基于大数据的车辆检索方法及装置与流程

本发明涉及图像处理
技术领域：
，具体而言，涉及一种基于大数据的车辆检索方法及装置。
背景技术：
：随着我国经济的快速发展、城市规模的不断扩大、车辆数量的大幅增长以及社会安全意识的提高，越来越多的场合需要根据目标车辆的图像在海量车辆图像中进行检索，得到目标车辆，比如，公安大数据系统具有以图搜车功能，指的是将用户提供的一张车辆图像作为目标车辆的图像，在卡口海量记录中查找目标车辆的行驶记录。现有技术提供有多种车辆检索方法，用于根据目标车辆的图像在海量车辆图像中查找得到目标车辆。现有技术中的车辆检索方法的具体过程为：利用sift、surf、dog等算法提取目标车辆图像的整幅图像特征，将该特征作为目标特征，利用相同的算法提取数据库中各个车辆图像的整幅图像特征，将该特征作为待匹配特征，计算目标特征与各个待匹配特征之间的欧式距离，将欧式距离最近的待匹配特征对应的车辆作为目标车辆。发明人在研究中发现，由于上述的整幅图像特征包括驾驶人员的特征，因此当车辆没变，驾驶人员改变时，整幅图像特征将发生变化，从而对于同一辆车，当目标车辆图像中的驾驶人员与数据库中的车辆图像中的驾驶人员不一致时，将导致匹配失败，影响检索结果的准确性，因此，现有技术中的车辆检索方法具有检索准确性差的问题。技术实现要素：有鉴于此，本发明的目的在于提供一种基于大数据的车辆检索方法及装置，能够在海量车辆图像中准确检索得到目标车辆，提高目标车辆检索的准确性。第一方面，本发明实施例提供了一种基于大数据的车辆检索方法，所述方法包括：提取目标车辆图像中目标车辆的品牌特征；确定所述目标车辆图像中每个像素点对应各个标志物的概率，其中，所述标志物包括年检标、摆件、挂饰中的一种或多种；根据所述目标车辆图像中每个像素点对应各个所述标志物的概率以及各个所述标志物对应的概率阈值，确定各个所述标志物在所述目标车辆图像中的位置；根据各个所述标志物在所述目标车辆图像中的位置提取各个所述标志物的图像特征；根据所述目标车辆图像中各个所述标志物的图像特征以及所述目标车辆的品牌特征在多个待检索车辆图像中检索所述目标车辆。结合第一方面，本发明实施例提供了第一方面第一种可能的实施方式，其中，所述提取所述目标车辆图像中所述目标车辆的品牌特征，包括：对所述目标车辆图像循环进行卷积处理、非线性变换以及池化处理，得到第一提取结果；对所述第一提取结果进行降维处理，并对降维后的结果进行非线性变换，得到所述目标车辆图像中所述目标车辆的品牌特征。结合第一方面，本发明实施例提供了第一方面第二种可能的实施方式，其中，所述确定所述目标车辆图像中每个像素点对应各个所述标志物的概率，包括：对所述目标车辆图像循环进行卷积处理、非线性变换和池化处理，得到第一确定结果；对所述第一确定结果循环进行卷积处理和非线性变换，得到第二确定结果；对所述第二确定结果进行概率计算，得到所述目标车辆图像中每个像素点对应各个所述标志物的概率。结合第一方面，本发明实施例提供了第一方面第三种可能的实施方式，其中，所述根据所述目标车辆图像中每个像素点对应各个所述标志物的概率以及各个所述标志物对应的概率阈值，确定各个所述标志物在所述目标车辆图像中的位置，包括：在所述目标车辆图像中将对应当前标志物的概率大于所述当前标志物对应的概率阈值的各个像素点确定为所述当前标志物对应的各个像素点；将所述当前标志物对应的各个像素点组成的连通区域的位置作为所述当前标志物在所述目标车辆图像中的位置。结合第一方面，本发明实施例提供了第一方面第四种可能的实施方式，其中，所述根据各个所述标志物在所述目标车辆图像中的位置提取各个所述标志物的图像特征，包括：获取所述目标车辆图像的特征图；根据所述特征图的大小、所述目标车辆图像的大小、各个所述标志物在所述目标车辆图像中的位置确定在所述特征图中各个所述标志物的位置；将所述特征图中各个所述标志物的位置对应的特征作为各个所述标志物的图像特征提取出来。