CN114663871A - 图像识别方法、训练方法、装置、系统及存储介质 - Google Patents

Abstract

本公开提供了一种图像识别方法及装置，适用于人工智能技术领域和物联网技术领域。该图像识别方法包括：记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；采集在作业平台周围工作的车辆的待处理图像信息，其中，作业平台位于作业场地中；根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识。本公开还提供了一种图像识别模型的训练方法、装置、计算机系统、计算机可读存储介质以及计算机程序产品。

Description

图像识别方法、训练方法、装置、系统及存储介质

技术领域

本公开涉及计人工智能技术领域和物联网技术领域，更具体地，涉及一种图像识别方法、训练方法、装置、计算机系统、计算机可读存储介质以及计算机程序产品。

背景技术

通过摄像装置获取视频、图片等图像信息，利用图像识别技术对图像信息进行处理，以快速识别图像信息中的文本信息被广泛地应用于交通运输、仓储物流等多个应用场景。例如可以通过拍摄行驶在高速公路的车辆的图像信息，通过识别图像信息中车辆的车牌来确定违反交通规则的车辆。

在实现本公开构思的过程中，发明人发现相关技术中至少存在以下技术问题：由于图像信息存在图像模糊或图像缺失等缺陷，可能导致从图像信息中识别的文本信息出现错误。

发明内容

有鉴于此，本公开提供了一种图像识别方法、训练方法、装置、计算机系统、计算机可读存储介质以及计算机程序产品。

本公开的一个方面提供了一种图像识别方法，包括：

记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；

采集在作业平台周围工作的车辆的待处理图像信息，其中，上述作业平台位于上述作业场地中；

根据上述待处理图像信息与上述车辆标识集合中的车辆标识的预测匹配结果，识别上述待处理图像信息中目标车辆的目标车辆标识。

根据本公开的实施例，根据上述待处理图像信息与上述车辆标识集合中的车辆标识的预测匹配结果，识别上述待处理图像信息中目标车辆的目标车辆标识包括：

对上述待处理图像信息进行图像特征提取，得到图像特征向量，其中，上述待处理图像信息中记录有目标信息；

对上述车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量；

基于注意力机制融合上述图像特征向量与上述文本特征向量，得到针对上述待处理图像信息的图像加权特征向量；

基于上述图像加权特征向量和上述文本特征向量，确定上述待处理图像信息的预测匹配结果；以及

在上述预测匹配结果表征上述待处理图像信息与上述车辆标识匹配的情况下，将上述待处理图像信息中的目标信息识别为上述目标车辆标识。

根据本公开的实施例，对上述待处理图像信息进行图像特征提取，得到图像特征向量包括：

将上述待处理图像信息输入至第一图像特征提取层，以便提取上述待处理图像信息在第一方向的图像特征，输出第一图像特征向量；以及

将上述待处理图像信息输入至第二图像特征提取层，以便提取上述待处理图像信息在第二方向的图像特征，输出第二图像特征向量；

其中，上述图像特征向量包括上述第一图像特征向量与上述第二图像特征向量，上述第一方向与上述第二方向相垂直。

根据本公开的实施例，上述基于注意力机制融合上述图像特征向量与上述文本特征向量，得到针对上述待处理图像信息的图像加权特征向量包括：

将上述第一图像特征向量与上述文本特征向量输入至第一注意力层，输出第一图像加权特征向量；以及

将上述第二图像特征向量与上述文本特征向量输入至第二注意力层，输出第二图像加权特征向量；

其中，上述图像加权特征向量包括上述第一图像加权特征向量与上述第二图像加权特征向量。

根据本公开的实施例，上述基于上述图像加权特征向量和上述文本特征向量，确定上述待处理图像信息的预测匹配结果包括：

将上述图像加权特征向量和上述文本特征向量进行融合编码，生成预测输入向量；以及

将上述预测输入向量输入至预测分类层，输出上述待处理图像信息的预测匹配结果。

根据本公开的实施例，对上述车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量包括：

将上述车辆标识集合中的车辆标识输入至文本特征提取层，输出上述文本特征向量。

根据本公开的实施例，上述对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量还包括：

在将上述车辆标识输入至上述文本特征提取层之前，对上述车辆标识进行补全，以便使上述车辆标识中的字符数量满足预设规则。

根据本公开的实施例，记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合包括：

采集从上述作业场地入口进入上述作业场地的车辆的车辆图像信息；

根据上述车辆图像信息，确定从上述作业场地入口进入上述作业场地的车辆的车辆标识；

根据从上述作业场地入口进入上述作业场地的车辆的车辆标识确定上述车辆标识集合。

本公开的另一个方面提供了一种图像识别模型的训练方法，包括：

获取训练样本，其中上述训练样本包括待处理的样本图像信息、样本车辆标识，以及与上述待处理的样本图像信息相对应的标签；以及

利用上述训练样本训练初始图像识别模型，得到训练后的图像识别模型；

其中，上述图像识别模型用于实现上述的图像识别方法。

本公开的另一个方面提供了一种图像识别装置，包括：

记录模块，用于记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；

