可以對待檢測車頭圖像進(jìn)行準(zhǔn)確識別，可以利用大量的車頭圖像作為得到目標(biāo)模型的訓(xùn)練集樣本，選取的過程可以通過人工的方式進(jìn)行選取，例如選取1萬張清晰的不同車輛的車頭圖像，之后可以在大量的車頭圖像中獲取至少一個第一車頭圖像，并可以將這至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像。

例如，假設(shè)收集了1萬張清晰的車頭圖像，可以將這1萬張清晰的車頭圖像作為第一車頭圖像，并可以依次進(jìn)行縮小處理，如由像素尺寸1080*1080縮小為像素尺寸224*224，得到對應(yīng)的1萬張第二車頭圖像。

具體的，在第一車頭圖像進(jìn)行縮小處理前，可以對第一車頭圖像進(jìn)行標(biāo)注處理，作為得到目標(biāo)模型的原始向量，即訓(xùn)練標(biāo)簽，原始向量可以包括目標(biāo)位置的坐標(biāo)參數(shù)以及目標(biāo)區(qū)域的尺寸參數(shù)(4個參數(shù)，即4個維度)。第一車頭圖像的圖像內(nèi)容可以包括車頭區(qū)域和背景區(qū)域，在標(biāo)注過程中，可以對車頭區(qū)域進(jìn)行標(biāo)注，具體的，可以標(biāo)注車頭區(qū)域的左上角的橫縱坐標(biāo)，以及車頭區(qū)域的長、寬。則原始向量可以包括車頭區(qū)域的左上角的橫縱坐標(biāo)參數(shù)，以及車頭區(qū)域的長、寬參數(shù)。在實際應(yīng)用中，每一個第一車頭圖像可以對應(yīng)有與其名稱對應(yīng)的諸如txt文件，該txt文件中可以記錄有車頭個數(shù)以及原始向量。

可以理解的是，在一個第一車頭圖像中，可以包括一個車頭區(qū)域，或一個以上的不同車輛的車頭區(qū)域，那么對應(yīng)的，若第一車頭圖像中只有一個車頭區(qū)域，那么可以記錄車頭個數(shù)為1，且可以記錄該車頭區(qū)域?qū)?yīng)的原始向量，具體可如下方式記錄：車頭1橫坐標(biāo)X、車頭1縱坐標(biāo)Y、車頭1長度L、車頭1寬度W。若第二車頭圖像中有N個不同車輛的車頭區(qū)域，那么可以記錄車頭個數(shù)為N，且可以記錄每一個車頭區(qū)域?qū)?yīng)的原始向量，具體可如下方式記錄：車頭1橫坐標(biāo)X、車頭1縱坐標(biāo)Y、車頭1長度L、車頭1寬度W；車頭2橫坐標(biāo)X、車頭2縱坐標(biāo)Y、車頭2長度L、車頭2寬度W；車頭N橫坐標(biāo)X、車頭N縱坐標(biāo)Y、車頭N長度L、車頭2寬度W。其中，N為正整數(shù)。

可以理解的是，本實施例中，以車頭區(qū)域的左上角的橫縱坐標(biāo)參數(shù)作為原始向量的部分參數(shù)僅為舉例說明，以進(jìn)一步獲得車頭區(qū)域的長、寬尺寸參數(shù)，在實際應(yīng)用中，也可以記錄車頭區(qū)域的右上角的橫縱坐標(biāo)參數(shù)、或右下角等，具體此處不做限定。

102、確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像；

本實施例中，獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像后，可以確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像。其中，第二目標(biāo)車頭圖像可以為至少一個第二車頭圖像中的任意一個，第一目標(biāo)車頭圖像可以為至少一個第一車圖像中與第二目標(biāo)車頭圖像對應(yīng)的一個。

具體的，在至少一個第二車頭圖像中，可以隨機(jī)確定一個第二車頭圖像作為第二目標(biāo)車頭圖像，并可以在至少一個第一車頭圖像中，選取與第二目標(biāo)車頭圖像對應(yīng)的一個第一車頭圖像作為第一目標(biāo)車頭圖像。即第二目標(biāo)車頭圖像由第一目標(biāo)車頭圖像進(jìn)行縮小處理得到。

可以理解的是，本實施例中的第一目標(biāo)車頭圖像可以對應(yīng)有原始向量記錄于對應(yīng)的txt文件中。

103、按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量；

本實施例中，確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像后，可以按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量。

具體的，第一模型即卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)可以包括有第一預(yù)設(shè)次數(shù)的卷積處理、第二預(yù)設(shè)次數(shù)的池化處理、第三預(yù)設(shè)次數(shù)的全連接層處理，其中，每一次卷積處理可以包括有預(yù)設(shè)數(shù)量的卷積層，每一個卷積層可以對應(yīng)有第一預(yù)設(shè)大小的卷積核，每一次池化處理可以對應(yīng)有第二預(yù)設(shè)大小的池化核。在實際應(yīng)用中，可以將第二目標(biāo)車頭圖像生成HDF5格式的數(shù)據(jù)用于訓(xùn)練第一模型，即卷積神經(jīng)網(wǎng)絡(luò)。本實施例中，可以將第二目標(biāo)車頭圖像輸入第一模型中，按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行一次迭代操作，第二區(qū)域塊進(jìn)行諸如卷積處理、池化處理、全連接層處理的圖像檢測后，可以得到第二目標(biāo)車頭圖像的檢測向量。

可以理解的是，第二目標(biāo)車頭圖像的檢測向量的參數(shù)個數(shù)具體可以視圖像檢測過程中劃分的區(qū)域塊的設(shè)置而定，例如，將像素尺寸224*224的第二目標(biāo)車頭圖像100個區(qū)域塊進(jìn)行圖像檢測，第二目標(biāo)車頭圖像的檢測向量的維度與100個區(qū)域塊相關(guān)，且每一個區(qū)域塊對應(yīng)有相應(yīng)的維度，即為子檢測向量。

需要說明的是，本實施例中的第一預(yù)設(shè)次數(shù)、第二預(yù)設(shè)次數(shù)、第三預(yù)設(shè)次數(shù)、預(yù)設(shè)數(shù)量、第一預(yù)設(shè)大小以及第二預(yù)設(shè)次數(shù)大小可以根據(jù)需要進(jìn)行設(shè)置，具體此處不做限定。

本實施例中，檢測向量可以包括車頭參數(shù)或背景參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)(5個參數(shù)，即5個維度)。即對于第二目標(biāo)車頭圖像而言，每一個區(qū)域塊若包括車頭區(qū)域，則該區(qū)域塊的檢測結(jié)果可以包括車頭參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)，若全部為背景區(qū)域，則該區(qū)域塊的檢測結(jié)果可以包括背景參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)。其中，目標(biāo)位置可以為諸如車頭區(qū)域的左上角的橫縱坐標(biāo)參數(shù)，目標(biāo)區(qū)域可以以該左上角以及車頭區(qū)域的右下角構(gòu)成的方形區(qū)域，目標(biāo)區(qū)域的尺寸參數(shù)則可以根據(jù)該左上角的橫縱坐標(biāo)參數(shù)、第一目標(biāo)車頭圖像標(biāo)注的原始向量以及第一目標(biāo)車頭圖像與第二目標(biāo)車頭圖像的縮小比例進(jìn)行計算得到。在實際應(yīng)用中，若區(qū)域塊全部為背景區(qū)域，那么目標(biāo)位置的坐標(biāo)參數(shù)以及目標(biāo)區(qū)域的尺寸參數(shù)可以為預(yù)設(shè)數(shù)值，如0，此處不做限定。

