本發(fā)明涉及信息識別領(lǐng)域，具體涉及一種建立識別車輛信息的模型的方法及裝置。

背景技術(shù)：

隨著深度學(xué)習(xí)技術(shù)的興起，基于深度學(xué)習(xí)的圖像識別準(zhǔn)確率逐年上漲，人臉識別、行為識別、運(yùn)動(dòng)識別等圖像識別技術(shù)在越來越多場合中被提及，隨著硬件、算法及大數(shù)據(jù)的不斷發(fā)展，深度學(xué)習(xí)技術(shù)在很多領(lǐng)域均得到了廣泛使用，例如車輛自動(dòng)駕駛領(lǐng)域，是通過電腦系統(tǒng)實(shí)現(xiàn)無人駕駛，依靠人工智能、視覺計(jì)算、雷達(dá)、監(jiān)控裝置和全球定位系統(tǒng)協(xié)同合作，讓電腦可以在沒有任何人類主動(dòng)的操作下，自動(dòng)安全地操作機(jī)動(dòng)車輛，自動(dòng)駕駛汽車對外界信息的獲取主要基于聲音和圖像，要實(shí)現(xiàn)真正的無人駕駛，必須能夠準(zhǔn)確感知和識別前方車輛行駛的狀態(tài)信息，而現(xiàn)有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯(cuò)性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

因此，本發(fā)明要解決的技術(shù)問題在于現(xiàn)有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯(cuò)性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準(zhǔn)確性。

有鑒于此，本發(fā)明提供一種建立識別車輛信息的模型的方法，包括：

獲取車輛信息圖像和所述車輛信息圖像對應(yīng)的車輛信息；

根據(jù)所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；

將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值。

優(yōu)選地，所述車輛信息包括車輛速度信息、車輛轉(zhuǎn)向信息和車輛指示燈信息。

優(yōu)選地，所述獲取車輛信息圖像和所述車輛信息圖像對應(yīng)的車輛信息，包括：

獲取所述車輛信息圖像中的字符區(qū)域圖像；

將所述字符區(qū)域圖像輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行字符分割與識別，確定所述車輛信息圖像對應(yīng)的車輛信息，其中所述機(jī)器學(xué)習(xí)模型利用多個(gè)字符圖像進(jìn)行訓(xùn)練得到的。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型為深度卷積神經(jīng)網(wǎng)絡(luò)模型。

相應(yīng)地，本發(fā)明還提供一種建立識別車輛信息的模型的裝置，包括：

獲取單元，用于獲取車輛信息圖像和所述車輛信息圖像對應(yīng)的車輛信息；

特征圖獲取單元，用于根據(jù)所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；

訓(xùn)練單元，用于將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值。

優(yōu)選地，所述車輛信息包括車輛速度信息、車輛轉(zhuǎn)向信息和車輛指示燈信息。

優(yōu)選地，所述獲取單元包括：

字符區(qū)域圖像獲取單元，用于獲取所述車輛信息圖像中的字符區(qū)域圖像；

確定單元，用于將所述字符區(qū)域圖像輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行字符分割與識別，確定所述車輛信息圖像對應(yīng)的車輛信息，其中所述機(jī)器學(xué)習(xí)模型利用多個(gè)字符圖像進(jìn)行訓(xùn)練得到的。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型為深度卷積神經(jīng)網(wǎng)絡(luò)模型。

本發(fā)明技術(shù)方案具有以下優(yōu)點(diǎn)：

通過獲取車輛信息圖像和車輛信息圖像對應(yīng)的車輛信息，根據(jù)車輛信息圖像，得到車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖，將車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值，解決了現(xiàn)有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯(cuò)性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準(zhǔn)確性的問題。

附圖說明

為了更清楚地說明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實(shí)施方式或現(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，下面描述中的附圖是本發(fā)明的一些實(shí)施方式，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1提供的一種建立識別車輛信息的模型的方法的流程圖；

圖2是本發(fā)明實(shí)施例2提供的一種建立識別車輛信息的模型的裝置的結(jié)構(gòu)示意圖；

圖3是本發(fā)明另一實(shí)施例提供的一種車輛轉(zhuǎn)向信息判定方法的流程圖；

圖4是本發(fā)明另一實(shí)施例提供的一種車輛轉(zhuǎn)向信息判定裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合附圖對本發(fā)明的技術(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。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。

實(shí)施例1

本發(fā)明實(shí)施例1提供一種建立識別車輛信息的模型的方法，如圖1所示，包括：

S11，獲取車輛信息圖像和所述車輛信息圖像對應(yīng)的車輛信息。車輛信息包括車輛速度信息、車輛轉(zhuǎn)向信息和車輛指示燈信息，其中車輛速度信息可以通過速度傳感器采集得到，根據(jù)采集的車輛速度信息得到車輛速度信號、加速度信號和剎車信號，車輛轉(zhuǎn)向信息可以通過標(biāo)注獲取設(shè)置在車牌上方的車輛信息顯示牌上的轉(zhuǎn)向信息得到或者通過標(biāo)注獲取的車輛指示燈信息的轉(zhuǎn)向燈信息或剎車信息燈信息。

S12，根據(jù)所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖。首先求取車輛信息圖像中的每個(gè)像素點(diǎn)的1bp特征，當(dāng)求取圖像邊緣像素點(diǎn)的灰度特征值時(shí)，超出邊界的像素點(diǎn)的值設(shè)置為零，繼而得到整個(gè)車輛信息圖像的1bp特征圖，繼而根據(jù)灰度特征圖，得到1bp特征圖、梯度幅值特征圖和梯度方向特征圖。