采集模块，用于采集在作业平台周围工作的车辆的待处理图像信息，其中，上述作业平台位于上述作业场地中；以及

识别模块，用于根据上述待处理图像信息与上述车辆标识集合中的车辆标识的预测匹配结果，识别上述待处理图像信息中目标车辆的目标车辆标识。

本公开的另一个方面提供了一种图像识别模型的训练装置，包括：

样本获取模块，用于获取训练样本，其中上述训练样本包括待处理的样本图像信息、样本车辆标识，以及与待处理的样本图像信息相对应的标签；以及

训练模块，用于利用上述训练样本训练初始图像识别模型，得到训练后的图像识别模型；

其中，上述图像识别模型用于实现上述的图像识别方法。

本公开的另一个方面提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现本公开实施例上述的识别方法，或者实现本公开实施例上述的训练方法。

本公开的另一个方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现本公开实施例上述的识别方法，或者实现本公开实施例上述的训练方法。

本公开的另一个方面提供了一种计算机程序产品，包括计算机程序，上述计算机程序被处理器执行时实现本公开实施例上述的识别方法，或者实现本公开实施例上述的训练方法。

根据本公开的实施例，因为将从作业场地入口进入作业场地的车辆的车辆标识，得到进入作业场地的车辆标识集合，通过采集作业平台周围工作的车辆的待处理图像信息，并根据待处理图像信息和进入作业场地的车辆标识集合中的车辆标识的预测匹配结果，来识别待处理图像信息中目标车辆的目标车辆标识，可以至少部分避免相关技术中由于待处理图像信息不清晰，或待处理图像信息中车辆标识被污损，造成目标车辆标识识别准确率低，甚至无法识别车辆标识的技术问题，避免出现车辆标识识别错误，提升针对车辆标识识别准确率，提高针对进入作业场地工作的车辆的智能管理水平。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了可以应用本公开的图像识别方法、图像识别装置的示例性系统架构；

图2示意性示出了根据本公开实施例的图像识别方法的流程图；

图3A示意性示出了根据本公开实施例的根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识的流程图；

图3B示意性示出了根据本公开实施例的对待处理图像信息进行图像特征提取的应用场景图；

图3C示意性示出了根据本公开实施例的对待处理图像信息进行图像特征提取的另一个应用场景图；

图4示意性示出了根据本公开实施例的图像识别方法的应用场景图；

图5示意性示出了根据本公开实施例的图像识别模型的训练方法的流程图；

图6示意性示出了根据本公开实施例的图像识别装置的框图；

图7示意性示出了根据本公开实施例的图像识别模型的训练装置的框图；

图8示意性示出了根据本公开实施例的适于实现本公开实施例提供的方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种图像识别方法、训练方法、装置、计算机系统、计算机可读存储介质以及计算机程序产品。该图像识别方法包括：记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；采集在作业平台周围工作的车辆的待处理图像信息，其中，作业平台位于作业场地中；根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识。

根据本公开的实施例，因为将从作业场地入口进入作业场地的车辆的车辆标识，得到进入作业场地的车辆标识集合，通过采集作业平台周围工作的车辆的待处理图像信息，并根据待处理图像信息和进入作业场地的车辆标识集合中的车辆标识的预测匹配结果，来识别待处理图像信息中目标车辆的目标车辆标识，可以至少部分避免相关技术中由于待处理图像信息不清晰，或待处理图像信息中车辆标识被污损，造成目标车辆标识识别准确率低，甚至无法识别车辆标识的技术问题，避免出现车辆标识识别错误，提升针对车辆标识识别准确率，提高针对进入作业场地工作的车辆的智能管理水平。

在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了可以应用本公开的图像识别方法、图像识别装置的示例性系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103、网络104、服务器105、图像采集装置106和车辆107。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

图像采集装置106可以是监控摄像装置等，车辆107可以是在作业平台周围工作的车辆，图像采集装置106可以通过网络104与服务器105进行信息传输，相应地，图像采集装置106也可以通过网络104与终端设备101、102、103进行信息传输。

需要说明的是，本公开实施例所提供的图像识别方法一般可以由服务器105执行。例如，可以利用设置在作业场地(例如物流工业园区)的图像采集装置106(例如监控摄像装置)采集作业平台周围工作的车辆107的图像信息，将包含有车辆106的图像信息作为待处理图像信息。待处理图像信息中记录有车辆107的车牌号码(即车辆标识)。在车辆进入作业场地时，利用相关人员或设备记录从作业场地入口进入作业场地的车辆的车辆标识，车辆标识集合可以包括进入作业区域的所有的车辆的车牌号码信息。可以将待处理图像信息和相关人员或设备所记录的车辆的车牌号码信息发送至服务器105，由服务器105执行本公开实施例提供的图像识别方法。