可以理解的是，檢測向量中目標(biāo)位置的坐標(biāo)參數(shù)對應(yīng)的目標(biāo)位置除了上述說明的內(nèi)容，在實際應(yīng)用中，也可以是車頭區(qū)域的其它位置，具體可根據(jù)原始向量中目標(biāo)位置參數(shù)對應(yīng)的目標(biāo)位置而定，此處不做限定。

需要說明的是，本實施例中第二目標(biāo)車頭圖像的檢測向量，是卷積神經(jīng)網(wǎng)絡(luò)基于預(yù)設(shè)設(shè)置對第二目標(biāo)車頭圖像進(jìn)行自動檢測、區(qū)域識別的結(jié)果，

104、確定檢測向量與參考向量的向量參數(shù)差異；

本實施例中，按照第一模型的網(wǎng)絡(luò)參數(shù)對第二區(qū)域塊進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量后，可以采用預(yù)設(shè)計算方式計算檢測向量與參考向量的向量參數(shù)差異，從而可以確定檢測向量與參考向量的向量參數(shù)差異。其中，參考向量可以為第二目標(biāo)車頭圖像基于第一目標(biāo)車頭圖像的標(biāo)注結(jié)果進(jìn)行獲取得到，參考向量可以與檢測向量的維度相同。

具體的，為了訓(xùn)練第一模型的識別準(zhǔn)確度，可以對第二目標(biāo)車頭圖像進(jìn)行人為的標(biāo)注處理，得到并記錄第二目標(biāo)車頭圖像的參考向量，以和第二目標(biāo)車頭圖像的檢測向量進(jìn)行對比，不斷調(diào)整地第一模型，使得獲得的第二目標(biāo)車頭圖像。與檢測向量一樣，參考向量也可以包括車頭參數(shù)或背景參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)(5個參數(shù)，即5個維度)。本實施例中在確定檢測向量與參考向量的向量參數(shù)差異之前，可以對第二目標(biāo)車頭圖像按照如下方式進(jìn)行處理：

對第二目標(biāo)車頭圖像進(jìn)行劃塊處理，得到至少一個區(qū)域塊；

獲取至少一個區(qū)域塊基于原始向量的第二預(yù)設(shè)次數(shù)的標(biāo)注結(jié)果，得到第二目標(biāo)車頭圖像的參考向量，原始向量為根據(jù)第一目標(biāo)圖像的標(biāo)注結(jié)果得到。

即第二目標(biāo)車頭圖像可以劃分為一個或以上的區(qū)域塊，每一個區(qū)域塊均可以進(jìn)行人為的標(biāo)注處理，得到一個標(biāo)注結(jié)果，即子參考向量，所有區(qū)域塊的標(biāo)注結(jié)果的集合即為第二目標(biāo)車頭圖像的參考向量。對于對一個區(qū)域塊而言，若包括車頭區(qū)域，則該區(qū)域塊的標(biāo)注結(jié)果可以包括車頭參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)，若全部為背景區(qū)域，則該區(qū)域塊的標(biāo)注結(jié)果可以包括背景參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)。其中，目標(biāo)位置可以為諸如車頭區(qū)域的左上角的橫縱坐標(biāo)參數(shù)，目標(biāo)區(qū)域可以以該左上角以及車頭區(qū)域的右下角構(gòu)成的方形區(qū)域，目標(biāo)區(qū)域的尺寸參數(shù)則可以標(biāo)注后根據(jù)該左上角的橫縱坐標(biāo)參數(shù)、第一目標(biāo)車頭圖像標(biāo)注的原始向量以及第一目標(biāo)車頭圖像與第二目標(biāo)車頭圖像的縮小比例進(jìn)行計算得到。在實際應(yīng)用中，若區(qū)域塊全部為背景區(qū)域，那么目標(biāo)位置的坐標(biāo)參數(shù)以及目標(biāo)區(qū)域的尺寸參數(shù)可以以預(yù)設(shè)數(shù)值進(jìn)行標(biāo)注并記錄，如0，此處不做限定。

可以理解的是，本實施例中第二預(yù)設(shè)次數(shù)可以為一次或以上，以提高參考向量的判斷基準(zhǔn)，對應(yīng)的，若可以獲取第二目標(biāo)車頭圖像的區(qū)域塊的多次標(biāo)注結(jié)果，則第二目標(biāo)車頭圖像的劃分區(qū)域塊在第一模型中也應(yīng)該對應(yīng)相應(yīng)的檢測結(jié)果，以使得參考向量與檢測向量的維度相同。例如，假設(shè)預(yù)設(shè)次數(shù)為2次，則一個區(qū)域塊可以對應(yīng)2次標(biāo)注結(jié)果，可以得到10個對應(yīng)參數(shù)，那么第二目標(biāo)圖像的每一個劃分區(qū)域塊也應(yīng)該得到10個對應(yīng)參數(shù)。

進(jìn)一步的，得到第二目標(biāo)參數(shù)的檢測向量與參考向量后，可以將檢測向量中的參數(shù)與參考向量的對應(yīng)參數(shù)以預(yù)設(shè)計算方式進(jìn)行計算，得到對應(yīng)的向量參數(shù)差異。

105、判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件，若是，則執(zhí)行步驟106，若否，則執(zhí)行步驟102；

本實施例中，確定檢測向量與參考向量的向量參數(shù)差異后，可以判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件。

可以理解的是，本實施例中的預(yù)設(shè)條件可以預(yù)先設(shè)置，可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置，也可以是用戶自定義設(shè)置，具體此處不做限定。

106、根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到目標(biāo)模型。

本實施例中，若判斷檢測向量與參考向量的向量參數(shù)差異滿足預(yù)設(shè)條件，則可以根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到目標(biāo)模型。

具體的，當(dāng)檢測向量與參考向量的向量參數(shù)差異滿足預(yù)設(shè)條件時，說明第一模型的網(wǎng)絡(luò)較為合適，將該第一模型用于車頭檢測中，車牌的識別率較高，但為了加強(qiáng)第一模型對車頭的識別率，可以將確定的向量參數(shù)差異作為損失函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行反向傳播而調(diào)整網(wǎng)絡(luò)參數(shù)，并可以將網(wǎng)絡(luò)參數(shù)得到調(diào)整后的第一模型作為目標(biāo)模型，以在實際應(yīng)用中實現(xiàn)對待檢測車頭圖像的識別。