结合第一方面上述的实施方式，本发明实施例提供了第一方面第五种可能的实施方式，其中，所述根据所述目标车辆图像中各个所述标志物的图像特征以及所述目标车辆的品牌特征在多个待检索车辆图像中检索所述目标车辆，包括：分别计算所述目标车辆图像中各个标志物的图像特征与当前待检索车辆图像中各个标志物的图像特征之间的相似度，其中，所述目标车辆图像中的各个标志物与所述当前待检索车辆图像中的各个标志物一一对应；计算所述目标车辆的品牌特征与所述当前待检索车辆图像中当前待检索车辆的品牌特征之间的相似度；对计算得到的各个相似度进行加权求和，得到所述目标车辆与所述当前待检索车辆之间的匹配度；将匹配度最高的待检索车辆作为所述目标车辆。第二方面，本发明实施例提供了一种基于大数据的车辆检索装置，所述装置包括：品牌提取模块，用于提取目标车辆图像中目标车辆的品牌特征；概率确定模块，用于确定所述目标车辆图像中每个像素点对应各个标志物的概率，其中，所述标志物包括年检标、摆件、挂饰中的一种或多种；位置确定模块，用于根据所述目标车辆图像中每个像素点对应各个所述标志物的概率以及各个所述标志物对应的概率阈值，确定各个所述标志物在所述目标车辆图像中的位置；标志物特征提取模块，用于根据各个所述标志物在所述目标车辆图像中的位置提取各个所述标志物的图像特征；目标检索模块，用于根据所述目标车辆图像中各个所述标志物的图像特征以及所述目标车辆的品牌特征在多个待检索车辆图像中检索所述目标车辆。结合第二方面，本发明实施例提供了第二方面第一种可能的实施方式，其中，所述品牌提取模块包括：第一提取子模块，用于对所述目标车辆图像循环进行卷积处理、非线性变换以及池化处理，得到第一提取结果；第二提取子模块，用于对所述第一提取结果进行降维处理，并对降维后的结果进行非线性变换，得到所述目标车辆图像中所述目标车辆的品牌特征。结合第二方面，本发明实施例提供了第二方面第二种可能的实施方式，其中，所述概率确定模块包括：第一确定子模块，用于对所述目标车辆图像循环进行卷积处理、非线性变换和池化处理，得到第一确定结果；第二确定子模块，用于对所述第一确定结果循环进行卷积处理和非线性变换，得到第二确定结果；第三确定子模块，用于对所述第二确定结果进行概率计算，得到所述目标车辆图像中每个像素点对应各个所述标志物的概率。结合第二方面，本发明实施例提供了第二方面第三种可能的实施方式，其中，所述位置确定模块，包括：像素点确定子模块，用于在所述目标车辆图像中将对应当前标志物的概率大于所述当前标志物对应的概率阈值的各个像素点确定为所述当前标志物对应的各个像素点；位置确定子模块，用于将所述当前标志物对应的各个像素点组成的连通区域的位置作为所述当前标志物在所述目标车辆图像中的位置。结合第二方面，本发明实施例提供了第二方面第四种可能的实施方式，其中，所述标志物特征提取模块包括：特征图获取子模块，用于获取所述目标车辆图像的特征图；标志物位置确定子模块，用于根据所述特征图的大小、所述目标车辆图像的大小、各个所述标志物在所述目标车辆图像中的位置确定在所述特征图中各个所述标志物的位置；特征提取子模块，用于将所述特征图中各个所述标志物的位置对应的特征作为各个所述标志物的图像特征提取出来。结合第二方面上述的实施方式，本发明实施例提供了第二方面第五种可能的实施方式，其中，所述目标检索模块包括：第一计算子模块，用于分别计算所述目标车辆图像中各个标志物的图像特征与当前待检索车辆图像中各个标志物的图像特征之间的相似度，其中，所述目标车辆图像中的各个标志物与所述当前待检索车辆图像中的各个标志物一一对应；第二计算子模块，用于计算所述目标车辆的品牌特征与所述当前待检索车辆图像中当前待检索车辆的品牌特征之间的相似度；第三计算子模块，用于对计算得到的各个相似度进行加权求和，得到所述目标车辆与所述当前待检索车辆之间的匹配度；目标确定子模块，用于将匹配度最高的待检索车辆作为所述目标车辆。