相应地，本公开实施例所提供的图像识别装置一般可以设置于服务器105中。本公开实施例所提供的图像识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。

相应地，本公开实施例所提供的图像识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的图像识别方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的图像识别装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的图像识别方法的流程图。

如图2所示，该图像识别方法包括操作S210～S230。

在操作S210，记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合。

根据本公开的实施例，作业场地例如可以包括物流作业场地、建筑建造作业场地、工业园区等，车辆标识可以包括车辆的车牌号码、车辆的作业标识号码等。可以通过设置在作业场地入口的摄像装置采集从作业场地入口进入作业场地的车辆的图片，利用相关技术对该图片进行识别，得到所记录的车辆标识，或者还可以通过人工记录车辆的车辆标识，本公开的实施例对记录车辆标识的具体技术手段不做限定。

在操作S220，采集在作业平台周围工作的车辆的待处理图像信息，其中，作业平台位于作业场地中。

在操作S230，根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识。

根据本公开的实施例，作业平台可以包括作业场地中的区域，车辆在进入作业场地后可以在作业平台周围进行装卸货物、平整道路等工作。可以通过监控摄像装置采集在作业平台周围工作的车辆的待处理图像信息，待处理图像中可以包含有一辆或多辆进入作业场地，在作业平台周围工作的车辆，待处理图像信息中的该些车辆可以是目标车辆，目标车辆各自的车辆标识可以是目标车辆标识。

根据本公开的实施例，因为将从作业场地入口进入作业场地的车辆的车辆标识，得到进入作业场地的车辆标识集合，通过采集作业平台周围工作的车辆的待处理图像信息，并根据待处理图像信息和进入作业场地的车辆标识集合中的车辆标识的预测匹配结果，来识别待处理图像信息中目标车辆的目标车辆标识，可以至少部分避免相关技术中由于待处理图像信息不清晰，或待处理图像信息中车辆标识被污损，造成目标车辆标识识别准确率低，甚至无法识别车辆标识的技术问题，避免出现车辆标识识别错误，提升针对车辆标识识别准确率，提高针对进入作业场地工作的车辆的智能管理水平。

根据本公开的实施例，操作S210，记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合可以包括如下操作。

采集从作业场地入口进入作业场地的车辆的车辆图像信息；根据车辆图像信息，确定从作业场地入口进入作业场地的车辆的车辆标识；根据从作业场地入口进入作业场地的车辆的车辆标识确定车辆标识集合。

根据本公开的实施例，可以通过视频监控设备等图像采集设备采集从作业场地入口进入作业场地的车辆的车辆图像信息，通过相关图像识别装置，例如基于卷积神经网络构建的图像识别装置识别进入作业场地的车辆标识。通过根据识别得到的车辆标识确定车辆标识结合，可以将进入作业场地的车辆的车辆标识进行汇总，从而为后续根据待处理图像信息和车辆标识，得到针对待处理图像信息的预测匹配结果提供必要的基础。

需要说明的是，还可以通过人工识别车辆图像信息，进而确定从作业场地入口进入作业场地的车辆的车辆标识，本公开的实施例对确定车辆标识的具体技术手段不做限定。

在本实施例中，还可以通过记录进入作业场地的车辆的车牌号码，生成车辆标识，进而生成包含有不同车辆的车牌号码的车辆标识集合。利用本公开实施例提供的图像识别方法，可以将待处理图像信息中包含的正在进行作业的车辆的车牌号码与进入作业场地的车辆的车牌号码匹配，将待处理图像信息中记录的车辆的车牌号码识别为车辆标识集合中所包含的车牌号码，从而可以避免待处理图像信息的识别结果与车辆标识不符，导致图像识别错误，进而提升图像识别准确率。

需要说明的是，在车辆离开作业场地后，还可以通过删除车辆标识集合中与离开的车辆相对应的车辆标识，以减少车辆标识集合中车辆标识的数量，从而减少后续对车辆标识集合中的车辆标识进行文本特征提取的计算量，提高针对待处理图像信息识别的效率，同时避免将待处理图像信息识别为已经离开作业场地的车辆的车辆标识，提升图像识别的准确率。

根据本公开的实施例，在车辆到达作业平台后，可以通过监控摄像装置采集作业平台周围的车辆的待处理图像信息。由于待处理图像信息中车辆的车牌标识区域较小，可以通过WPOD算法自动检测到车牌所对应的目标图像区域，并截取目标图像区域，生成目标待处理图像信息，然后可以针对目标待处理图像信息进行resize操作，以便将目标待处理图像信息中的车牌的位置、尺寸、角度和格式统一，以便于后续针对目标待处理图像信息的处理。

图3A示意性示出了根据本公开实施例的根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识的流程图。

如图3A所示，操作S230，根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识可以包括操作S310～S350。