進(jìn)一步的，本實施例中，若判斷檢測向量與參考向量的向量參數(shù)差異不滿足預(yù)設(shè)條件，那么為了得到目標(biāo)模型，也可以根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)得到第二模型后，將第二模型的網(wǎng)絡(luò)參數(shù)作為第一模型的網(wǎng)絡(luò)參數(shù)并重復(fù)執(zhí)行步驟102至步驟106?？梢岳斫獾氖牵谥貜?fù)執(zhí)行步驟102至步驟106的過程中，第一模型的網(wǎng)絡(luò)參數(shù)可以不斷得到調(diào)整，而第二目標(biāo)車頭圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作，直到所有第二車頭圖像作為第二目標(biāo)車頭圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù)，即在該情況下，第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像的確定是隨機(jī)但不重復(fù)的。

可以理解的是，本實施例中，目標(biāo)模型的確定方式基于預(yù)設(shè)條件的設(shè)立可以不同，下面以向量參數(shù)差異為向量參數(shù)方差值為例分別進(jìn)行說明：

請參閱圖2，本發(fā)明實施例中車頭檢測模型重建方法另一實施例包括：

201、對至少一個第一車頭圖像進(jìn)行灰度處理；

本實施例中，為了可以對待檢測車頭圖像進(jìn)行準(zhǔn)確識別，可以利用大量的車頭圖像作為得到目標(biāo)模型的訓(xùn)練集樣本，選取的過程可以通過人工的方式進(jìn)行選取，例如選取1萬張清晰的不同車輛的車頭圖像后，為了減少圖像處理的計算量，之后可以在大量的車頭圖像中獲選取至少一個第一車頭圖像，可以對該選取的至少一個第一圖像進(jìn)行灰度處理，使得第一圖像可以為灰度圖像。

例如，假設(shè)手機(jī)了1萬張清晰的車頭圖像，則可以將這1萬張清晰的車頭圖像作為第一車頭圖像，并可以對這1萬張第一車頭圖像進(jìn)行灰度處理，得到1萬張灰度處理后的第一車頭圖像。

本實施例中的步驟202至步驟203與圖1中的步驟101至步驟102相同，此處不再贅述。

204、按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量；

本實施例中，確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像后，可以按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量。

基于圖1所示實施例中的步驟103說明的內(nèi)容，本實施例中，對第二目標(biāo)車頭圖像的圖像檢測過程進(jìn)行如下的具體說明：

1、按照第一卷積層參數(shù)以及第二池化層參數(shù)對第一目標(biāo)車頭圖像進(jìn)行一次目標(biāo)處理，得到第一處理圖像，目標(biāo)處理包括卷積處理和池化處理，卷積處理用于得到第一圖像，卷積處理用于得到第二圖像，第一圖像的像素尺寸為第二圖像的像素尺寸的預(yù)設(shè)倍數(shù)；

2、按照第二卷積層參數(shù)以及第二池化層參數(shù)將第一處理圖像進(jìn)行K次目標(biāo)處理，得到第二處理圖像，K為自然數(shù)；

3、按照全連接層參數(shù)將第二處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量。

具體的，第一模型，即卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)可以包括卷積層參數(shù)、池化層參數(shù)、全連接層參數(shù)，且卷積層參數(shù)以及池化層參數(shù)均為一個或以上。其中，第二目標(biāo)圖像輸入第一模型中依次進(jìn)行一次卷積處理、一次池化處理后，可以得到第一處理圖像，若第一模型包括一層以上的卷積層以及池化層，則第一處理圖像可以根據(jù)卷積層以及池化層的個數(shù)，再次依次進(jìn)行相應(yīng)次數(shù)的卷積處理以及池化處理，得到第二處理圖像，并可以將第二處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量，若第一模型只包括一層卷積層以及一層池化層，則K為0，第一處理圖像即為第二處理圖像，可以將第一處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量。

例如，假設(shè)第二目標(biāo)車頭圖像為像素尺寸224*224的灰度圖像，如圖3所示，可采用上述圖像檢測過程進(jìn)行相應(yīng)的處理：

1、在卷積神經(jīng)網(wǎng)絡(luò)中輸入224*224的第二目標(biāo)車頭圖像(輸入圖像)，將第二目標(biāo)車頭圖像進(jìn)行第一層卷積處理，得到第一卷積處理結(jié)果(C1)。該第一層卷積處理可以由16個卷積層組成，每個卷積層的卷積核大小為3*3，通過在第二目標(biāo)車頭圖像的左下左右各增添1個填充像素的方式，在第一層卷積處理后，可以輸出16個224*224大小的輸出圖像；該16個224*224大小的輸出圖像為第一層池化處理的輸入圖像，經(jīng)過第一層池化處理后，得到第一池化處理結(jié)果(P1)。第一層池化處理可以由16個池化層組成，每個池化層的池化核大小為2*2，采用Max Pooling的方式，可以輸出16個112*112大小的輸出圖像；

2、將輸出的16個112*112大小的輸出圖像進(jìn)行第二層卷積處理，得到第一卷積處理結(jié)果(C2)。該第二層卷積處理可以由16個卷積層組成，每個卷積層的卷積核大小為1*1，在第二層卷積處理后，可以輸出16個112*112大小的輸出圖像；該16個112*112大小的輸出圖像為第二層池化處理的輸入圖像，經(jīng)過第二層池化處理后，得到第二池化處理結(jié)果(P2)。第二層池化處理可以由32個池化層組成，每個池化層的池化核大小為2*2，采用Max Pooling的方式，可以輸出32個56*56大小的輸出圖像；

3、將輸出的32個56*56大小的輸出圖像進(jìn)行第三層卷積處理，得到第三卷積處理結(jié)果(C3)，該第三層卷積處理可以由32個卷積層組成，每個卷積層的卷積核大小為3*3，通過在32個56*56大小的輸出圖像的左下左右各增添1個填充像素的方式，在第三層卷積處理后，可以輸出32個56*56大小的輸出圖像；該32個56*56大小的輸出圖像為第三層池化處理的輸入圖像，經(jīng)過第三層池化處理后，得到第三池化處理結(jié)果(P3)。第三層池化處理可以由32個池化層組成，每個池化層的池化核大小為2*2，采用Max Pooling的方式，可以輸出32個28*28大小的輸出圖像；

4、將輸出的32個28*28大小的輸出圖像進(jìn)行第四層卷積處理，得到第四卷積處理結(jié)果(C4)。該第四層卷積處理可以由32個卷積層組成，每個卷積層的卷積核大小為1*1，在第三層卷積處理后，可以輸出32個28*28大小的輸出圖像；該32個28*28大小的輸出圖像為第四層池化處理的輸入圖像，經(jīng)過第四層池化處理后，得到第四池化處理結(jié)果(P4)。第四層池化處理可以由32個池化層組成，每個池化層的池化核大小為2*2，采用Max Pooling的方式，可以輸出32個14*14大小的輸出圖像；

5、將輸出的32個14*14大小的輸出圖像進(jìn)行第三層卷積處理，得到第五卷積處理結(jié)果(C5)，該第五層卷積處理可以由64個卷積層組成，每個卷積層的卷積核大小為3*3，通過在32個14*14大小的輸出圖像的左下左右各增添1個填充像素的方式，在第五層卷積處理后，可以輸出64個14*14大小的輸出圖像；該64個14*14大小的輸出圖像為第五層池化處理的輸入圖像，經(jīng)過第五層池化處理后，得到第五池化處理結(jié)果(P5)。第五層池化處理可以由64個池化層組成，每個池化層的池化核大小為2*2，采用Max Pooling的方式，可以輸出64個7*7大小的輸出圖像；

