车辆信息提取方法与流程

本发明涉及计算，尤其涉及一种车辆信息提取方法。

背景技术：

1、车辆信息提取是一种使用计算机分析用户上传车辆图片的技术，通过处理和分析特定区域的图像，实现车辆信息的检测和分类。该技术具备使用方便，维护简单的特点，只需在前端打包时，将经过训练的神经网络模型作为静态资源打包处理，然后部署到服务器上即可。通常情况下，神经网络模型的尺寸较大(几十m到几百m)，不能直接应用于前端页面，只能通过调用后端接口，传递图像数据给神经网络模型进行处理，并将提取得到的信息返回给前端页面。然而，采用轻量级的神经网络模型可以直接由前端进行处理，即时分析并提取所需的车辆信息。车辆信息提取方法在交通管理、车辆保险等领域具有广阔的应用前景，将全面提升用户的操作体验和系统流程的优化，在智能提取系统中将扮演日益重要的角色。对于车辆识别算法，常用的方法种类比较多，比如基于模块匹配，统计模式等。

2、车辆信息提取的速度和准确度是基于图形图像的车辆信息提取系统的两个关键指标。在这种系统中，提取车辆特征是影响这两个指标的重要因素，也是整个识别过程的关键所在。然而，车辆特征提取会受到多种因素的影响，例如车辆种类众多但没有明显的特征、图形图像的清晰度，以及天气和光照等因素。这些因素给车辆信息提取带来了巨大的挑战。

技术实现思路

1、本发明的目的就在于为了解决上述问题设计了一种车辆信息提取方法。

2、本发明通过以下技术方案来实现上述目的：

3、车辆信息提取方法，包括：

4、s1、构建信息提取模型，信息提取模型依从输入到输出次包括第一下采样层、第一卷积模块、第二下采样层、第二卷积模块、第三下采样层、第三卷积模块、特征融合模块和分类器，信息提取模型还包括第一特征提取模块和第二特征提取模块，第二卷积模块的输出作为第一特征提取模块的输入，第三卷积模块的输出作为第二特征提取模块的输入，第一特征提取模块和第二特征提取模块的输出均作为特征融合模块的输入；

5、s2、获取训练样本集，并对样本的基础信息进行标注；

6、s3、训练样本集导入到信息提取模型，并对其进行训练优化，得到优化后的信息提取模型；

7、s4、将优化后的信息提取模型作为静态资源放置在前端项目文件夹中，并进行打包部署；

8、s5、前端网页或移动端应用获取待提取的车辆图像；

9、s6、前端网页或移动端应用调用优化后的信息提取模型提取待提取的车辆图像的信息，并返回信息到用户界面。

10、本发明的有益效果在于：本方法绕过了后端的繁琐流程，直接提取车辆图片中的信息并进行分类处理，具备更高的灵活性和普适性。通过本信息提取模型提取特征可以解决过拟合问题，并通过gpu加速计算来降低训练时间。另外，通过特征融合模块将输入特征进行聚合，根据每个阶段细化特征信息的输出特征，轻松聚合全局上下文，而且仅产生微小的计算量，无需上采样操作。并且本特征融合模块采用了多特征融合，能够提取、融合丰富的特征信息，并根据数据集特点自定义分类器，以提高整个神经网络模型的准确性。

技术特征：

1.车辆信息提取方法，其特征在于，包括：

2.根据权利要求1所述的车辆信息提取方法，其特征在于，第一卷积模块包括x层第一卷积层，第二卷积模块包括y层第二卷积层，第三卷积模块包括z层第三卷积层。

3.根据权利要求2所述的车辆信息提取方法，其特征在于，x＝2，y＝3，z＝8。

4.根据权利要求2所述的车辆信息提取方法，其特征在于，第一卷积层、第二卷积层和第三卷积层的卷积核均采用1×3和3×1的混合模式，卷积步长为3。

5.根据权利要求1所述的车辆信息提取方法，其特征在于，第一特征提取模块和第二特征提取模块将输入的特征图拆成两个部分后分别进行特征提取，然后再进行点乘组合，最后使用批量标准化和relu激活函数处理，表示为：

6.根据权利要求1所述的车辆信息提取方法，其特征在于，特征融合模块从输入到输出依次包括第四卷积层、第五卷积层、注意力模块和特征融合层，第七卷积层的输出亦作为特征融合层的输入，第四卷积层和第五卷积层的卷积核均采用1×3和3×1的混合模式。

7.根据权利要求6所述的车辆信息提取方法，其特征在于，注意力模块从输入到输出依次包括全局平均池化层、第六卷积层、批量标准化层和sigmoid层，第六卷积层的卷积核采用1×1的卷积块。

8.根据权利要求1所述的车辆信息提取方法，其特征在于，分类器采用分配权重方案将特征融合模块输出特征向量进行分类，得到最终的分类结果；分配权重方案表示为：

技术总结
本发明公开了车辆信息提取方法，涉及计算技术领域，包括S1构建信息提取模型，S2获取训练样本集；S3训练样本集导入信息提取模型，并对其进行训练优化；S4将优化后的信息提取模型作为静态资源放置在前端项目文件夹中；S5获取待提取的车辆图像；S6前端网页或移动端应用调用优化后的信息提取模型提取待提取的车辆图像的信息，并返回信息到用户界面；绕过后端的繁琐流程，直接提取车辆图片中的信息并进行分类处理，具备更高的灵活性和普适性，信息提取模型提取特征可以解决过拟合问题，并通过GPU加速计算来降低训练时间；通过特征融合模块根据每个阶段细化特征信息的输出特征，轻松聚合全局上下文，仅产生微小的计算量，无需上采样操作。

技术研发人员：李灿
受保护的技术使用者：成都雅信安科技服务有限公司
技术研发日：
技术公布日：2024/1/16