在操作S310，对待处理图像信息进行图像特征提取，得到图像特征向量，其中，待处理图像信息中记录有目标信息。

根据本公开的实施例，待处理图像信息中记录有的目标信息可以包括文本信息，例如待处理图像信息为工业园区内的监控照片的情况下，目标信息可以包括工业园区内车辆牌照的文本信息、工业园区内的指示牌中的文本信息等。

根据本公开的实施例，可以基于神经网络构建的网络模型对待处理图像信息进行图像特征提取，例如卷积神经网络模型、长短期记忆神经网络模型等。

需要说明的是，在对待处理图像信息进行特征提取之前，可以对待处理图像信息进行预处理，例如可以包括针对待处理图像信息进行剪切、拉伸等预处理操作。

在操作S320，对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量。

根据本公开的实施例，对车辆标识进行文本特征提取，可以包括提取车辆标识中的字符级别的特征、词级别的特征，或者还可以包括提取车辆标识中的上下文特征，使得到的文本特征向量包含有车辆标识中的上下文特征，从而可以避免所提取的文本特征缺失。

在操作S330，基于注意力机制融合图像特征向量与文本特征向量，得到针对待处理图像信息的图像加权特征向量。

根据本公开的实施例，基于注意力机制融合图像特征向量与文本特征向量，可以将文本特征向量中的文本特征与图像特征向量中的图像特征融合，从而使得到的图像加权特征向量融合有图像特征与文本特征的关联关系，为后续确定待处理图像信息的预测结果节省计算时间，提高计算效率。

在操作S340，基于图像加权特征向量和文本特征向量，确定待处理图像信息的预测匹配结果。

在操作S350，在预测匹配结果表征待处理图像信息与车辆标识匹配的情况下，将待处理图像信息中的目标信息识别为目标车辆标识。

根据本公开的实施例，可以通过基于神经网络构建的网络模型处理图像加权特征向量和文本特征向量，在预测结果表征待处理图像信息与车辆标识匹配的情况下，可以确定待处理图像信息中的目标信息与车辆标识相同，从而可以识别出待处理图像信息中的目标信息。

根据本公开的实施例，因为待处理图像信息中记录有目标信息，对待处理图像信息进行图像特征提取，得到的图像特征向量可以包含有目标信息；对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量；基于注意力机制融合图像特征向量与文本特征向量，可以使得到的针对待处理图像信息的图像加权特征向量可以融合图像特征向量与文本特征向量的关联性，从而使基于图像加权特征向量和文本特征向量确定的待处理图像信息的预测结果可以表征待处理图像信息与车辆标识匹配，进而将待处理图像信息中的目标信息识别为车辆标识，避免出现目标信息识别错误，达到提升识别待处理图像中记录的目标信息的准确率的技术效果。

根据本公开的实施例，对待处理图像信息进行图像特征提取，得到图像特征向量可以包括如下操作。

将待处理图像信息输入至第一图像特征提取层，以便提取待处理图像信息在第一方向的图像特征，输出第一图像特征向量；以及将待处理图像信息输入至第二图像特征提取层，以便提取待处理图像信息在第二方向的图像特征，输出第二图像特征向量；其中，图像特征向量包括第一图像特征向量与第二图像特征向量，第一方向与第二方向相垂直。

根据本公开的实施例，第一图像特征提取层与第二图像特征提取层可以是基于卷积神经网络构建的神经网络层。将待处理图像信息输入至第一图像特征提取层，可以根据第一卷积核在待处理图像信息上沿第一方向移动，以提取待处理图像信息在第一方向的图像特征。将待处理图像信息输入至第一图像特征提取层，可以根据第一卷积核在待处理图像信息上沿第一方向移动，以提取待处理图像信息在第一方向的图像特征。将待处理图像信息输入至第二图像特征提取层，可以根据第二卷积核在待处理图像信息上沿第二方向移动，以便提取待处理图像信息在第二方向的图像特征。因此，输出的图像特征向量包含有第一图像特征向量与第二图像特征向量，可以使图像特征向量同时保留待处理图像信息在第一方向上与第二方向上的相关性，从而可以实现提取待处理图像信息中记录的不同文本信息格式的图像特征。

需要说明的是，第一图像特征提取层的第一卷积核与第二图像特征提取层的第二卷积核可以相同也可以不同，本领域技术人员可以根据实际需求进行设计。

图3B示意性示出了根据本公开实施例的对待处理图像信息进行图像特征提取的应用场景图。

图3C示意性示出了根据本公开实施例的对待处理图像信息进行图像特征提取的另一个应用场景图。

结合图3B与图3C所示，待处理图像信息310可以是车牌的图片信息，待处理图像信息310可以记录有目标信息“广A201XYZ”。目标信息的文本信息格式可以包括文本信息“广A”记录在第一行，文本信息“201XYZ”记录在第二行。