6、將64個7*7大小的輸入圖像進(jìn)行全連接層處理，得到全連接層處理結(jié)果(FC)，即可以得到1452*1的檢測向量。其中，由于P5到FC的前向傳播過程中，可以先將P5拉成一維的向量，由于P5輸出64個7*7大小的圖，所以拉成一維向量即為3136*1。P5到FC中間的網(wǎng)絡(luò)參數(shù)個數(shù)為1452*3136個，即1452*1的輸出向量的每個值都由3136*1的向量卷積得來。

可以理解的是，在上述圖像檢測的過程中，增添填充像素的目的在于使得卷積處理時的輸入圖像以及輸出圖像保持相同像素尺寸，保留圖像邊緣信息的提取，防止圖像信息的損失，具體填充像素的大小可根據(jù)卷積處理中卷積層的卷積核大小以及輸入卷積層的圖像的像素尺寸進(jìn)行設(shè)置，具體此處不做限定。

本實施例中的部分內(nèi)容與圖1所示實施例中的步驟103說明的內(nèi)容相同，此處不再贅述。

205、確定檢測向量與參考向量的向量參數(shù)方差值；

本實施例中，按照第一模型的網(wǎng)絡(luò)參數(shù)對第二區(qū)域塊進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量后，可以采用預(yù)設(shè)計算方式計算檢測向量與參考向量的向量參數(shù)差異，從而可以確定檢測向量與參考向量的向量參數(shù)差異。其中，參考向量可以為第二目標(biāo)車頭圖像基于第一目標(biāo)車頭圖像的標(biāo)注結(jié)果進(jìn)行獲取得到，參考向量可以與檢測向量的維度相同。

基于圖1所示實施例中的步驟104以及本實施例中步驟204說明的內(nèi)容，本實施例中，對參考向量的獲取進(jìn)行如下的舉例說明：

將灰度處理后的第一車頭圖像縮小為諸如像素尺寸224*224的第二車頭圖像，并在第一車頭圖像以及第二車頭圖像中確定對應(yīng)的第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像后，可以將第二目標(biāo)車頭圖像劃分為11*11的區(qū)域塊，得到121個區(qū)域塊，并可以以每個區(qū)域塊為中心，進(jìn)行兩次人為的標(biāo)注，則121個區(qū)域塊可以得到242個標(biāo)注結(jié)果，每一個標(biāo)注結(jié)果可以包括諸如車頭參數(shù)或背景參數(shù)、車頭區(qū)域的左上角的橫縱坐標(biāo)參數(shù)、車頭區(qū)域的尺寸參數(shù)，將所有標(biāo)注結(jié)果進(jìn)行記錄后，集合所有的標(biāo)注結(jié)果可以得到1425*1的參考向量。其中，1452為11*11(5*2+2)的計算結(jié)果，11*11標(biāo)識121個區(qū)域塊，5*2標(biāo)識每個區(qū)域塊進(jìn)行兩次標(biāo)注，每一次標(biāo)注可以記錄5個參數(shù)，2表示類別種類(即車頭和背景)。

可以理解的是，在實際應(yīng)用中，類別種類還可以包括對人的識別，從而當(dāng)類別種類包括人時，類別種類可以為3，那么得到的參考向量的參數(shù)個數(shù)會發(fā)生變化，同樣的，第二目標(biāo)車頭圖像的檢測向量在圖像檢測后得到的檢測向量的參數(shù)個數(shù)也會發(fā)生變化，此處不做限定。

具體的，得到第二目標(biāo)車頭圖像的檢測向量和參考向量后，可以計算檢測向量和參考向量的向量參數(shù)差異，即向量參數(shù)方差值作為損失函數(shù)，在第一模型中，計算最后一層卷積處理中卷積層的損失(向量參數(shù)方差值)可以采用如下公式：

其中，表示第i個區(qū)域塊的第j次標(biāo)注，X_i表示檢測向量中第i個區(qū)域塊的目標(biāo)位置的橫坐標(biāo)參數(shù)，X_i'表示參考向量中第i個區(qū)域塊的橫坐標(biāo)參數(shù)，Y_i表示檢測向量中第i個區(qū)域塊的目標(biāo)位置的縱坐標(biāo)參數(shù)，Y_i'表示參考向量中第i個區(qū)域塊的目標(biāo)區(qū)域的縱坐標(biāo)參數(shù)，W_i表示檢測向量中第i個區(qū)域塊的目標(biāo)區(qū)域的寬，W_i'表示參考向量中第i個區(qū)域塊的寬，Y_i表示檢測向量中第i個區(qū)域塊的目標(biāo)區(qū)域的長，Y_i'表示參考向量中第i個區(qū)域塊的目標(biāo)區(qū)域的長。

進(jìn)一步的，上述公式中的λ_coord可以設(shè)置為5，增加對區(qū)域塊的選擇準(zhǔn)確度的關(guān)注?？梢岳斫獾氖?，λ_coord除了是5，還可以采用其它數(shù)值，可根據(jù)實際需要進(jìn)行設(shè)置，此處不做限定。

206、判斷向量參數(shù)方差值是否小于第一閾值，若是，則執(zhí)行步驟207，若否，則執(zhí)行步驟203；

本實施例中，確定檢測向量與參考向量的向量參數(shù)方差值后，可以判斷向量參數(shù)方差值是否小于第一閾值。

具體的，本實施例中，可以設(shè)置第一閾值，以作為第一模型的判斷標(biāo)準(zhǔn)，在實際應(yīng)用中，可以一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作，在圖像檢測得到檢測向量后，即可對檢測向量與參考向量的向量參數(shù)方差值進(jìn)行一次判斷操作。

可以理解的是，本實施例中的第一閾值可以預(yù)先設(shè)置，可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置，也可以是用戶自定義設(shè)置，具體此處不做限定。

207、根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)，得到目標(biāo)模型。

本實施例中，若判斷向量參數(shù)方差值小于第一閾值，則可以根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)，得到目標(biāo)模型。

本實施例中，根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)的具體方式可以為：

在利用向量參數(shù)方差值確定第N層池化層的向量損失后，根據(jù)第N層池化層的向量損失確定第N層卷積層的向量損失，并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù)，第一模型包括N層池化層和N層卷積層，N為大于零的整數(shù)；

根據(jù)第N-M層池化層的向量損失確定第N-M層卷積層的向量損失后，并根據(jù)第N-M層卷積層的向量損失確定第N-M-1層卷積層的卷積核損失，得到目標(biāo)模型，M為自然數(shù)。