本发明实施例中，将年检标、摆件、挂饰和车辆的品牌特征作为检索依据，在海量图像中检索目标车辆。由于年检标、摆件、挂饰是基于驾驶员的个人习惯设置的，车辆的品牌特征是固定不变的，因此通过本发明实施例中的基于大数据的车辆检索方法及装置，将该四个特征结合起来，能够在海量数据中根据驾驶员的个人习惯准确检索到目标车辆，从而提高目标车辆检索的准确性。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本发明第一实施例所提供的基于大数据的车辆检索方法的流程示意图；图2示出了本发明第一实施例所提供的用于提取目标车辆的品牌特征的深度学习网络结构的示意图；图3示出了本发明实施例所提供的图2中的深度学习网络结构的训练示意图；图4示出了本发明实施例所提供的用于确定像素点概率的深度学习网络结构的示意图；图5示出了本发明实施例所提供的图4中的深度学习网络结构的训练示意图；图6示出了本发明第一实施例所提供的基于大数据的车辆检索装置的流程示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。考虑到现有技术中的车辆检索方法具有检索准确性差的问题，本发明实施例提供了一种基于大数据的车辆检索方法及装置，下面通过实施例进行描述。实施例一图1示出了本发明第一实施例所提供的基于大数据的车辆检索方法的流程示意图，如图所示，该方法包括以下步骤：步骤S101，提取目标车辆图像中目标车辆的品牌特征。目标车辆图像为包含目标车辆的图像，目标车辆为待查找的车辆，本实施例的目的是在海量车辆图像中根据目标车辆图像查找到目标车辆，从而实现目标车辆的检索。考虑到深度学习网络结构具有自动学习、且学习得到的模型准确度高的优点，本步骤中，基于训练好的深度学习网络结构提取目标车辆图像中目标车辆的品牌特征。基于训练好的深度学习网络结构提取目标车辆图像中目标车辆的品牌特征具体包括以下两个动作：(1)对目标车辆图像循环进行卷积处理、非线性变换以及池化处理，得到第一提取结果，(2)对第一提取结果进行降维处理，并对降维后的结果进行非线性变换，得到目标车辆图像中目标车辆的品牌特征。图2为本发明第一实施例提供的用于提取目标车辆的品牌特征的深度学习网络结构的示意图，如图2所示，该深度学习网络结构包括五层，其中第一层至第四层均包括卷积层、激活层和池化层，卷积层、激活层和池化层顺序连接，第五层包括全连接层和激活层，全连接层和激活层顺序连接。第一层至第五层全部为顺序连接。图2中的深度学习网络结构在工作过程中，目标车辆图像输入至第一层，第一层中的卷积层对目标车辆图像进行卷积处理，将卷积处理的结果输入至第一层中的激活层，第一层中的激活层对卷积处理的结果进行非线性变换，将非线性变换的结果输入至第一层中的池化层，第一层中的池化层对非线性变换的结果进行池化处理，并将池化结果输入至第二层中的卷积层，第二层中的卷积层、激活层和池化层依照第一层的处理方式，对池化结果依次进行卷积处理、非线性变换以及池化处理，并将池化结果输入至第三层中的卷积层，以此循环，直至第四层中的池化层输出最终的池化结果，该最终的池化结果即为上述的第一提取结果；第四层中的池化层将第一提取结果输入至第五层中的全连接层，全连接层对第一提取结果进行降维处理，并将降维后的结果输入至第五层中的激活层，第五层中的激活层对降维后的结果进行非线性变换，得到目标车辆的品牌特征。在训练图2中的深度学习网络结构时，设定深度学习网络结构包括卷积层、激活层、池化层、全连接层、三元组损失函数层。在训练过程中，首先准备大量的训练图像作为训练数据集，并标注同种车辆子品牌的车辆属于同一车辆品牌。