CN111738098A - 一种车辆识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种车辆识别方法、装置、设备及存储介质，该方法包括：获取训练集，训练集包括多个包含指定路口的车辆图片及各车辆图片的车辆信息；利用神经网络学习并采样得到子网络模型为当前模型，利用训练集训练当前模型得到包括训练集精度或训练子网络模型的总次数的奖励参数；计算当前模型的约束条件值，基于约束条件值及奖励参数计算奖励值，利用奖励值更新神经网络的可训练参数，返回执行得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，选取出最佳网络模型；将待识别的车辆图片输入至最佳网络模型，得到最佳网络模型输出的待识别的车辆图片的车辆信息。从而能够大大提高识别精度及识别性能。

Description

一种车辆识别方法、装置、设备及存储介质

技术领域

本发明涉及智慧交通技术领域，更具体地说，涉及一种车辆识别方法、装置、设备及存储介质。

背景技术

在智慧交通路口的车辆识别中，通常使用摄像头拍摄路口的车辆，然后利用人工预先训练的模型对拍摄得到的图片进行车辆识别，获取到该图片中包含的车辆信息，但是发明人发现，目前人工训练的模型在实现图片的车辆信息获取时，也即在实现车辆识别时存在精度较低、识别性能较差的问题。

发明内容

本发明的目的是提供一种车辆识别方法、装置、设备及存储介质，能够大大提高车辆识别的识别精度及识别性能。

为了实现上述目的，本发明提供如下技术方案：

一种车辆识别方法，包括：

获取训练集，所述训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用所述训练集训练当前模型得到奖励参数，所述奖励参数包括训练集精度或训练子网络模型的总次数；

计算当前模型的约束条件值，基于所述约束条件值及所述奖励参数计算奖励值，利用所述奖励值更新所述神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；

如果需要实现车辆识别，则将待识别的车辆图片输入至所述最佳网络模型，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息。

优选的，还包括：

获取验证集，所述验证集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在所述训练集上训练当前模型得到奖励参数之后，还包括：

在所述验证集上验证当前模型得到验证集精度；

基于所述约束条件值及所述奖励参数计算奖励值，包括：

按照下列公式计算奖励值reward：

s.t.w＝-β*relu(tanh(α(T_m-T₀)))，

其中，m表示当前模型，ACC_valid(m)表示当前模型的验证集精度，Constraints(m)表示当前模型的约束条件值，C表示预先设置的约束条件值的阈值，w表示约束条件值的指数系数，w∈[-β，0]，β表示w的缩放系数，β＞0，tanh∈(-1，1)表示单调递增的双曲正切函数，relu表示激活函数，relu≥0，T₀、α、β均为外部可设的超参数，T_m表示当前模型对应的总次数或训练集精度，T_m表示当前模型对应的总次数时，T₀表示预先设置的第一次数阈值，T₀＞0，α表示当前模型对应的总次数的缩放系数，α∈(0，1)，T_m表示当前模型对应的训练集精度时，T₀表示预先设置的精度阈值，T₀＜1，α表示当前模型对应的训练集精度的缩放系数，α≥1。

优选的，利用所述奖励值更新所述神经网络的可训练参数，包括：

按照下列公式更新所述神经网络的可训练参数：

其中，θ表示所述神经网络的可训练参数，γ表示预设参数，

表示所述可训练参数的反向传播梯度，logπ_θ(s_t，a_t)表示第t次得到的子网络模型的交叉熵，R_t表示第t次得到子网络模型后计算得到的奖励值。

优选的，利用所述训练集训练当前模型得到奖励参数，包括：

利用所述训练集包含的部分车辆图片及对应车辆信息训练当前模型；

从全部子网络模型中选取出最佳网络模型之后，还包括：

利用所述训练集包含的全部车辆图片及对应车辆信息训练所述最佳网络模型。

优选的，还包括：

获取测试集，所述测试集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在所述训练集上训练当前模型得到奖励参数之后，还包括：