将待处理图像信息310输入至第一图像特征提取层321，以便提取待处理图像信息310在第一方向的图像特征，输出第一图像特征向量331。例如可以通过第一卷积核341提取待处理图像信息310在水平方向的图像特征，第一卷积核341可以是1×4维的矩阵向量，第一方向可以是待处理图像310的水平方向。

将待处理图像信息310输入至第二图像特征提取层322，以便提取待处理图像信息310在第二方向的图像特征，输出第二图像特征向量332。例如可以通过第二卷积核342提取待处理图像信息310在竖直方向的图像特征，第二卷积核342可以是4×1维的矩阵向量，第一方向可以是待处理图像310的竖直方向。

通过分别提取待处理图像信息310在水平方向的图像特征和待处理图像信息310在竖直方向的图像特征，可以使图像特征向量所包含的第一图像特征向量331与第二图像特征向量332同时保留待处理图像信息在水平方向上与竖直方向上的相关性，从而可以实现提取待处理图像信息310中记录的不同文本信息格式的图像特征。

根据本公开的实施例，操作S320，对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量可以包括如下操作。

将车辆标识集合中的车辆标识输入至文本特征提取层，输出文本特征向量。

根据本公开的实施例，文本特征提取层可以是基于神经网络构建的网络层，例如可以是基于循环神经网络、长短期记忆网络、双向长短期记忆网络构建的网络层。

在本实施例中，文本特征提取层可以采用基于双向长短期记忆网络(BiLSTM)构建的网络层，以提取车辆标识中的文本的上下文关系特征，从而避免所输出的文本特征向量出现特征信息丢失。

根据本公开的实施例，可以将车辆标识进行预处理后在输入至文本特征提取层，例如可以通过对车辆标识中的每个字符进行onehot热独编码操作，获得目标文本编码矩阵。对目标文本编码矩阵进行降维处理，以降低目标文本编码矩阵的复杂度，得到降维后的目标文本编码矩阵，将降维后的目标文本编码矩阵输入至文本特征提取层，输出文本特征向量。从而可以提升文本特征提取层的计算速度，提高计算效率。

需要说明的是，本公开实施例对车辆标识进行预处理的具体方法不做限定，本领域技术人员可以根据实际需求对预处理方法进行设计与选择。

根据本公开的实施例，操作S320，对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量还可以包括如下操作。

在将车辆标识输入至文本特征提取层之前，对车辆标识进行补全，以便使车辆标识中的字符数量满足预设规则。

根据本公开的实施例，由于车辆标识可以包括车牌号码，车牌号码的字符数量可能不同，例如新能源相关车辆的车牌号码可以包含8个字符，部分车辆的车牌号码可以包含有7个字符。因此，将车辆标识进行补全，可以使车辆标识中的字符数量满足统一的预设规则，以便于后续对车辆标识进行特征提取，避免因车辆标识的字符数量不同，需要针对具有不同字符数量的车辆标识设计不同的文本特征提取方法，从而减少了后续提取文本特征的操作步骤，提升计算效率。

根据本公开的实施例，操作S330，基于注意力机制融合图像特征向量与文本特征向量，得到针对待处理图像信息的图像加权特征向量可以包括如下操作。

将第一图像特征向量与文本特征向量输入至第一注意力层，输出第一图像加权特征向量；以及将第二图像特征向量与文本特征向量输入至第二注意力层，输出第二图像加权特征向量；其中，图像加权特征向量包括第一图像加权特征向量与第二图像加权特征向量。

根据本公开的实施例，第一注意力层或第二注意力层可以是基于注意力机制构建的神经网络层，例如可以基于SoftAttention构建第一注意力层或第二注意力层，但不仅限于此，还可以基于Hard Attention构建第一注意力层或第二注意力层，第一注意力层与第二注意力层的网络结构可以相同也可以不同，本领域技术人员可以根据实际需求对第一注意力层与第二注意力层的网络结构进行设计。

根据本公开的实施例，将第一图像特征向量与文本特征向量输入至第一注意力层，可以使第一图像特征向量关注待处理图像信息中与文本特征相关联的特征信息，使输出的第一图像加权特征向量包含有第一图像特征向量与文本特征向量的关联关系。将第二图像特征向量与文本特征向量输入至第二注意力层，可以使第二图像特征向量关注待处理图像信息中与文本特征相关联的特征信息，使输出的第二图像加权特征向量包含有第二图像特征向量与文本特征向量的关联关系。

根据本公开的实施例，操作S340，基于图像加权特征向量和文本特征向量，确定待处理图像信息的预测匹配结果可以包括如下操作。

将图像加权特征向量和文本特征向量进行融合编码，生成预测输入向量；以及将预测输入向量输入至预测分类层，输出待处理图像信息的预测匹配结果。

根据本公开的实施例，预测分类层可以包括基于神经网络构建的网络层，例如可以是基于多层感知器(Multilayer Perceptron，MLP)构建的预测分类层。将图像加权特征向量和文本特征向量进行融合编码，可以使图像加权特征和文本特征充分融合，以提高预测分类层输出的预测结果的准确率。