深度学习网络结构的训练原理是训练出同一车辆品牌的图像之间差异性最小化，不同车辆品牌的图像之间的差异性最大化。三元组损失函数层中具有三元组损失函数，该函数的原理是：从训练数据集τ中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor(记为x_a)属于同一车辆品牌的样本和一个属于不同车辆品牌的样本,这两个样本对应的称为Positive(记为x_p)和Negative(记为x_n),由此构成一个(Anchor，Positive，Negative)三元组，三元组的特征表达分别记为：三元组损失函数的目的就是通过学习，让x_a和x_p特征表达之间的距离尽可能小，而x_a和x_n的特征表达之间的距离尽可能大，并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔α，公式化表示如下：||f(xia)-f(xip)||2+α<||f(xia)-f(xin)||2∀(f(xia),f(xip),f(xin))∈τ;]]>公式中的是指欧式距离的平方运算符，2为范数；τ是指训练数据集。根据上述公式得到对应的目标函数为：ΣiN[||f(xia)-f(xip)||2-||f(xia)-f(xin)||2+α]+.]]>深度学习网络结构训练的目的就是让相同车辆品牌的图像之间的距离小于不同车辆品牌的图像之间的距离，采用一个间隔距离，目的使得他们隔开有一个最小间隔，若不满足则说明三元组损失函数存在损失，需要通过训练修正损失，将损失函数最小化。其中，三元组损失函数的损失用欧式距离度量，+表示[]内的值大于零的时候，取该值为损失，小于零的时候，损失为零。图3为本发明第一实施例提供的图2中的深度学习网络结构的训练示意图，如图3所示，训练过程中，深度学习网络结构包括七层，第一层至第四层均包括依次连接的卷积层、激活层和池化层，第五层包括依次连接的全连接层和激活层，第六层为全连接层，第七层为三元组损失函数层。在训练图2中的深度学习网络结构时，将大量三元组训练数据输入至第一层，通过第一层依次对训练数据进行卷积处理、非线性变换和池化处理，并将结果输入至第二层，第二层继续对第一层的输出结果进行卷积处理、非线性变换和池化处理，以此重复，直至第四层经的输出结果输入至第五层，第五层对第四层的输出结果进行降维处理和非线性变换，并将结果输入至第六层，第六层对第五层的输出结果进行降维处理，将降维结果输入至第七层，第七层利用三元组损失函数对第六层的输出结果计算损失，并将计算出的损失逐层反向传到上述网络结构中，调整网络结构中的训练参数，从而保证训练得到损失最小的深度学习网络结构。本实施例中，将训练得到的深度学习网络结构中第五层的输出结果作为车辆的品牌特征，因此与图3相比，图2中的结构只具备前五层。本实施例中，还能够对提取得到的目标车辆的品牌特征进行深度哈希编码，从而降低特征存储大小并提高车辆检索性能。步骤S102，确定目标车辆图像中每个像素点对应各个标志物的概率，其中，标志物包括年检标、摆件、挂饰中的一种或多种。考虑到深度学习网络结构具有自动学习、且学习得到的模型准确度高的优点，本步骤中，基于训练好的深度学习网络结构确定目标车辆图像中每个像素点对应各个标志物的概率。基于训练好的深度学习网络结构确定目标车辆图像中每个像素点对应各个标志物的概率具体包括以下三个动作：(1)对目标车辆图像循环进行卷积处理、非线性变换和池化处理，得到第一确定结果，(2)对第一确定结果循环进行卷积处理和非线性变换，得到第二确定结果，(3)对第二确定结果进行概率计算，得到目标车辆图像中每个像素点对应各个标志物的概率。图4为本发明第一实施例提供的用于确定像素点概率的深度学习网络结构的示意图，如图4所示，该深度学习网络结构包括八层，其中第一层和第二层均包括卷积层、激活层和池化层，卷积层、激活层和池化层顺序连接，第三层至第七层均包括顺序连接的卷积层和激活层，第八层包括概率计算函数。