在所述测试集上测试当前模型得到测试集精度；

从全部子网络模型中选取出最佳网络模型，包括：

从全部子网络模型中选取出测试集精度最高的子网络模型，并确定该测试集精度最高的子网络模型为最佳网络模型。

优选的，判断是否达到所述预设条件，包括：

判断当前训练子网络模型的总次数是否达到第二次数阈值，如果是，则确定达到所述预设条件，否则，确定未达到所述预设条件。

优选的，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息之后，还包括：

如果所述待识别的车辆图片的车辆信息表示所述车辆图片内包含的车辆总数量大于数量阈值，则输出车流量过大的提示信息。

一种车辆识别装置，包括：

第一数据获取模块，用于：获取训练集，所述训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

模型获取模块，用于：利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用所述训练集训练当前模型得到奖励参数，所述奖励参数包括训练集精度或训练子网络模型的总次数；计算当前模型的约束条件值，基于所述约束条件值及所述奖励参数计算奖励值，利用所述奖励值更新所述神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；

车辆识别模块，用于：如果需要实现车辆识别，则将待识别的车辆图片输入至所述最佳网络模型，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息。

一种车辆识别设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述车辆识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述车辆识别方法的步骤。

本发明提供了一种车辆识别方法、装置、设备及存储介质，该方法包括：获取训练集，所述训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用所述训练集训练当前模型得到奖励参数，所述奖励参数包括训练集精度或训练子网络模型的总次数；计算当前模型的约束条件值，基于所述约束条件值及所述奖励参数计算奖励值，利用所述奖励值更新所述神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；如果需要实现车辆识别，则将待识别的车辆图片输入至所述最佳网络模型，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息。可见，本申请利用在指定路口拍摄得到的车辆图片及车辆信息，自动实现用于车辆识别的模型训练，且在训练过程中将自适应约束条件纳入模型搜索过程中，能够根据训练过程的反馈自适应调整约束，进而能够在约束条件下最大程度的训练得到精度较高、识别性能较好的模型，利用该模型实现车辆识别能够大大提高识别精度及识别性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种车辆识别方法的流程图；

图2为本发明实施例提供的一种车辆识别方法中激活函数的示意图；

图3为本发明实施例提供的一种车辆识别方法中ENAS搜索空间图；

图4为本发明实施例提供的一种车辆识别方法中模型搜索的流程图；

图5为本发明实施例提供的一种车辆识别方法中重新训练最佳网络模型的流程图；

图6为本发明实施例提供的一种车辆识别方法的总流程示意图；

图7为本发明实施例提供的一种车辆识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

请参阅图1，其示出了本发明实施例提供的一种车辆识别方法的流程图，可以包括：

S11：获取训练集，训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息。

需要说明的是，本发明实施例提供的一种车辆识别方法的执行主体可以为车辆识别装置。首先进行初始化输入，初始化输入包括超参数的配置和从数据库读入数据集；其中，超参数可以包括子网络超参数和控制器超参数，子网络超参数主要可以包括子网络的层数(子网络的层数就是cell的个数)、cell分支数目、模型学习率相关参数(模型学习率相关的参数如指数衰减中的衰减率、衰减步骤等)及输出通道数目等；由于本申请中控制器采用神经网络(如RNN网络)，因此控制器超参数主要可以包括神经网络的层数(神经网络的层数就是cell的个数)、cell分支数目、模型学习率相关参数(神经网络模型学习率相关的参数如指数衰减中的衰减率、衰减步骤等)及输出通道数目等；而数据集则可以包括训练集、验证集和测试集，训练集、验证集和测试集均可以包括车辆图片及车辆图片的车辆信息，车辆图片为拍摄得到的包含需要实现车辆识别的路口(指定路口)的车辆的图片，车辆信息可以包括车辆总数量、车型、车辆颜色等，且训练集、验证集及测试集中包含的车辆图片可以互不相同，从而增加实现对应训练、验证及测试的有效性。

S12：利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用训练集训练当前模型得到奖励参数，奖励参数包括训练集精度或训练子网络模型的总次数。