具體的，確定檢測向量與參考向量的向量參數(shù)方差值后，可以利用該像向量參數(shù)方差值在第一模型中反向傳播，由第一模型的最底層的池化處理一層一層向頂層的卷積處理傳播，即根據(jù)向量參數(shù)方差值計算第一模型最后一層的池化處理中池化層的向量損失，以該向量損失計算倒數(shù)第二層的卷積層的向量損失，以該向量損失調(diào)整倒數(shù)第二層的卷積處理中卷積層的卷積核參數(shù)，同時，若N大于1，則倒數(shù)第二層的卷積處理中卷積層的向量損失可以用來確定倒數(shù)第三層的池化處理中池化層的向量損失，倒數(shù)第三層的池化處理中池化層的向量損失可以計算倒數(shù)第四層的卷積處理中卷積層的向量損失，且該向量損失則可以用來調(diào)整倒數(shù)第四層的卷積處理中卷積層的卷積核參數(shù)，以此類推，直到第一模型所有層的卷積處理中卷積層的卷積核參數(shù)得到調(diào)整后反向傳播結(jié)束。

以圖3為例對反向傳播過程加以說明：FC輸出的檢測向量和參考向量，根據(jù)上述公式計算對應(yīng)的向量損失(向量參數(shù)方差值)后，可以根據(jù)該向量參數(shù)方差值，計算第五層卷積處理中卷積層的向量損失。具體過程可如下說明：

1、反向傳播的時候，第N層的向量損失可以由第N+1層的向量損失計算得到。由于第五層池化處理后不需要經(jīng)過卷積處理，所以第五層池化處理中池化層的向量損失由FC全連接層處理得到的檢測向量與參考向量的向量參數(shù)方差值計算。在實際應(yīng)用中，第五層池化處理中池化處理沒有權(quán)值參數(shù)，不需要進(jìn)行權(quán)重調(diào)整，但反向傳播過程必須經(jīng)過第五層池化處理才能向頂層一層層傳播；

2、第五層池化處理向第五層卷積處理的逆向傳播過程中，由于第五層池化處理將輸入圖像的大小縮小了1倍，所以損失的向量維度也縮小了一倍，同時，將第五層池化處理中池化層的向量損失用于計算第五層卷積處理中卷積層的向量損失，根據(jù)第五層卷積處理中卷積層的向量損失，可以修改第五層卷積處理中3*3大小的卷積核的網(wǎng)絡(luò)權(quán)重，且由于第五層卷積處理輸出的圖像即第五層池化處理輸入的14*14大小的圖像，那么可以由第五層池化處理得到的64個7*7的輸出圖像，進(jìn)行反池化處理，得到64個14*14的輸出圖像，并可以對這64個14*14的輸出圖像進(jìn)行像素填充，得到64個16*16大小的圖像，進(jìn)而可以對64個16*16大小的圖像進(jìn)行14*14大小的卷積處理，得到64個3*3大小的卷積核權(quán)重調(diào)整差值，可以得到64個3*3大小的卷積核權(quán)重調(diào)整差值，利用該卷積核權(quán)重調(diào)整差值即可調(diào)整第五層卷積處理中卷積層的卷積核的值，由此得到第五層卷積處理中卷積層的卷積核的調(diào)整信息，而后可以依次對第四層、第三層、第二層、第一層卷積處理中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，其它層的反向傳播過程類似。

基于上述說明，本實施例中，在調(diào)整第五層卷積處理中卷積層的卷積核的值時，可以設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，可以設(shè)置為諸如0.0001，學(xué)習(xí)速率的設(shè)置目的是為了防止卷積核參數(shù)調(diào)整的過快，陷入無限循環(huán)的震蕩?？梢岳斫獾氖?，學(xué)習(xí)速率的數(shù)值不能設(shè)置的過小，不然增加陷入局部極小值的風(fēng)險。

進(jìn)一步的，本實施例中，若判斷檢測向量與參考向量的向量參數(shù)方差值不小于第一閾值，那么為了得到目標(biāo)模型，也可以根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)得到第二模型后，將第二模型中卷積層的卷積核參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟203至步驟207?？梢岳斫獾氖?，在重復(fù)執(zhí)行步驟203至步驟207的過程中，第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整，而第二目標(biāo)車頭圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作，直到所有第二車頭圖像作為第二目標(biāo)車頭圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù)，即在該情況下，第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像的確定是隨機(jī)但不重復(fù)的。

請參閱圖4，本發(fā)明實施例中車頭檢測模型重建方法另一實施例包括：

本實施例中的步驟401至步驟405與圖2所示實施例中的步驟201至步驟205相同，此處不再相同。

406、判斷向量參數(shù)方差值是否小于第一閾值，若是，則執(zhí)行步驟407，若否，則執(zhí)行步驟403；

本實施例中，確定檢測向量與參考向量的向量參數(shù)方差值后，可以判斷向量參數(shù)方差值是否小于第一閾值。

具體的，本實施例中，可以設(shè)置第一閾值，以作為第一模型的判斷標(biāo)準(zhǔn)，在實際應(yīng)用中，可以一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作，在圖像檢測得到檢測向量后，即可對檢測向量與參考向量的向量參數(shù)方差值進(jìn)行一次判斷操作。

可以理解的是，本實施例中的第一閾值可以預(yù)先設(shè)置，可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置，也可以是用戶自定義設(shè)置，具體此處不做限定。

407、判斷向量參數(shù)方差值小于第一閾值的次數(shù)是否大于第二閾值，若是，則執(zhí)行步驟408，若否，則執(zhí)行步驟403；

本實施中，若檢測向量與參考向量的向量參數(shù)方差值小于第一閾值，可以進(jìn)一步判斷向量參數(shù)方差值小于第一閾值的次數(shù)是否大于第二閾值。

具體的，可以一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作，在圖像檢測得到檢測向量后，即可在檢測向量與參考向量的向量參數(shù)方差值小于第一閾值的情況下，判斷向量參數(shù)方差值小于第一閾值的次數(shù)是否大于第二閾值。例如，第二閾值為50次，前面在第一模型中進(jìn)行了30次迭代操作，有25次迭代操作后確定的向量參數(shù)方差值小于第一閾值，當(dāng)在第一模型中進(jìn)行第31次迭代操作后，若第31次迭代操作后確定的向量參數(shù)方差值小于第一閾值，則意味著向量參數(shù)方差值小于第一閾值的次數(shù)為26次，進(jìn)而可以判斷基于第31次迭代操作的26次是否大于50次。

可以理解的是，本實施例中的第二閾值可以預(yù)先設(shè)置，可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置，也可以是用戶自定義設(shè)置，具體此處不做限定。

本實施例中的步驟408與圖2所示實施例中的步驟207相同，此處不再贅述。

可以理解的是，基于步驟407說明的內(nèi)容，本實施例中，若一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作后，若在判斷向量參數(shù)方差值小于第一閾值的情況下，且向量參數(shù)方差值小于第一閾值的次數(shù)大于第二閾值，則可以以向量參數(shù)方差值小于第一閾值的次數(shù)大于第二閾值時的最后一次的向量參數(shù)方差值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。例如，假設(shè)第二閾值為50次，那么在第80次迭代操作后，若判斷第80次迭代操作的向量參數(shù)方差值小于第一閾值，且第80次迭代操作后得到的向量參數(shù)方差值小于第一閾值的次數(shù)為51次，則可以將第80次迭代操作得到的向量參數(shù)方差值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型?？梢岳斫獾氖?，以第80次對第一模型調(diào)整得到的目標(biāo)模型為例，該第一模型中卷積層的卷積核參數(shù)在前79次的迭代操作中已經(jīng)經(jīng)過了不斷地調(diào)整。