第一层至第八层全部为顺序连接。图4中的深度学习网络结构在工作过程中，目标车辆图像输入至第一层，第一层中的卷积层对目标车辆图像进行卷积处理，将卷积处理的结果输入至第一层中的激活层，第一层中的激活层对卷积处理的结果进行非线性变换，将非线性变换的结果输入至第一层中的池化层，第一层中的池化层对非线性变换的结果进行池化处理，并将池化结果输入至第二层中的卷积层，第二层中的卷积层、激活层和池化层依照第一层的处理方式，对池化结果依次进行卷积处理、非线性变换以及池化处理，得到第一确定结果，并将第一确定结果输入至第三层中的卷积层，第三层中的卷积层对池化结果进行卷积处理，将卷积结果输入至第三层中的激活层，第三层中的激活层对卷积处理的结果进行非线性变换，将非线性变换的结果输入至第四层，以此循环，直至第七层中的池化层输出第二确定结果，第八层利用概率计算函数对第二确定结果进行概率计算，得到目标车辆图像中每个像素点对应各个标志物的概率。在训练图4中的深度学习网络结构时，设定深度学习网络结构包括卷积层、激活层、池化层、和回归损失函数层。在训练过程中，首先准备大量的训练图像作为训练数据，在每张训练图像上将各个标志物以及背景的所在区域内的像素点标记为不同的标签，例如将年检标所在区域的像素点均置值为1，将摆件所在区域的像素点均置值为2，将挂饰所在区域的像素点均置值为3，将背景所在区域的像素点均置值为0，如此，每张图像中各个像素点均具有一个类别标签，从而生成每张车辆图片对应的标签图像。进一步地，对深度学习网络结构进行训练，得到最优的深度学习网络结构，从而通过该最优的深度学习网络结构确定目标车辆图像中每个像素点对应各个标志物的概率。在训练过程中，采用回归损失函数层保证计算的每个像素对应的标签与标签图像尽可能一致。图5为本发明第一实施例提供的图4中的深度学习网络结构的训练示意图，如图5所示，训练过程中，将原始车辆图像和训练样本共同输入至深度学习网络结构中，当第八层中的回归损失函数计算得到损失结果后，将计算出的损失结果调整逐层反向传到网络结构中，调整网络结构中的训练参数，从而保证训练得到最优的深度学习网络结构。步骤S103，根据目标车辆图像中每个像素点对应各个标志物的概率以及各个标志物对应的概率阈值，确定各个标志物在目标车辆图像中的位置。本步骤具体包括以下过程：(1)在目标车辆图像中将对应当前标志物的概率大于当前标志物对应的概率阈值的各个像素点确定为当前标志物对应的各个像素点；(2)将当前标志物对应的各个像素点组成的连通区域的位置作为当前标志物在目标车辆图像中的位置。上述过程(1)中，分析目标车辆图像中每个像素点对应各个标志物的概率，对于当前标志物，将概率大于概率阈值的各个像素点确定为当前标志物对应的各个像素点；上述过程(2)中，确定当前标志物对应的各个像素点组成的连通区域的位置，具体指该连通区域的外接矩形的位置，将该外接矩形的位置作为当前标志物在目标车辆图像中的位置。具体实现过程中，可以根据目标车辆图像中每个像素点对应当前标志物的概率，以及当前标志物对应的概率阈值将目标车辆图像二值化，如，将概率大于或等于当前标志物对应的概率阈值的像素点置值为255，即白色，将概率小于当前标志物对应的概率阈值的像素点置值为0，即黑色。计算二值化图像中的连通域，将连通域的外接矩形的位置作为当前标志物的位置。