本申请采用神经网络作为控制器，控制器能够学习并采样输出子网络结构，进而利用预先设置的解码器将子网络结构解码为可供车辆识别装置识别的子网络模型，也即为利用神经网络学习并采样得到子网络模型，子网络结构与子网络模型的区别仅在于子网络结构无法被车辆识别装置所识别，而子网络模型能够被车辆识别装置所识别；该利用神经网络学习并采样得到子网络模型的步骤与现有技术中对应方案的实现原理一致，在此不再赘述。在利用神经网络得到子网络模型后，可以在训练集上训练子网络模型，得到子网络模型在训练集上的训练集精度以及训练子网络模型的总次数；其中，训练子网络模型的总次数为从第一次得到子网络模型至当前时刻训练子网络模型的总的次数，也可以称为全局step；具体来说，可以设置总次数的当前值为0，并在每进行一次子网络模型的训练后则将总次数的当前值加1作为总次数的当前值，从而实现子网络模型训练总次数的统计。

S13：计算当前模型的约束条件值，基于约束条件值及奖励参数计算奖励值，利用奖励值更新神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型。

需要说明的是，约束条件一般指衡量模型运行速度的指标，如浮点运算量(FLOPs)、模型参数量、接口延时等，在已知某模型的前提下，能够通过进行相应的计算得到该模型的约束条件的值，也即约束条件值。在计算得到当前模型的约束条件值后，可以基于约束条件值及奖励参数计算当前模型的奖励值，进而利用该奖励值实现神经网络中可训练参数的更新，以使得神经网络能够学习并采样到更优的子网络结构。另外，在达到根据实际需要设定的预设条件后，则可以停止返回执行得到子网络模型的步骤，也即停止模型搜索过程，而是由利用神经网络得到的全部子网络模型中选取出一个最优的子网络模型作为用于实现车辆识别的最佳网络模型。

S14：如果需要实现车辆识别，则将待识别的车辆图片输入至最佳网络模型，得到最佳网络模型输出的待识别的车辆图片的车辆信息。

如果需要实现车辆识别，则可以将相应的车辆图片输入至最佳网络模型，最佳网络模型对车辆图片进行分析后可以自动输出车辆图片的车辆信息。

本申请公开的技术方案，利用神经网络学习并采样得到子网络模型作为当前模型后，利用包含指定路口的车辆图片及对应车辆信息的训练集训练当前模型，得到包括训练集精度或训练子网络模型的总次数的奖励参数，基于当前模型的约束条件值及奖励参数计算奖励值，利用奖励值更新神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件后，从全部子网络模型中选取出最佳网络模型；如果需要实现车辆识别，则将待识别的车辆图片输入至最佳网络模型，得到最佳网络模型输出的待识别的车辆图片的车辆信息。可见，本申请利用在指定路口拍摄得到的车辆图片及车辆信息，自动实现用于车辆识别的模型训练，且在训练过程中将自适应约束条件纳入模型搜索过程中，能够根据训练过程的反馈自适应调整约束，进而能够在约束条件下最大程度的训练得到精度较高、识别性能较好的模型，利用该模型实现车辆识别能够大大提高识别精度及识别性能。

本发明实施例提供的一种车辆识别方法，还可以包括：

获取验证集，验证集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在训练集上训练当前模型得到奖励参数之后，还可以包括：

在验证集上验证当前模型得到验证集精度；

基于约束条件值及奖励参数计算奖励值，包括：

按照下列公式计算奖励值reward：

s.t.w＝-β*relu(tanh(α(T_m-T₀)))，

其中，m表示当前模型，ACC_valid(m)表示当前模型的验证集精度，Constraints(m)表示当前模型的约束条件值，C表示预先设置的约束条件值的阈值，w表示约束条件值的指数系数，w∈[-β，0]，β表示w的缩放系数，β＞0，tanh∈(-1，1)表示单调递增的双曲正切函数，relu表示激活函数，relu≥0，T₀、α、β均为外部可设的超参数，T_m表示当前模型对应的总次数或训练集精度，T_m表示当前模型对应的总次数时，T₀表示预先设置的第一次数阈值，T₀＞0，α表示当前模型对应的总次数的缩放系数，α∈(0，1)，T_m表示当前模型对应的训练集精度时，T₀表示预先设置的精度阈值，T₀＜1，α表示当前模型对应的训练集精度的缩放系数，α≥1。