進(jìn)一步的，基于圖1所示實施例中步驟106和圖2所示實施例中步驟207說明的內(nèi)容，本實施例中，若判斷檢測向量與參考向量的向量參數(shù)方差值不小于第一閾值，或向量參數(shù)方差值小于第一閾值的次數(shù)不大于第二閾值，那么為了得到目標(biāo)模型，也可以根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)得到第二模型后，將第二模型中卷積層的卷積核參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟403至步驟408?？梢岳斫獾氖?，在重復(fù)執(zhí)行步驟403至步驟408的過程中，第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整，而第二目標(biāo)車頭圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作，直到所有第二車頭圖像作為第二目標(biāo)車頭圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù)，即在該情況下，第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像的確定是隨機(jī)但不重復(fù)的。

請參閱圖5，本發(fā)明實施例中車頭檢測模型重建方法另一實施例包括：

本實施例中的步驟501至步驟505與圖2所示實施例中的步驟201至步驟205相同，此處不再相同。

506、判斷向量參數(shù)方差值的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)，若是，則執(zhí)行步驟507，若否，則執(zhí)行步驟503。

本實施例中，確定檢測向量與參考向量的向量參數(shù)方差值后，可以判斷向量參數(shù)方差值的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)。

具體的，一方面，可以一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作，在圖像檢測得到檢測向量后，即可確定檢測向量與參考向量的向量參數(shù)方差值，并可以對向量參數(shù)方差值的確定次數(shù)進(jìn)行判斷操作。

另一方面，為了減少第一模型訓(xùn)練的偶然性，增加訓(xùn)練的第一模型的魯棒性，能更快使向量參數(shù)方差值收斂，可以依次對預(yù)設(shè)數(shù)量的第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作，在圖像檢測得到預(yù)設(shè)數(shù)量的檢測向量，并可以在得到預(yù)設(shè)數(shù)量的檢測向量與對應(yīng)的參考向量的向量參數(shù)方差值后，對向量參數(shù)方差值的確定次數(shù)進(jìn)行判斷操作。其中，預(yù)設(shè)數(shù)量可以即為預(yù)設(shè)次數(shù)。

進(jìn)一步的，本實施例中，在依次對預(yù)設(shè)數(shù)量的第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作的基礎(chǔ)上，將得到的預(yù)設(shè)數(shù)量的向量參數(shù)方差值再進(jìn)行加權(quán)計算，得到諸如平均值后，可以判斷該平均值是否小于第一閾值，若小于，則可以執(zhí)行步驟507，若不小于，則執(zhí)行步驟503。例如，在第一模型中對50個第二目標(biāo)車頭圖像進(jìn)行迭代操作，得到50個向量參數(shù)方差值后，可以判斷50個向量參數(shù)方差值的平均值是否小于第一閾值。

可以理解的是，本實施例中的預(yù)設(shè)次數(shù)可以預(yù)先設(shè)置，可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置，也可以是用戶自定義設(shè)置，具體此處不做限定。

本實施例中的步驟507與圖2所示實施例中的步驟207相同，此處不再贅述。

可以理解的是，基于步驟506說明的內(nèi)容，本實施例中，一方面，若一次對一個第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作后，判斷向量參數(shù)方差值的確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)，則可以在確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)時，以該確定次數(shù)中最后一次的向量參數(shù)方差值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。例如，假設(shè)預(yù)設(shè)次數(shù)為1萬次，那么可以將第1萬次迭代操作得到的向量參數(shù)方差值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型，也可以將第2萬次得到的向量參數(shù)方差值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型，即可以將第A萬次調(diào)整得到的目標(biāo)模型進(jìn)行存儲，由此可以得到多個目標(biāo)模型，具體在實際應(yīng)用中目標(biāo)模型的選取可由用戶決定?？梢岳斫獾氖?，以第1萬次對第一模型調(diào)整得到的目標(biāo)模型為例，該第一模型中卷積層的卷積核參數(shù)在前9999次的迭代操作中已經(jīng)經(jīng)過了不斷地調(diào)整。其中，A為大于零的自然數(shù)。

另一方面，若依次對預(yù)設(shè)數(shù)量的第二目標(biāo)車頭圖像在第一模型中進(jìn)行迭代操作后，判斷向量參數(shù)方差值的確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)，則可以在確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)時，即在第一模型中進(jìn)行預(yù)設(shè)數(shù)量的迭代操作后，可以將得到的預(yù)設(shè)數(shù)量的向量參數(shù)方差值再進(jìn)行加權(quán)計算，得到諸如平均值，再可以以該諸如平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。例如，假設(shè)預(yù)設(shè)次數(shù)為50次，則可以將進(jìn)行50次迭代操作后確定的50個向量參數(shù)方差值加權(quán)計算，得到諸如50個向量參數(shù)方差值的平均值，并可以以該平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。

進(jìn)一步的，在依次對預(yù)設(shè)數(shù)量的第二局部圖像在第一模型中進(jìn)行迭代操作的基礎(chǔ)上，將得到的預(yù)設(shè)數(shù)量的向量參數(shù)方差值再進(jìn)行加權(quán)計算，得到諸如平均值后，若判斷該平均值小于第一閾值，則可以以平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。例如，假設(shè)預(yù)設(shè)次數(shù)為50次，則可以將進(jìn)行50次迭代操作后確定的50個向量參數(shù)方差值加權(quán)計算，得到諸如50個向量參數(shù)方差值的平均值，并可以在該平均值小于第一閾值時，以該第一閾值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整，得到目標(biāo)模型。

需要說明的是，基于圖1所示實施例中步驟106以及圖2所示實施例中步驟207說明的內(nèi)容，本實施例中，若判斷向量參數(shù)方差值的確定次數(shù)不為預(yù)設(shè)次數(shù)的倍數(shù)，那么為了得到目標(biāo)模型，也可以根據(jù)每一次得到的向量參數(shù)方差值調(diào)整第一模型的卷積層參數(shù)得到第二模型后，將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟503至步驟507。同時，若判斷上述說明的平均值不小于第一閾值，也可以以該平均值調(diào)整第一模型的卷積層參數(shù)得到第二模型后，將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟503至步驟507。可以理解的是，在重復(fù)執(zhí)行步驟503至步驟507的過程中，第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整，而第二目標(biāo)車頭圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作，直到所有第二車頭圖像作為第二目標(biāo)車頭圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù)，即在該情況下，第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像的確定是隨機(jī)但不重復(fù)的。

上面對如何得到目標(biāo)模型進(jìn)行了說明，下面基于目標(biāo)模型，對如何車頭進(jìn)行檢測進(jìn)行說明，請參閱圖6，本發(fā)明實施例中基于目標(biāo)模型的車頭檢測方法一個實施例包括：

601、獲取待檢測車頭圖像；

本實施例中，在獲取到待測車輛壓地感的車頭圖像后，可以將車頭圖像進(jìn)行縮小處理，得到待檢測車頭圖像。例如，將車頭圖像縮小為像素尺寸224*224的待檢測車頭圖像。

