(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 20221018259 9.X (22)申请日 2022.02.25 (71)申请人 高新兴科技 集团股份有限公司 地址 510530 广东省广州市黄埔区科 学城 开创大道 2819号六楼 (72)发明人 陈利军　王祥雪　洪曙光　林焕凯　 刘双广　 (74)专利代理 机构 广州国鹏知识产权代理事务 所(普通合伙) 44511 专利代理师 葛红 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/73(2017.01) (54)发明名称 一种车身多属性检测方法、 电子设备、 存储 介质 (57)摘要 本发明公开了一种车身多属性检测方法、 电 子设备、 存储介质， 方法包括以下步骤： S1、 获取 一车辆图片； S2、 将图片输入一TinyOSA ‑FSSD卷 积神经网络检测模型进行检测， 其中TinyOSA ‑ FSSD具体结构为： 第一卷积核， 依次相连的第2 ‑ 第4卷积核， 一全 连接层， 第5 卷积核， 依次相连的 第6‑11卷积核； S3、 输 出识别的车身的属性信息。 根据本发明实施例的方法， 能够实现对车身图中 的车窗、 车脸、 车牌、 车标与车灯的目标定位。 权利要求书1页 说明书8页 附图2页 CN 114638969 A 2022.06.17 CN 114638969 A 1.一种车身 多属性检测方法， 其特 征在于， 包括以下步骤： S1、 获取一车辆图片； S2、 将所述图片输入一TinyOSA ‑FSSD卷积神经网络检测模型进行检测， 其中所述 TinyOSA‑FSSD具体结构为： 第一卷积核， 依次相连的第2 ‑第4卷积核， 一全连接层， 第5卷积 核， 依次相连的第6 ‑11卷积核； 具体的第一卷积核的输出送入依次相连的第2 ‑第4卷积核， 第 4卷积核的输出送入全连 接层， 全连接层的输出送入第5卷积核； 其中第四卷积的输出经归一化后与全连接层、 第5卷积核的输出的特征经插值后统一 尺寸到第6卷积核输出的大小， 最后由Co ncat融合在一 起， 送入第6卷积核； 其中第6 ‑11卷积核的输出分别进行下采样， 分别从6个特征尺度的特征图中生成 Prior_box进行检测与分类； 其中第2‑4卷积核为Tiny ‑OSA， 所述Tiny ‑OSA的网络结构为两个Batch， 其中第一Batch 的特征由Conv  n_1经过Shortcut直接连接到下一个Concat层， 第二Batch的特征经过核为 1x1的Conv  b2_n1， 两个核为3x3的深度可分离卷积层， 第二Batch的每个卷积层都会把特征 连接到所述Ti ny‑OSA模块的Co ncat层进行 特征融合； S3、 输出识别的车身的属性信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述卷积层后均使用BatchNorm和 PRelu激 活函数进行操作。 3.根据权利 要求1所述的方法， 其特征在于， 所述第6 ‑11卷积核分别连接一个核为3*3， 输出通道为5的卷积层， 再接上损失函数， 用于预测每一个空间位置 5个目标类别的概 率。 4.根据权利 要求3所述的方法， 其特征在于， 所述第6 ‑11卷积核分别连接一个核为3*3， 输出通道为 4的卷积层， 再接上损失函数， 用于预测目标外包围框 。 5.一种电子设备， 其特征在于， 包括： 处理器和存储器， 在所述存储器中存储有计算机 程序指令， 其中， 在所述计算机程序指 令被所述处理器运行时， 使得所述处理器执行权利要 求1‑4中任一项所述的通用场景 下车身多属性检测方法。 6.一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存储有计算机程 序， 所述计算机程序被处理器运行时， 使 得所述处理器执行权利要求 1‑4中任一项 所述的通 用场景下车身多属性检测方法。权　利　要　求　书 1/1 页 2 CN 114638969 A 2一种车身多属性检测方 法、 电子设备、 存储介质 技术领域 [0001]本发明属于车辆检测技术领域， 具体涉及一种车身多属性检测方法、 电子设备、 存 储介质。 背景技术 [0002]车身属性集的目标检测是对车身其他属性， 例如车牌号码、 车身颜色、 车辆品牌和 车辆类型识别的前提。 但是针对通用场景下车身属性集(包括车窗、 车脸、 车牌、 车标等)目 标检测算法是比较难实现的。 在传统图像处理领域， 研究者一半通过 纹理、 颜色和一些不变 性特征来做车身属 性集定位， 而深度学习 尤其是卷积神经网络出现后， 学者开始大量使用 卷积神经网络对车身属性 集进行目标检测。 [0003]在车身属性检测领域， 大部分学者可能只关注单个或者单个属性内车辆部件检 测， 很难做到同时对多种车身属性进行检测。 [0004](1)车牌检测 领域， 传统算法是基于车牌区域的颜色、 形状， 字符等特征进行车牌 区域定位， 例如论文 《用于卡口系统的车牌遮挡检测方法》 中使用梯度能量和边缘投影法查 找兴趣区域ROI， 然后在ROI内对边缘点进行膨胀得到二值图， 采用连通域分析方法结合车 牌先验知识获得车牌区域。 论文 《基于HSV与边缘信息的车牌定位与字符分割 方法》 中首先 将原始图片转换到HSV空间， 然后利用车牌的颜色信息粗定位车牌， 最后根据已知的车牌比 例确定车牌具体位置， 对于倾斜的车牌， 利用仿射变换来校正； 基于深度学习的方法， 公开 号为“CN201811281994.3 ”的发明专利， 提出一种 基于深度学习的车牌定位和识别方法， 首 先采用深度学习FasterR ‑CNN算法进行车牌定位， 利用k ‑means++算法来选择最佳车牌区域 尺寸， 解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题。 公开号为 “CN201710792262.X ”的发明专利， 提出一种基于卷积神经网络的多尺度车牌精准定位方 法， 首先构建卷积神经网络对输入图像进行特征提取， 然后基于多尺度特征对输入图像中 可能包含车牌的区域位置进行提取， 最后基于多尺度特征对真正的车牌区域进行识别和精 准定位。 [0005](2)车脸检测领域， 论文 《基于Harr ‑l ike和AdaBoost的车脸检测》 中提出利用能 够快速计算的harr ‑l ike特征结合AdaBoost分类器组成车脸检测器， 最终车脸平均检测率 为79％， 耗时184.98ms。 专利号为 “CN201610879528.X ”的发明专利， 提出一种基于传统图像 处理算法， 外加SVM分类 器进行识别， 从而提高车脸识别系统的实时性和准确性。 [0006](3)车窗检测领域， 论文 《车窗检测技术研究》 中设计了一种， 在视频流中使用的采 用霍夫变换、 直线滤波、 积分投影等 技术进行车窗检测。 [0007]以上技术都用于检测车身内单个属性的位置， 都在各自领域内具有一定的实用性 和借鉴意义。 多属性检测中， 论文 《基于选择性搜索算法的车脸部件检测》 中提出了两阶段 法， 首先对车辆图像进行滤波等预处理， 然后利用颜色、 纹理、 大小以及吻合度之间的相似 度进行分割， 从而得到车脸内各个属性部件的位置。 该算法的优点是不需要训练， 车脸属性 部件平均重合度达 到73.74％， 但是仍然达不到检测车身上其 余属性的需求。说　明　书 1/8 页 3 CN 114638969 A 3