本申请实施例还可以获取到验证集，进而在验证集上评估当前模型得到当前模型的验证集精度，对应的，计算奖励值(reward，多目标任务奖励值)可以按照下列公式实现：

s.t.w＝-β*relu(tanh(α(T_m-T₀)))，

其中，m表示子网络模型(当前模型)，ACC_valid(m)表示子网络模型m的验证集精度，Constraints(m)表示子网络模型m的约束条件值，C表示预先设置的约束条件值的阈值，w表示约束条件值的指数系数，w∈[-β，0]，β＞0表示w的缩放系数，T₀、α、β都是外部可设的超参数。

如图2所示，tanh∈(-1，1)是单调递增的双曲正切函数，其能够通过对加权的输入进行非线性组合产生非线性决策边界；relu≥0是在2012年提出的一种新的激活函数，具有增大网络的稀疏性、解决梯度耗散、运算量很小等优势。本发明组合使用tanh和relu，能够达到综合两者优势的目的。

其中，w的具体表达方式(也即w的确定方式)有以下两种：

(a)根据全局step计算：

T_m表示当前的全局step值(当前模型对应的总次数，也即训练当前模型后训练子网络模型的总次数)，T₀＞0表示预先设置的第一次数阈值，α∈(0，1)表示总次数的缩放系数；具体来说，在最初训练的时候全局step小于T₀，tanh(α(T_m-T₀))＜0，经过relu函数则w＝0，此时reward控制模型搜索(本申请从利用神经网络得到子网络模型至从全部子网络模型中选取出最佳网络模型的过程即为模型搜索的过程，该过程具体可以为强化学习搜索过程)以精度(ACC)为主；随着训练进行全局step增大，tanh(α(T_m-T₀))∈(0，1)，w延-β*relu(tanh(α(T_m-T₀)))方式衰减到-β，若Constraints(m)＜C，则

反之若Constraints(m)＞C，则

此时模型搜索同时考虑精度(ACC)和速度(本申请中以约束条件为浮点运算量进行具体说明，此时浮点运算量则与速度相对应)。

(b)根据子网络模型的训练集精度计算：

由于根据全局step计算w受全局step的影响较大，较难通过设置T₀来找到精度收敛的时间点，因此为了解决该问题，本申请优选的利用训练集精度计算w。此时，T_m表示当前模型对应的训练集精度(可以是与训练集各个车辆图片对应的平均精度)，T₀＜1表示预先设置的精度阈值，T_m∈[0，1]，T_m-T₀∈[-T₀，1-T₀]，α≥1表示训练集精度的缩放系数；在最初训练的时候T_m＜T₀，w＝0，模型搜索以精度为主，之后w延-β*relu(tanh(α(T_m-T₀)))的方式衰减到-β，保证在后期整体的精度收敛的时候，模型搜索兼顾约束条件的比重越来越大，直至最后阶段固定不变。

本发明通过设计w的计算方式实现条件约束的自适应调整，条件约束在训练初期不起作用(此时只根据精度计算reward，保证初始阶段搜索到的子网络模型的精度较高)，随着全局step的增大或训练集精度的升高而提高约束重要性(中部阶段当精度稳定时，约束条件开始调整模型搜索的搜索方向)，之后条件约束对reward的影响也是自适应增长的直到相应的阈值(在一定范围内，逐步增强约束条件调整搜索方向的力度)，从而能够得到在约束条件内精度最高的子网络模型。

本发明实施例提供的一种车辆识别方法，利用奖励值更新神经网络的可训练参数，可以包括：

按照下列公式更新所述神经网络的可训练参数：

其中，θ表示所述神经网络的可训练参数，γ表示预设参数，

表示所述可训练参数的反向传播梯度，logπ_θ(s_t，a_t)表示第t次得到的子网络模型的交叉熵，R_t表示第t次得到子网络模型后计算得到的奖励值。

本申请在将reward反馈到控制器以更新该控制器的可训练参数时，更新控制器的可训练参数的公式可以为

(具体为利用箭头右侧所得值替换箭头左侧可训练参数当前具有的值)，其中，θ表示控制器的可训练参数，

表示可训练参数的反向传播梯度，γ表示预设参数，logπθ(s_t，a_t)为第t次得到的子网络模型对应的交叉熵loss。在本实施例中，为了确保这个子网络模型是可靠的，本申请在原本基础上乘以R_t(第t次子网络模型对应的reward值),用reward来反馈这个交叉熵算出来的梯度是否值得信任；具体来说，如果reward较小或者是负的，则说明这个梯度下降是一个错误的方向，需要向着另一个方向更新可训练参数，如果reward是正的或很大，说明这个梯度下降是一个正确的方向，并朝着这个方向更新可训练参数；从而能够通过对可训练参数的更新优化控制器，进而利用控制器得到更优的子网络模型。