本實施例中的部分內(nèi)容與圖1所示實施例中的步驟101說明的內(nèi)容相同，此處不再贅述。

602、按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量；

本實施例中，獲取待檢測車頭圖像后，可以按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量。

本實施例中，基于上述說明的車頭檢測模型重建方法中確定的目標(biāo)模型，該目標(biāo)模型采用圖像像素級別的訓(xùn)練方式自學(xué)習(xí)特征識別第二目標(biāo)車頭圖像，自學(xué)習(xí)特征具有多樣性，可以表征不同場景及環(huán)境下的特征形態(tài)，因此，可以將待檢測車頭圖像輸入目標(biāo)模型直接進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量。例如，假設(shè)待檢測車頭圖像的像素尺寸為224*224，圖像檢測后，可以得到1452維的目標(biāo)檢測向量。

本實施例中，待檢測車頭圖像的卷積處理過程可參照圖1所示實施例中步驟103以及圖2所示實施例中步驟204說明的內(nèi)容，此處不再贅述。

603、從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量；

本實施例中，按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量后，可以從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量。

具體的，目標(biāo)檢測向量可以包括車頭/背景參數(shù)、目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)，為了盡可能地排除待檢測車頭圖像中的背景部分，可以在目標(biāo)檢測向量中排除背景參數(shù)，以及背景參數(shù)對應(yīng)的目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)，得到具有車頭參數(shù)的第一檢測向量。

604、將第一檢測向量進(jìn)行擬合處理，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

本實施例中，從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量后，可以將第一檢測向量進(jìn)行擬合處理，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

具體的，將第一檢測向量進(jìn)行擬合處理后，可以確定待檢測車頭圖像中車頭區(qū)域的坐標(biāo)，以方形的車頭區(qū)域為例，根據(jù)擬合處理結(jié)果，可以確定車頭區(qū)域四個頂角的坐標(biāo)。

進(jìn)一步的，獲得待檢測車頭圖像中車頭區(qū)域的坐標(biāo)后，還可以根據(jù)待檢測車頭圖像與待測車輛壓地感的車頭圖像之間的縮放比例，確定待測車輛壓地感的車頭圖像中車頭區(qū)域的坐標(biāo)，從而可以確定待測車輛壓地感的車頭圖像中的車頭區(qū)域。

可以理解的是，在實際應(yīng)用中，待檢測車頭圖像中存在背景圖像，在車頭檢測的過程中，主要是對待檢測車頭圖像中的車頭部分進(jìn)行檢測識別，請參閱圖7，本發(fā)明實施例中基于目標(biāo)模型的車頭檢測方法另一實施例包括：

701、對待檢測車頭圖像進(jìn)行灰度處理；

本實施例中，在對目標(biāo)模型的實際測試中，可以獲取待檢測車頭圖像，并可以對待檢測車頭圖像進(jìn)行灰度處理。

本實施例中，在獲取到待測車輛壓地感的車頭圖像后，可以將車頭圖像進(jìn)行縮小處理，得到待檢測車頭圖像。例如，將車頭圖像縮小為像素尺寸224*224的待檢測車頭圖像。

本實施例中的部分內(nèi)容與圖1所示實施例中的步驟101說明的內(nèi)容相同，此處不再贅述。

本實施例中，在得到待檢測車頭圖像后，為了減少圖像處理的計算量，可以對待檢測車頭圖像進(jìn)行灰度處理。

702、獲取待檢測車頭圖像；

本實施例中，對待檢測車頭圖像進(jìn)行灰度處理后，可以獲取灰度處理后的待檢測車頭圖像。

本實施例中的步驟703與圖6所示實施例中的步驟602相同，此處不再贅述。

704、獲取目標(biāo)檢測向量的置信度；

本實施例中，按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量，可以獲取目標(biāo)檢測向量的置信度。

例如，當(dāng)灰度處理后的待檢測車頭圖像輸入目標(biāo)模型中進(jìn)行相應(yīng)的圖像檢測后，可以得到1452維的目標(biāo)檢測向量，那么意味著圖像檢測過程中，待檢測車牌圖像劃分成了121個區(qū)域塊，每個區(qū)域塊對應(yīng)2次檢測結(jié)果，每次檢測結(jié)果(子目標(biāo)檢測向量)可以對應(yīng)5個參數(shù)，其中1個參數(shù)可以為車頭參數(shù)或背景參數(shù)。在實際應(yīng)用中，可以對每一次子目標(biāo)檢測向量設(shè)置置信度，該置信度可以用來表示區(qū)域塊中是否包括車頭區(qū)域，即車頭參數(shù)或背景參數(shù)的表征。

705、從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量；

本實施例中，獲取目標(biāo)檢測向量的置信度后，可以從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量

具體的，本實施例中，可以預(yù)先設(shè)置預(yù)設(shè)閾值作為判斷檢測向量的置信度的基準(zhǔn)，即判斷對應(yīng)的區(qū)域塊中是否包含車頭區(qū)域。例如，假設(shè)預(yù)設(shè)閾值為0.3，該預(yù)設(shè)閾值0.3可以作為每個區(qū)域塊是否含有車頭區(qū)域的基準(zhǔn)，那么在得到諸如1452維的目標(biāo)檢測向量，可以將預(yù)設(shè)閾值0.3與子目標(biāo)檢測向量的置信度一一對比，則可以從檢測向量中獲取置信度大于預(yù)設(shè)閾值0.3的子目標(biāo)檢測向量為第一檢測向量?？梢岳斫獾氖牵緦嵤├械念A(yù)設(shè)閾值還可以是其它數(shù)值，本實施例僅為舉例說明。

706、將第一檢測向量進(jìn)行最大非線性抑制融合，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)；

本實施例中，從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量后，可以將第一檢測向量進(jìn)行最大非線性抑制融合，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

在實際應(yīng)用中，在待檢測車頭圖像中可能存在多輛車的情況，當(dāng)有多輛車在待檢測車頭圖像中時，會有多個大于預(yù)設(shè)閾值0.3的區(qū)域塊的子目標(biāo)檢測向量的輸出。同時，由于待檢測車頭圖像中車頭區(qū)域可能包含多個區(qū)域塊，那么多個區(qū)域塊對應(yīng)的子目標(biāo)檢測向量的置信度都會大于預(yù)設(shè)閾值0.3，但由于多輛車在待檢測車頭圖像中的車頭區(qū)域相差不大，從而通過非最大化抑制方法，可以解決多個區(qū)域塊中相同位置的問題。

本實施例中的部分內(nèi)容與圖6所示實施例中的步驟604說明的內(nèi)容相同，此處不再贅述。

707、根據(jù)車頭區(qū)域的坐標(biāo)在待檢測車頭圖像中確定車頭區(qū)域圖像。

本實施例中，將第一檢測向量進(jìn)行最大非線性抑制融合，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)后，可以根據(jù)車頭區(qū)域的坐標(biāo)在待檢測車頭圖像中確定車頭區(qū)域圖像。

例如，以方形的車頭區(qū)域為例，確定待檢測車頭圖像中車頭區(qū)域的諸如四個頂角的坐標(biāo)，可以以該四個頂角的坐標(biāo)構(gòu)成的方形區(qū)域為車頭區(qū)域，其它背景部分可以刪除。