根据本公开的实施例，在图像加权特征向量包括第一图像特征向量与第二图像特征向量的情况下，可以将第一图像特征向量、第二图像特征向量和文本特征向量进行融合编码，以实现将待处理图像信息在第一方向的图像特征、待处理图像信息在第二方向的图像特征以及车辆标识的文本特征充分融合，从而避免待处理图像的特征丢失，提高提高预测分类层输出的预测结果的准确率。

图4示意性示出了根据本公开实施例的图像识别方法的应用场景图。

如图4所示，第一图像特征向量411可以用于表征待处理图像信息在第一方向的图像特征，第二图像特征向量412可以用于表征待处理图像信息在第二方向的图像特征。第一图像特征向量411可以表示为矩阵向量u_w，i，第二图像特征向量412可以表示为矩阵向量u_s，i。文本特征向量420可以表征车辆标识集合中的车辆标识的文本特征。文本特征向量420可以表示为矩阵向量h_i。

需要说明的是，矩阵向量u_w，i、矩阵向量u_s，i和矩阵向量h_i可以具有相同的维度。

将第一图像特征向量411与文本特征向量420输入至第一注意力层431，可以输出第一图像加权特征向量441。第一注意力层431可以是基于Soft Attention构建得到的神经网络层。例如可以通过公式(1)和公式(2)得到所输出的第一图像加权特征向量441。

θ_w，i＝∑_jα_w，iju_w，ij (2)

公式(1)和公式(2)中，矩阵向量u_w，i表示第一图像特征向量411，θ_w，i表示第一图像加权特征向量441。

基于相同或相似的方法，可以将第二图像特征向量412与文本特征向量420输入至第二注意力层432，可以输出第二图像加权特征向量442。第二注意力层432可以是基于SoftAttention构建得到的神经网络层。例如可以通过公式(3)和公式(4)得到所输出的第二图像加权特征向量442。

θ_s，i＝∑_jα_s，iju_s，ij (4)

公式(3)和公式(4)中，矩阵向量u_s，i表示第二图像特征向量412，θ_s，i表示第二图像加权特征向量442。

将第一图像加权特征向量441、第二图像加权特征向量442与文本特征向量420输入至融合编码层450，可以输出预测输入向量460。在本实施例中，可以基于concat操作对第一图像加权特征向量441、第二图像加权特征向量442与文本特征向量420进行融合编码，从而生成预测输入向量460。

将预测输入向量460输入至预测分类层470，可以输出预测结果480。在本实施例中，预测分类层470可以是基于多层感知器(Multilayer Perceptron，MLP)构建得到的，并在预测分类层470中基于Sigmoid函数输出预测结果480。预测结果480可以是表征待处理图像与车辆标识匹配的概率值，可以通过设定匹配概率阈值，在预测结果480大于或者等于匹配概率阈值的情况下，将预测结果480确定为表征待处理图像与车辆标识匹配。或者还可以通过基于多个预测结果，选取多个预测结果中，与概率值最高相对应的车辆标识，作为与待处理图像信息匹配的车辆标识。

通过确定与待处理图像信息相匹配的车辆标识，可以将待处理图像信息中的目标信息识别为车辆标识，从而实现识别待处理图像信息中的目标信息。

根据本公开的实施例，因为待处理图像信息中记录有目标信息，对待处理图像信息进行图像特征提取，得到的图像特征向量可以包含有目标信息；对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量；基于注意力机制融合图像特征向量与文本特征向量，可以使得到的针对待处理图像信息的图像加权特征向量可以融合图像特征向量与文本特征向量的相关性，从而使基于图像加权特征向量和文本特征向量确定的待处理图像信息的预测结果可以表征待处理图像信息与车辆标识匹配，进而将待处理图像信息中的目标信息识别为车辆标识，避免出现目标信息识别错误，达到提升识别待处理图像中记录的目标信息的准确率的技术效果。

本公开还提供了一种图像识别模型的训练方法，以下将结合图5对该方法进行详细描述。

图5示意性示出了根据本公开实施例的图像识别模型的训练方法的流程图。

如图5所示，该图像识别模型的训练方法包括操作S510～S520。

在操作S510，获取训练样本，其中训练样本包括待处理的样本图像信息、样本车辆标识，以及与待处理的样本图像信息相对应的标签。

在操作S520，利用训练样本训练初始图像识别模型，得到训练后的图像识别模型；其中，图像识别模型用于实现本公开实施例提供的图像识别方法。

根据本公开的实施例，训练样本可以包括正样本与负样本，例如可以将样本车辆标识和记录有相同的样本车辆标识的待处理图像信息进行匹配，组成正样本，与正样本相对应的标签可以表征待处理的样本图像信息与样本车辆标识匹配。将样本车辆标识和记录有不相同的样本车辆标识的待处理图像信息进行匹配，组成负样本，与负样本相对应的标签可以表征待处理的样本图像信息与样本车辆标识不匹配。将正样本与负样本输入至初始图像识别模型，并分别利用与正样本相对应的标签和与负样本相对应的标签训练初始图像识别模型，得到训练后的图像识别模型。