本发明实施例提供的一种车辆识别方法，利用训练集训练当前模型得到奖励参数，可以包括：

利用训练集包含的部分车辆图片及对应车辆信息训练当前模型；

从全部子网络模型中选取出最佳网络模型之后，还包括：

利用训练集包含的全部车辆图片及对应车辆信息训练最佳网络模型。

需要说明的是，本申请为了加快搜索速度的同时提高用于实现车辆识别的模型的识别精度及识别性能，可以在模型搜索时仅利用训练集中包含的一部分的车辆图片及对应车辆信息实现子网络模型训练，而在选出最佳网络模型后，则可以利用训练集包含的全部车辆图片再次对最佳网络模型进行训练；其中，在模型搜索的阶段利用的车辆图片及对应车辆信息的数量可以是选出最佳网络模型后对最佳网络模型进行训练利用的车辆图片及对应信息的数量的十分之一，当然也可以根据实际需要进行其他设定，均在本发明的保护范围之内。另外，在利用训练集包含的全部车辆图片再次对最佳网络模型进行训练后，还可以在测试集上验证最佳网络模型的识别精度(也即最佳网络模型的测试集精度)，如果该识别精度达到相应的阈值，则确定模型训练完成，否则，可以输出提示信息至管理终端，以由管理终端进行相应处理。

本发明实施例提供的一种车辆识别方法，还可以包括：

获取测试集，测试集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在训练集上训练当前模型得到奖励参数之后，还包括：

在测试集上测试当前模型得到测试集精度；

从全部子网络模型中选取出最佳网络模型，包括：

从全部子网络模型中选取出测试集精度最高的子网络模型，并确定该测试集精度最高的子网络模型为最佳网络模型。

在从全部子网络模型中选出最佳网络模型时，可以直接选取最新得到的子网络模型为最佳网络模型，也即为对神经网络的可训练参数更新完成后得到的子网络模型；但是为了保证子网络模型的识别精度最高，本实施例可以利用测试集得到各子网络模型的测试集精度，进而选出测试集精度最高的子网络模型为最佳网络模型；当然根据实际需要进行的其他设定也均在本发明的保护范围之内。

本发明实施例提供的一种车辆识别方法，判断是否达到预设条件，可以包括：

判断当前训练子网络模型的总次数是否达到第二次数阈值，如果是，则确定达到预设条件，否则，确定未达到预设条件。

在确定是否达到预设条件时，可以是判断全部子网络模型中是否存在测试集精度达到相应的阈值的子网络模型，如果是，则说明已经产生识别精度较高的子网络模型，因此可确定达到预设条件，否则，确定未达到预设条件；但是这种方式显然是比较复杂的，因此为了进一步增加效率，本实施例会统计训练子网络模型的总次数，只要该总次数达到根据实际需要设定的第二次数阈值，则认为无需再进行模型搜索。

本发明实施例提供的一种车辆识别方法，得到最佳网络模型输出的待识别的车辆图片的车辆信息之后，还可以包括：

如果待识别的车辆图片的车辆信息表示车辆图片内包含的车辆总数量大于数量阈值，则输出车流量过大的提示信息。

车辆信息可以包括车辆总数量，因此可以预先设定数量阈值，如果车辆总数量大于车辆阈值，则说明该指定路口的车流量过大，此时可以通过屏幕显示相应信息或者发出警告声音的方式输出提示信息，以方便管理人员及时获知该情况，实现交通管理等。