计算二值化图像中的连通域的具体过程如下：(1)逐行扫描图像，把每一行中连续的白色像素(像素值为255)组成一个序列称为一个团(run)，并记下它的起点start、它的终点end以及它所在的行号；(2)对于除了第一行外的所有行里的团，如果它与前一行中的所有团都没有重合区域，则给它一个新的标号，如果它仅与上一行中一个团有重合区域，则将上一行的那个团的标号赋给它，如果它与上一行的2个以上的团有重叠区域，则将与它有重叠区域的团中最小标号作为当前团的标号，同时这几个标号认为是等价对，说明它们属于一类；(3)将所有的等价对转换为等价序列(假设标号2与标号3是等价对，即是同一类，标号3与标号4也是等价对，那么将等价对转化为等价序列{2,3,4},这个序列中的标号代表同一类)，遍历所有团的标记，查找等价序列，从1开始，给处于同一等价序列的团一个新的标记作为该等价序列的标号；(4)将每个团的等价序列的标号填入图像中；(5)根据填好的图像，将相同标号构成的区域确定为一个连通域，每个连通域对应的为一个标志物，将连通域的外接矩形的位置确定为标志物的位置。步骤S104，根据各个标志物在目标车辆图像中的位置提取各个标志物的图像特征。本步骤具体实现如下：(1)获取目标车辆图像的特征图；通过深度学习网络结构提取目标车辆图像的特征图。比如，通过模型Alexnet提取conv5层的整车特征作为目标车辆图像的特征图，其中，模型Alexnet还可以是模型googlenet,conv5层还可以是conv3或者conv4。(2)根据特征图的大小、目标车辆图像的大小、各个标志物在目标车辆图像中的位置确定在特征图中各个标志物的位置。比如，若标志物在目标车辆图像中的位置是(x1，y1，x2，y2)，conv5层的特征图的大小为[h1，w1],目标车辆图像的大小为[h，w],则特征图相对于车辆图像的缩放比例kw＝w1/w、kh＝h1/h，则标志物在特征图上的位置是(kw*x1，kh*y1，kw*x2，kh*y2)。(3)将特征图中各个标志物的位置对应的特征作为各个标志物的图像特征提取出来。另一种优选的实施方式中，设定各个标志物的图像特征的尺寸一致，按照设定的尺寸提取各个标志物的图像特征。具体地，设定各个标志物的图像特征的尺寸为poolh*poolw，将各个标志物的图像特征平均分成poolh*poolw个子块，在每个子块中取最大值的那个特征作为该子块的特征，最终组成的特征的尺寸为poolh*poolw。当目标车辆图像的特征图有多张时，将在每张特征图中提取得到的标志物的图像特征串联起来，即为最终的标志物的特征。上述动作(2)和(3)能够通过感兴趣区域采样(ROIpooling)技术实现。本实施例中，还能够采用哈希编码技术对提取的标志物的图像特征进行编码，从而降低特征存储大小并提高车辆检索性能。本实施例中，通过上述动作(1)至(3)根据各个标志物在目标车辆图像中的位置提取各个标志物的图像特征，能够提高标志物的图像特征的提取速度，加快目标车辆的检索效率。步骤S105，根据目标车辆图像中各个标志物的图像特征以及目标车辆的品牌特征在多个待检索车辆图像中检索目标车辆。具体地，对于当前待检索车辆图像，采用上述步骤S101至步骤S104获取当前待检索车辆图像中当前待检索车辆的特征特征和各个标志物的图像特征，分别计算目标车辆图像中各个标志物的图像特征与当前待检索车辆图像中各个标志物的图像特征之间的相似度，其中，目标车辆图像中的各个标志物与当前待检索车辆图像中的各个标志物一一对应，比如，计算目标车辆图像中年检标的图像特征和当前待检索车辆图像中年检标的图像特征之间的相似度，这里相似度可以用欧式距离表示，计算目标车辆的品牌特征与当前待检索车辆图像中当前待检索车辆的品牌特征之间的相似度，这里相似度可以用欧式距离表示，对计算得到的各个相似度进行加权求和，得到目标车辆与当前待检索车辆之间的匹配度，比如，年检标的权重为3，摆件的权重为3，挂饰的权重为4，品牌特征的权重为2，根据该权重和各个相似度计算匹配度，将匹配度最高的待检索车辆作为目标车辆。本实施例中，由于在训练各个深度学习网络结构时，需要利用大量样本数据，因此本实施例实质上是一种基于大数据的车辆检索方法。本发明实施例中，将年检标、摆件、挂饰和车辆的品牌特征作为检索依据，在海量图像中检索目标车辆。