基于上述图像识别方法，本公开还提供了一种图像识别装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的图像识别装置的框图。

如图6所示，图像识别装置600可以包括：记录模块610、采集模块620和识别模块630。

记录模块610，用于记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；

采集模块620，用于采集在作业平台周围工作的车辆的待处理图像信息，其中，作业平台位于作业场地中；以及

识别模块630，用于根据待处理图像信息与车辆标识集合中的车辆标识的预测匹配结果，识别待处理图像信息中目标车辆的目标车辆标识。

根据本公开的实施例，识别模块可以包括：图像特征提取子模块、文本特征提取子模块、特征融合子模块、预测子模块和识别子模块。

图像特征提取子模块用于对待处理图像信息进行图像特征提取，得到图像特征向量，其中，待处理图像信息中记录有目标信息。

文本特征提取子模块用于对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量。

特征融合子模块用以基于注意力机制融合图像特征向量与文本特征向量，得到针对待处理图像信息的图像加权特征向量。

预测子模块用于基于图像加权特征向量和文本特征向量，确定待处理图像信息的预测匹配结果。

识别子模块用于在预测匹配结果表征待处理图像信息与车辆标识匹配的情况下，将待处理图像信息中的目标信息识别为目标车辆标识。

根据本公开的实施例，图像特征提取子模块可以包括：第一图像特征提取单元和第二图像特征提取单元。

第一图像特征提取单元用于将待处理图像信息输入至第一图像特征提取层，以便提取待处理图像信息在第一方向的图像特征，输出第一图像特征向量。

第二图像特征提取单元用于将待处理图像信息输入至第二图像特征提取层，以便提取待处理图像信息在第二方向的图像特征，输出第二图像特征向量；其中，图像特征向量包括第一图像特征向量与第二图像特征向量，第一方向与第二方向相垂直。

根据本公开的实施例，特征融合子模块包括：第一注意力单元与第二注意力单元。

第一注意力单元用于将第一图像特征向量与文本特征向量输入至第一注意力层，输出第一图像加权特征向量。

第二注意力单元用于将第二图像特征向量与文本特征向量输入至第二注意力层，输出第二图像加权特征向量；其中，图像加权特征向量包括第一图像加权特征向量与第二图像加权特征向量。

根据本公开的实施例，预测子模块可以包括融合单元和预测单元。

融合单元用于将图像加权特征向量和文本特征向量进行融合编码，生成预测输入向量。

预测单元用于将预测输入向量输入至预测分类层，输出待处理图像信息的预测匹配结果。

根据本公开的实施例，文本特征提取子模块可以包括文本特征提取单元。

文本特征提取单元用于将车辆标识集合中的车辆标识输入至文本特征提取层，输出文本特征向量。

根据本公开的实施例，文本特征提取子模块还可以包括预处理单元。

预处理单元用于在将车辆标识输入至文本特征提取层之前，对车辆标识进行补全，以便使车辆标识中的字符数量满足预设规则。

根据本公开的实施例，记录模块可以包括：采集子模块、确定子模块和记录子模块。

采集子模块用于采集从作业场地入口进入作业场地的车辆的车辆图像信息。

确定子模块用于根据车辆图像信息，确定从作业场地入口进入作业场地的车辆的车辆标识。

记录子模块用于根据从作业场地入口进入作业场地的车辆的车辆标识确定车辆标识集合。

本公开还提供了一种图像识别模型的训练装置。以下将结合图7对该训练装置进行详细描述。

图7示意性示出了根据本公开实施例的图像识别模型的训练装置的框图。

如图7所示，图像识别模型的训练装置700可以包括：样本获取模块710和训练模块720。

样本获取模块710，用于获取训练样本，其中训练样本包括待处理的样本图像信息、样本车辆标识，以及与待处理的样本图像信息相对应的标签。

训练模块720，用于利用训练样本训练初始图像识别模型，得到训练后的图像识别模型；

其中，图像识别模型用于实现本公开提供的上述的图像识别方法。

需要说明的是，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，本公开在此不再赘述。

根据本公开的实施例的模块、子模块、单元和子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块和单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元和子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元和子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，记录模块610、采集模块620、识别模块630、样本获取模块710和训练模块720中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/子模块/单元/子单元可以被拆分成多个模块/子模块/单元/子单元。或者，这些模块/子模块/单元/子单元中的一个或多个模块/子模块/单元/子单元的至少部分功能可以与其他模块/子模块/单元/子单元的至少部分功能相结合，并在一个模块/子模块/单元/子单元中实现。根据本公开的实施例，记录模块610、采集模块620、识别模块630、样本获取模块710和训练模块720中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，记录模块610、采集模块620、识别模块630、样本获取模块710和训练模块720中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现本公开实施例提供的方法的电子设备的框图。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种图像识别方法，包括：