本申请可以通过ENAS的方式实现模型搜索，具体来说，ENAS思想的核心是使用单个有向无环图(DAG)来表征NAS的搜索空间，图3表征了ENAS的整个搜索空间，同时虚线箭头定义了其中一个由控制器决定的模型；其中，节点表征局部计算，边缘表征信息流，每一个节点的局部计算有其自己的参数，这些参数只有当特定计算被激活时才使用。这里节点1是模型的输入，节点3和6是模型的输出。因此在搜索空间中，ENAS的设计允许参数在所有子模型(即架构)之间共享；ENAS可以通过重复堆叠搜索的cell来生成移动大小的模型。

对应的，如果条件约束为FLOPs，FLOPs越大模型运行速度越慢，反之FLOPs越小模型运行越快；在ENAS中FLOPs主要涉及卷积、深度可分离卷积、全连接三种操作，FLOPs主要计算方式如下：

一般卷积：FLOPs＝2*K_w*K_h*C_in*H*W*C_out

深度可分离卷积：FLOPs＝2*(K_w*k_h+C_out)*H*W*C_in

全连接：FLOPs＝(2*C_in-1)*C_out

其中，C_in、C_out分别为输入通道数、输出通道数，K_w、K_h为核大小；H、W为输出特征图大小。

在一种具体实现方式中，本发明在数据集上的操作可以分为两个阶段：模型搜索(从利用神经网络得到子网络模型到从全部子网络模型中选出最佳网络模型)和模型评价(训练及测试最佳网络模型)。在模型搜索阶段，搜索子网络结构，并根据它们的验证性能确定最佳网络模型，如图4(其中的子网络即为子网络模型，最佳子网络结构即为最佳子网络模型，约束值即为条件约束值，控制参数即为控制器的可训练参数)；在模型评价阶段，从头开始训练最佳网络模型，并在测试集上报告其性能，如图5(其中的子网络即为子网络模型)。

在另一种具体实现方式中，本申请能够利用最佳网络模型实时识别车数量、车类型、车身颜色等车辆信息，进而达到监控、报警以及预报等功能。

具体实施步骤可以如下：

1、分别收集不同路口的车辆图片及车辆信息，每个路口的数据(包括车辆图片及车辆信息)单独形成一个数据库，并且针对每个数据库分别依次的进行以下操作：

(1)初始化输入；具体来说，初始化输入包括超参数配置和数据库读入数据集，超参数可包括子网络超参数和控制器超参数，数据集包括训练集、验证集和测试集；

(2)采用RNN网络作为控制器，学习并采样输出子网络结构；

(3)采用解码器根据子网络结构建立子网络模型；

(4)在训练集上训练子网络模型，分别在验证集和测试集上评估子网络模型，即可输出全局step或训练集精度，还可输出验证集精度及测试集精度；

(5)根据子网络模型计算其约束条件值；约束条件一般指衡量模型运行速度的指标，如浮点运算量(FLOPs)或参数量(param)等。

(6)计算子网络模型对应的多目标任务奖励的奖励值reward；

其中，reward的计算公式可以为：

s.t.W＝-β*relu(tanh(α(T_m-T)))；

(7)将reward反馈到控制器，更新该控制器的可训练参数；

其中，更新控制器的可训练参数公式可以为

(8)重复上述步骤(2)-(7)预设次数(即第二次数阈值)，该预设次数内的测试集精度最大的作为搜索到的最佳网络模型。

2、分别训练不同路口的最佳网络模型，训练完成后，将其部署到相应路口的摄像头中，实时监测不同路口的路况。

其中，相似路口并且摄像头类型相同时可以共用一个最佳网络模型；并且，训练完成后可以输出对应的CKPT或PB模型文件，用户加载该CKPT或PB模型文件即可使用其包含的最佳网络模型。

在又一种具体实现方式中，本发明的技术方案主要可以通过五个部分实现，如图6(其中的最佳模型结构即为最佳网络模型)：一个学习和采样子网络架构的控制器(controller)，一个建立子网络模型的解码器，一个训练子网络模型以获得精度的训练器(trainer)，一个计算子网络模型约束条件值的计算器(calculator)，以及一个计算子网络模型reward的多目标计算器。