由于年检标、摆件、挂饰是基于驾驶员的个人习惯设置的，车辆的品牌特征是固定不变的，因此通过本发明实施例中的基于大数据的车辆检索方法，将该四个特征结合起来，能够在海量数据中根据驾驶员的个人习惯准确检索到目标车辆，从而提高目标车辆检索的准确性。实施例二对应上述实施例一中的基于大数据的车辆检索方法，本发明第二实施例提供了一种基于大数据的车辆检索装置，如图6所示，该装置包括：品牌提取模块61，用于提取目标车辆图像中目标车辆的品牌特征；概率确定模块62，用于确定目标车辆图像中每个像素点对应各个标志物的概率，其中，标志物包括年检标、摆件、挂饰中的一种或多种；位置确定模块63，用于根据目标车辆图像中每个像素点对应各个标志物的概率以及各个标志物对应的概率阈值，确定各个标志物在目标车辆图像中的位置；标志物特征提取模块64，用于根据各个标志物在目标车辆图像中的位置提取各个标志物的图像特征；目标检索模块65，用于根据目标车辆图像中各个标志物的图像特征以及目标车辆的品牌特征在多个待检索车辆图像中检索目标车辆。上述品牌提取模块61相当于前述的训练好的用于提取车辆的品牌特征的深度学习网络结构，品牌提取模块61包括：第一提取子模块，用于对目标车辆图像循环进行卷积处理、非线性变换以及池化处理，得到第一提取结果；第二提取子模块，用于对第一提取结果进行降维处理，并对降维后的结果进行非线性变换，得到目标车辆图像中目标车辆的品牌特征。上述概率确定模块62相当于前述的训练好的用于确定各个像素点的概率的深度学习网络结构，概率确定模块62包括：第一确定子模块，用于对目标车辆图像循环进行卷积处理、非线性变换和池化处理，得到第一确定结果；第二确定子模块，用于对第一确定结果循环进行卷积处理和非线性变换，得到第二确定结果；第三确定子模块，用于对第二确定结果进行概率计算，得到目标车辆图像中每个像素点对应各个标志物的概率。上述位置确定模块63，包括：像素点确定子模块，用于在目标车辆图像中将对应当前标志物的概率大于当前标志物对应的概率阈值的各个像素点确定为当前标志物对应的各个像素点；位置确定子模块，用于将当前标志物对应的各个像素点组成的连通区域的位置作为当前标志物在目标车辆图像中的位置。上述标志物特征提取模块64包括：特征图获取子模块，用于获取目标车辆图像的特征图；标志物位置确定子模块，用于根据特征图的大小、目标车辆图像的大小、各个标志物在目标车辆图像中的位置确定在特征图中各个标志物的位置；特征提取子模块，用于将特征图中各个标志物的位置对应的特征作为各个标志物的图像特征提取出来。上述目标检索模块65包括：第一计算子模块，用于分别计算目标车辆图像中各个标志物的图像特征与当前待检索车辆图像中各个标志物的图像特征之间的相似度，其中，目标车辆图像中的各个标志物与当前待检索车辆图像中的各个标志物一一对应；第二计算子模块，用于计算目标车辆的品牌特征与当前待检索车辆图像中当前待检索车辆的品牌特征之间的相似度；第三计算子模块，用于对计算得到的各个相似度进行加权求和，得到目标车辆与当前待检索车辆之间的匹配度；目标确定子模块，用于将匹配度最高的待检索车辆作为目标车辆。本实施例中，由于在训练各个深度学习网络结构时，需要利用大量样本数据，因此本实施例实质上是一种基于大数据的车辆检索装置。本发明实施例中，将年检标、摆件、挂饰和车辆的品牌特征作为检索依据，在海量图像中检索目标车辆。由于年检标、摆件、挂饰是基于驾驶员的个人习惯设置的，车辆的品牌特征是固定不变的，因此通过本发明实施例中的基于大数据的车辆检索装置，将该四个特征结合起来，能够在海量数据中根据驾驶员的个人习惯准确检索到目标车辆，从而提高目标车辆检索的准确性。本发明实施例所提供的基于大数据的车辆检索装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。当前第1页1 2 3