记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；

采集在作业平台周围工作的车辆的待处理图像信息，其中，所述作业平台位于所述作业场地中；

根据所述待处理图像信息与所述车辆标识集合中的车辆标识的预测匹配结果，识别所述待处理图像信息中目标车辆的目标车辆标识。

2.根据权利要求1所述的方法，其中，根据所述待处理图像信息与所述车辆标识集合中的车辆标识的预测匹配结果，识别所述待处理图像信息中目标车辆的目标车辆标识包括：

对所述待处理图像信息进行图像特征提取，得到图像特征向量，其中，所述待处理图像信息中记录有目标信息；

对所述车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量；

基于注意力机制融合所述图像特征向量与所述文本特征向量，得到针对所述待处理图像信息的图像加权特征向量；

基于所述图像加权特征向量和所述文本特征向量，确定所述待处理图像信息的预测匹配结果；以及

在所述预测匹配结果表征所述待处理图像信息与所述车辆标识匹配的情况下，将所述待处理图像信息中的目标信息识别为所述目标车辆标识。

3.根据权利要求2所述的方法，其中，对所述待处理图像信息进行图像特征提取，得到图像特征向量包括：

将所述待处理图像信息输入至第一图像特征提取层，以便提取所述待处理图像信息在第一方向的图像特征，输出第一图像特征向量；以及

将所述待处理图像信息输入至第二图像特征提取层，以便提取所述待处理图像信息在第二方向的图像特征，输出第二图像特征向量；

其中，所述图像特征向量包括所述第一图像特征向量与所述第二图像特征向量，所述第一方向与所述第二方向相垂直。

4.根据权利要求3所述的方法，其中，所述基于注意力机制融合所述图像特征向量与所述文本特征向量，得到针对所述待处理图像信息的图像加权特征向量包括：

将所述第一图像特征向量与所述文本特征向量输入至第一注意力层，输出第一图像加权特征向量；以及

将所述第二图像特征向量与所述文本特征向量输入至第二注意力层，输出第二图像加权特征向量；

其中，所述图像加权特征向量包括所述第一图像加权特征向量与所述第二图像加权特征向量。

5.根据权利要求2所述的方法，其中，所述基于所述图像加权特征向量和所述文本特征向量，确定所述待处理图像信息的预测匹配结果包括：

将所述图像加权特征向量和所述文本特征向量进行融合编码，生成预测输入向量；以及

将所述预测输入向量输入至预测分类层，输出所述待处理图像信息的预测匹配结果。

6.根据权利要求2所述的方法，其中，对所述车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量包括：

将所述车辆标识集合中的车辆标识输入至文本特征提取层，输出所述文本特征向量。

7.根据权利要求6所述的方法，其中，所述对车辆标识集合中的车辆标识进行文本特征提取，得到文本特征向量还包括：

在将所述车辆标识输入至所述文本特征提取层之前，对所述车辆标识进行补全，以便使所述车辆标识中的字符数量满足预设规则。

8.根据权利要求1所述的方法，其中，记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合包括：

采集从所述作业场地入口进入所述作业场地的车辆的车辆图像信息；

根据所述车辆图像信息，确定从所述作业场地入口进入所述作业场地的车辆的车辆标识；

根据从所述作业场地入口进入所述作业场地的车辆的车辆标识确定所述车辆标识集合。

9.一种图像识别模型的训练方法，包括：

获取训练样本，其中所述训练样本包括待处理的样本图像信息、样本车辆标识，以及与所述待处理的样本图像信息相对应的标签；以及

利用所述训练样本训练初始图像识别模型，得到训练后的图像识别模型；

其中，所述图像识别模型用于实现权利要求1至8中任一项所述的图像识别方法。

10.一种图像识别装置，包括：

记录模块，用于记录从作业场地入口进入作业场地的车辆的车辆标识，得到包括至少一个车辆标识的车辆标识集合；

采集模块，用于采集在作业平台周围工作的车辆的待处理图像信息，其中，所述作业平台位于所述作业场地中；以及

识别模块，用于根据所述待处理图像信息与所述车辆标识集合中的车辆标识的预测匹配结果，识别所述待处理图像信息中目标车辆的目标车辆标识。

11.一种图像识别模型的训练装置，包括：

样本获取模块，用于获取训练样本，其中所述训练样本包括待处理的样本图像信息、样本车辆标识，以及与待处理的样本图像信息相对应的标签；以及

训练模块，用于利用所述训练样本训练初始图像识别模型，得到训练后的图像识别模型；

其中，所述图像识别模型用于实现权利要求1至8中任一项所述的图像识别方法。

12.一种计算机系统，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法，或者实现权利要求9所述的训练方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法，或者实现权利要求9所述的训练方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法，或者实现权利要求9所述的训练方法。

Images