(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210578294.0 (22)申请日 2022.05.26 (71)申请人 杨昊玥 地址 710000 陕西省西安市新城区长乐 东 路86号9号楼5门6层168号 (72)发明人 肖潇　杨昊玥　吴天逸　 (74)专利代理 机构 深圳知帮办专利代理有限公 司 44682 专利代理师 刘水明 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/20(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种车辆图像识别算法 (57)摘要 本发明公开了一种车辆图像识别算法， 该方 法包括： 获取车辆图像， 优先采用定位网络选取 边界框， 切割车辆的正面图像； 车辆图像校正， 基 于图像金字塔的采集方式， 再采用MTCNN算法得 到车脸校正图像； 输入识别模型， 识别车牌以及 具体型号； 采用弱监督学系统拓展车辆数据集。 该车辆图像识别算法， 能在监控环境复杂， 有空 间遮挡的情况下实现车辆定位和车型识别， 传统 的车牌识别面对套牌车时就需要人工介入进行 筛选， 在“追逃”等场景下降低了监控资源的利用 效率， 车牌识别 与车型识别结合则可以大大缓解 人工压力。 权利要求书1页 说明书6页 附图2页 CN 114972755 A 2022.08.30 CN 114972755 A 1.一种车辆图像识别算法， 其特 征在于， 包括： 获取车辆图像， 优先采用定位网络 选取边界框， 切割车辆的正 面图像； 车辆图像校正， 基于图像金字塔的采集方式， 再采用MTCN N算法得到车脸校正图像； 输入识别模型， 识别车牌以及具体型号； 采用弱监 督学系统拓展车辆数据集。 2.根据权利要求1所述的一种车辆图像识别算法， 其特 征在于： 所述MTCNN算法包括三阶段级联卷积神经网络， 分别为P ‑Net、 R‑Net、 和O‑Net三层网络 结构， 其中每一级的输出是后者的输入， 前者先使用少量信息做大致的判断， 快速剔除无车 辆的区域。 3.根据权利要求2所述的一种车辆图像识别算法， 其特 征在于： 所述P‑Net基于上一步构建的图像金字塔， 利用全连通层进行边界的初步特征提取和 标定， 候选帧回归调整窗口和NMS过滤掉大部 分得分较低的窗口， 用于判断候选框中是否存 在车脸。 4.根据权利要求3所述的一种车辆图像识别算法， 其特 征在于： 所述初步特征提和标定的同时， 对车辆的建立多个识别关键点， 分别位于车辆的左右 车灯、 车标和进气格栅的左右角。 5.根据权利要求2所述的一种车辆图像识别算法， 其特 征在于： 所述R‑Net较上一级的P ‑Net增加打平层， 对P ‑Net得到的预测窗口进行过滤， 对大部分 错误的输入信息 丢弃处理。 6.根据权利要求5所述的一种车辆图像识别算法， 其特 征在于： 所述R‑Net的执行还包括： 使用边界回归和面部关键点定位器对车辆区域进行边界回 归和关键点定位， 输出 更可靠的车辆区域供O ‑Net使用， 经由O ‑Net生成最终识别结果。 7.根据权利要求6所述的一种车辆图像识别算法， 其特 征在于： 所述弱监 督学系统由注意力网络实现， 配合Mobi l net v2网络实现最终的识别网络 。 8.一种终端设备， 其特征在于， 所述终端设备包括处理器以及存储器： 所述存储器用于 存储程序代码， 并将所述 程序代码传输给 所述处理器； 所述处理器用于根据 所述程序代码中的指令执行权利要求1 ‑7任一项所述的车辆图像 识别算法。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质用于存储程序代 码， 所述程序代码用于执 行权利要求1 ‑7任一项所述的车辆图像识别算法。权　利　要　求　书 1/1 页 2 CN 114972755 A 2一种车辆图像识别算法 技术领域 [0001]本发明涉及车辆识别技 术领域， 具体为 一种车辆图像识别算法。 背景技术 [0002]目前的车辆图像识别算法， 通过将视频图像进行结构化分析的手段， 对场景中的 人、 车、 物进 行检出识别， 实现将其与环境背 景分离。 这样， 通过对摄像机拍摄画 面的结构化 分析， 得到场景中的车辆信息； [0003]传统车辆图像识别算法， 需要在白天光照正常、 夜间补光正常且无遮挡的条件下 使用， 但实际应用中这些条件往往无法满足， 如地下停车场、 夜间摄像头； 同时传统算法对 车辆照片完整度要求高， 需要完整的车身照 片， 这一点在实际应用中也很难满足， 因此现有 的车辆图像识别算法应用场景不广， 在道路监控环境复杂、 空间遮挡等条件下， 对无完整图 像且外观趋同的车辆车 型进行细粒度分类难度大。 发明内容 [0004]本发明的目的在于提供一种车辆图像识别算法， 以至少解决现有技术中提出的现 有的对无完整图像且外观趋同的车辆车 型进行细粒度分类难度大的问题。 [0005]为实现上述目的， 本发明提供如下技 术方案： [0006]第一方面， 本申请实施例提供了一种车辆图像识别算法， 包括： [0007]获取车辆图像， 优先采用定位网络 选取边界框， 切割车辆的正 面图像； [0008]车辆图像校正， 基于图像金字塔的采集方式， 再采用MTCNN算法得到车脸校正图 像； [0009]输入识别模型， 识别车牌以及具体型号； [0010]采用弱监 督学系统拓展车辆数据集。 [0011]在一种可行的实施方式中， 所述MTCNN算法包括三阶段级联卷积神经 网络， 分别为 P‑Net、 R‑Net、 和O‑Net三层网络结构， 其中每一级的输出是后者的输入， 前者先使用少量信 息做大致的判断， 快速剔除无 车辆的区域。 [0012]在一种可行的实施方式中， 所述P ‑Net基于上一步构建的图像金字塔， 利用全连通 层进行边界的初步特征提取和标定， 候选帧回归调整窗口和NMS过滤掉大部分得分较低的 窗口， 用于判断候选 框中是否存在车脸。 [0013]在一种可行的实施方式中， 所述初步特征提和标定 的同时， 对车辆 的建立多个识 别关键点， 分别位于车辆的左右车灯、 车 标和进气格栅的左右角。 [0014]在一种可行的实施方式中， 所述R ‑Net较上一级的P ‑Net增加打平层， 对P ‑Net得到 的预测窗口进行 过滤， 对大部分错 误的输入信息 丢弃处理。 [0015]在一种可行的实施方式中， 所述R ‑Net的执行还包括： 使用边界回归和面部关键点 定位器对 车辆区域进 行边界回归和关键点定位， 输出更可靠的车辆区域供O ‑Net使用， 经由 O‑Net生成最终识别结果。说　明　书 1/6 页 3 CN 114972755 A 3