S13，將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值。所述神經(jīng)網(wǎng)絡(luò)模型為深度卷積神經(jīng)網(wǎng)絡(luò)模型。深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network，簡稱DCNN)是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對于大型圖像處理有著出色表現(xiàn)，一般由至少一個(gè)卷積層(alternating convolutional layer)和至少一個(gè)池化層(pooling layer) 構(gòu)成。

為了提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，步驟S11中包括以下步驟：

S111，獲取所述車輛信息圖像中的字符區(qū)域圖像；

S112，將所述字符區(qū)域圖像輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行字符分割與識別，確定所述車輛信息圖像對應(yīng)的車輛信息，其中所述機(jī)器學(xué)習(xí)模型利用多個(gè)字符圖像進(jìn)行訓(xùn)練得到的。

本發(fā)明實(shí)施例提供的建立識別車輛信息的模型的方法，通過獲取車輛信息圖像和車輛信息圖像對應(yīng)的車輛信息，根據(jù)車輛信息圖像，得到車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖，將車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值，解決了現(xiàn)有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯(cuò)性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準(zhǔn)確性的問題。

實(shí)施例2

相應(yīng)地，本發(fā)明實(shí)施例2提供一種建立識別車輛信息的模型的裝置，如圖2所示，包括：

獲取單元21，用于獲取車輛信息圖像和所述車輛信息圖像對應(yīng)的車輛信息；

特征圖獲取單元22，用于根據(jù)所述車輛信息圖像，得到所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖；

訓(xùn)練單元23，用于將所述車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和所述車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至所述神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值。

優(yōu)選地，所述車輛信息包括車輛速度信息、車輛轉(zhuǎn)向信息和車輛指示燈信息，其中所述車輛速度信息與所述車輛轉(zhuǎn)向信息通過視頻方式顯示。

優(yōu)選地，獲取單元21包括：

字符區(qū)域圖像獲取單元，用于獲取所述車輛信息圖像中的字符區(qū)域圖像；

確定單元，用于將所述字符區(qū)域圖像輸入到機(jī)器學(xué)習(xí)模型中進(jìn)行字符分割與識別，確定所述車輛信息圖像對應(yīng)的車輛信息，其中所述機(jī)器學(xué)習(xí)模型利用多個(gè)字符圖像進(jìn)行訓(xùn)練得到的。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型為深度卷積神經(jīng)網(wǎng)絡(luò)模型。

本發(fā)明實(shí)施例提供的建立識別車輛信息的模型的裝置，通過獲取單元獲取車輛信息圖像和車輛信息圖像對應(yīng)的車輛信息，根據(jù)車輛信息圖像，得到車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖，將車輛信息圖像的灰度特征圖、1bp特征圖、梯度幅值特征圖和梯度方向特征圖和車輛信息圖像對應(yīng)的車輛信息作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至神經(jīng)網(wǎng)絡(luò)模型對所述車輛信息圖像信息識別的準(zhǔn)確度大于預(yù)設(shè)閾值，解決了現(xiàn)有汽車采用語音通訊方式獲取信息，使得信息在傳輸過程中容錯(cuò)性差，信息存儲量低且抗干擾性差，降低了汽車駕駛過程中信息獲取的準(zhǔn)確性的問題。

本發(fā)明另一實(shí)施例還提供一種車輛轉(zhuǎn)向信息判定方法，如圖3所示，包括：

S31，利用上述的方法，得到車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息；

S32，判斷車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息是否相同；

S33，當(dāng)車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息是否相同時(shí)進(jìn)行車輛轉(zhuǎn)向判定。

步驟S32包括：

當(dāng)車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息不相同時(shí)進(jìn)行報(bào)警提示。

本發(fā)明另一實(shí)施例提供的車輛轉(zhuǎn)向信息判定方法，通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型得到車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息，通過判斷車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息的一致性，繼而判定車輛轉(zhuǎn)向，提高了車輛轉(zhuǎn)向判定的魯棒性。

相應(yīng)地，本發(fā)明還提供一種車輛轉(zhuǎn)向信息判定裝置，如圖4所示，包括：

轉(zhuǎn)向信息獲取單元41，用于利用上述所述的方法，得到車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息；

判斷單元42，用于判斷所述車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息是否相同；

判定單元43，用于當(dāng)所述車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息是否相同時(shí)進(jìn)行車輛轉(zhuǎn)向判定。

優(yōu)選地，判斷單元42包括：

第一判斷單元，用于當(dāng)所述車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息不相同時(shí)進(jìn)行報(bào)警提示。

本發(fā)明另一實(shí)施例提供的車輛轉(zhuǎn)向信息判定裝置，通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型得到車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息，通過判斷車輛轉(zhuǎn)向信息圖像中車輛的轉(zhuǎn)向信息與車輛指示燈信息圖像中車輛的轉(zhuǎn)向信息的一致性，繼而判定車輛轉(zhuǎn)向，提高了車輛轉(zhuǎn)向判定的魯棒性。

顯然，上述實(shí)施例僅僅是為清楚地說明所作的舉例，而并非對實(shí)施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無需也無法對所有的實(shí)施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動(dòng)仍處于本發(fā)明創(chuàng)造的保護(hù)范圍之中。