進(jìn)一步的，在待檢測車頭圖像中確定車頭區(qū)域圖像后，還可以根據(jù)待檢測車頭圖像與待測車輛壓地感的車頭圖像之間的縮放比例，確定待測車輛壓地感的車頭圖像中的車頭區(qū)域圖像，其它背景部分可以刪除。

上面對本發(fā)明實施例中的車頭檢測模型重建方法進(jìn)行了描述，下面分別對本發(fā)明實施例中的車頭檢測模型重建裝置進(jìn)行描述，請參閱圖8，本發(fā)明實施例中車頭檢測模型重建裝置一個實施例包括：

獲取單元801，可以用于執(zhí)行：

(1)獲取至少一個第一車頭圖像，并將至少一個第一車頭圖像進(jìn)行縮小處理，得到對應(yīng)的至少一個第二車頭圖像；

處理單元802，可以用于執(zhí)行：

(2)確定第一目標(biāo)車頭圖像和第二目標(biāo)車頭圖像，第二目標(biāo)車頭圖像為至少一個第二車頭圖像中的任意一個，第一目標(biāo)車頭圖像為至少一個第一車圖像中與第二目標(biāo)車頭圖像對應(yīng)的一個；

(3)按照第一模型的網(wǎng)絡(luò)參數(shù)對第二目標(biāo)車頭圖像進(jìn)行圖像檢測，得到第二目標(biāo)車頭圖像的檢測向量；

(4)確定檢測向量與參考向量的向量參數(shù)差異，參考向量為第二目標(biāo)車頭圖像基于第一目標(biāo)車頭圖像的標(biāo)注結(jié)果進(jìn)行獲取得到，參考向量與檢測向量的維度相同；

(5)判斷向量參數(shù)差異是否滿足預(yù)設(shè)條件；

(6)若是，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到目標(biāo)模型，若否，則根據(jù)向量參數(shù)差異調(diào)整第一模型的網(wǎng)絡(luò)參數(shù)，得到第二模型，將第二模型的網(wǎng)絡(luò)參數(shù)作為第一模型的網(wǎng)絡(luò)參數(shù)并重復(fù)執(zhí)行步驟(2)至步驟(6)。

可選的，在本發(fā)明的一些實施例中，處理單元802，可以具體用于執(zhí)行：

判斷向量參數(shù)差異是否小于第一閾值；或，

判斷向量參數(shù)差異是否小于第一閾值，且判斷向量參數(shù)差異小于第一閾值的次數(shù)是否大于第二閾值；或，

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)。

可選的，在本發(fā)明的一些實施例中，處理單元802，可以具體用于執(zhí)行：

判斷向量參數(shù)差異的確定次數(shù)是否為第一預(yù)設(shè)次數(shù)的倍數(shù)，且判斷確定次數(shù)的向量參數(shù)差異的加權(quán)計算值是否小于第一閾值。

可選的，在本發(fā)明的一些實施例中，獲取單元801，還可以具體用于執(zhí)行：

對至少一個第一車頭圖像進(jìn)行灰度處理。

可選的，在本發(fā)明的一些實施例中，網(wǎng)絡(luò)參數(shù)包括卷積層參數(shù)、池化層參數(shù)、全連接層參數(shù)；

卷積層參數(shù)以及池化層參數(shù)均為一個或以上，處理單元802，可以具體用于執(zhí)行：

按照第一卷積層參數(shù)以及第二池化層參數(shù)對第一目標(biāo)車頭圖像進(jìn)行一次目標(biāo)處理，得到第一處理圖像，目標(biāo)處理包括卷積處理和池化處理，卷積處理用于得到第一圖像，卷積處理用于得到第二圖像，第一圖像的像素尺寸為第二圖像的像素尺寸的預(yù)設(shè)倍數(shù)；

按照第二卷積層參數(shù)以及第二池化層參數(shù)將第一處理圖像進(jìn)行K次目標(biāo)處理，得到第二處理圖像，K為自然數(shù)；

按照全連接層參數(shù)將第二處理圖像進(jìn)行全連接層處理，得到第二目標(biāo)車頭圖像的檢測向量。

可選的，在本發(fā)明的一些實施例中，向量參數(shù)差異為向量參數(shù)方差值，處理單元802，可以具體用于執(zhí)行：

根據(jù)向量參數(shù)方差值調(diào)整第一模型中卷積層的卷積核參數(shù)；

處理單元802，可以具體用于執(zhí)行：

在利用向量參數(shù)方差值確定第N層池化層的向量損失后，根據(jù)第N層池化層的向量損失確定第N層卷積層的向量損失，并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù)，第一模型包括N層池化層和N層卷積層，N為大于零的整數(shù)；

根據(jù)第N-M層池化層的向量損失確定第N-M層卷積層的向量損失后，并根據(jù)第N-M層卷積層的向量損失確定第N-M-1層卷積層的卷積核損失，M為自然數(shù)。

可選的，在本發(fā)明的一些實施例中，處理單元802，還可以具體用于執(zhí)行：

對第二目標(biāo)車頭圖像進(jìn)行劃塊處理，得到至少一個區(qū)域塊；

獲取至少一個區(qū)域塊基于原始向量的第二預(yù)設(shè)次數(shù)的標(biāo)注結(jié)果，得到第二目標(biāo)車頭圖像的參考向量，原始向量為根據(jù)第一目標(biāo)圖像的標(biāo)注結(jié)果得到。

可選的，在本發(fā)明的一些實施例中，檢測向量、參考向量、原始向量均包括目標(biāo)位置的坐標(biāo)參數(shù)、目標(biāo)區(qū)域的尺寸參數(shù)；

檢測向量、參考向量還包括車頭參數(shù)或背景參數(shù)。

可選的，在本發(fā)明的一些實施例中，獲取單元801，可以具體用于執(zhí)行：

獲取待檢測車頭圖像；

處理單元802，可以具體用于執(zhí)行：

按照目標(biāo)模型的網(wǎng)絡(luò)參數(shù)對待檢測車頭圖像進(jìn)行圖像檢測，得到待檢測車頭圖像的目標(biāo)檢測向量；

從目標(biāo)檢測向量中獲取具有車頭參數(shù)的第一檢測向量；

將第一檢測向量進(jìn)行擬合處理，得到待檢測車頭圖像中車頭區(qū)域的坐標(biāo)。

可選的，在本發(fā)明的一些實施例中，獲取單元801，還可以具體用于執(zhí)行：

對待檢測車頭圖像進(jìn)行灰度處理。

可選的，在本發(fā)明的一些實施例中，處理單元802，可以具體用于執(zhí)行：

獲取目標(biāo)檢測向量的置信度；

從目標(biāo)檢測向量中獲取置信度大于預(yù)設(shè)閾值的子目標(biāo)檢測向量為第一檢測向量。

可選的，在本發(fā)明的一些實施例中，擬合處理為最大非線性抑制融合。

可選的，在本發(fā)明的一些實施例中，處理單元802，還可以具體用于執(zhí)行：

根據(jù)車頭區(qū)域的坐標(biāo)在待檢測車頭圖像中確定車頭區(qū)域圖像。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨(dú)物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。