从上述实施例可以看出，本发明在实现车辆识别中的模型训练时使用的是一种基于强化学习的多目标神经结构搜索方法，通过将自适应约束条件纳入模型搜索的过程，能够根据训练过程的反馈进行自适应调整约束，能够最大程度地自动平衡模型的精度和速度，使得满足约束条件下找到高精度的模型，不仅节约大量的人力和时间，而且能够灵活性地根据不同场景任务和约束条件自动调整神经网络的结构；因此，本申请能够实现精度和性能均表现较优的车辆识别。

另外，由于摄像头是计算资源受限的移动设备，而且摄像头类型众多，成像效果也大有不同，每个路口的交通状况也差别很大；实验证明通过本申请能够针对不同路口设计相应的最佳的模型用于实现车辆识别，而且在精度和性能上均优于人工模型。

需要说明的是，本申请实施例提供的技术方案也可以应用于如路口天气情况识别、路口行人识别等，当然除应用于这些目标分类领域自适应约束搜索外，也适用于目标检测、目标分割领域自适应约束搜索。

本发明实施例还提供了一种车辆识别装置，如图7所示，可以包括：

第一数据获取模块11，用于：获取训练集，训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

模型获取模块12，用于：利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用训练集训练当前模型得到奖励参数，奖励参数包括训练集精度或训练子网络模型的总次数；计算当前模型的约束条件值，基于约束条件值及奖励参数计算奖励值，利用奖励值更新神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；

车辆识别模块13，用于：如果需要实现车辆识别，则将待识别的车辆图片输入至最佳网络模型，得到最佳网络模型输出的待识别的车辆图片的车辆信息。

本发明实施例提供的一种车辆识别装置，还可以包括：

第二数据获取模块，用于：获取验证集，验证集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

验证模块，用于：在训练集上训练当前模型得到奖励参数之后，在验证集上验证当前模型得到验证集精度；

模型获取模块可以包括：

奖励计算单元，用于：按照下列公式计算奖励值reward：

s.t.w＝-β*relu(tanh(α(T_m-T₀)))，

其中，m表示当前模型，ACC_valid(m)表示当前模型的验证集精度，Constraints(m)表示当前模型的约束条件值，C表示预先设置的约束条件值的阈值，w表示约束条件值的指数系数，w∈[-β，0]，β表示w的缩放系数，β＞0，tanh∈(-1，1)表示单调递增的双曲正切函数，relu表示激活函数，relu≥0，T₀、α、β均为外部可设的超参数，T_m表示当前模型对应的总次数或训练集精度，T_m表示当前模型对应的总次数时，T₀表示预先设置的第一次数阈值，T₀＞0，α表示当前模型对应的总次数的缩放系数，α∈(0，1)，T_m表示当前模型对应的训练集精度时，T₀表示预先设置的精度阈值，T₀＜1，α表示当前模型对应的训练集精度的缩放系数，α≥1。

本发明实施例提供的一种车辆识别装置，模型获取模块可以包括：

参数更新单元，用于：按照下列公式更新所述神经网络的可训练参数：

其中，θ表示所述神经网络的可训练参数，γ表示预设参数，

表示所述可训练参数的反向传播梯度，logπ_θ(s_t，a_t)表示第t次得到的子网络模型的交叉熵，R_t表示第t次得到子网络模型后计算得到的奖励值。

本发明实施例提供的一种车辆识别装置，模型获取模块可以包括：

模型训练单元，用于：利用训练集包含的部分车辆图片及对应车辆信息训练当前模型；

车辆识别装置还可以包括：

模型训练模块，用于：从全部子网络模型中选取出最佳网络模型之后，利用训练集包含的全部车辆图片及对应车辆信息训练最佳网络模型。

本发明实施例提供的一种车辆识别装置，还可以包括：

第三数据获取模块，用于：获取测试集，测试集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

车辆识别装置还可以包括：

测试模块，用于：在训练集上训练当前模型得到奖励参数之后，在测试集上测试当前模型得到测试集精度；

模型获取模块可以包括：

选取单元，用于：从全部子网络模型中选取出测试集精度最高的子网络模型，并确定该测试集精度最高的子网络模型为最佳网络模型。

本发明实施例提供的一种车辆识别装置，模型获取模块可以包括：

判断单元，用于：判断当前训练子网络模型的总次数是否达到第二次数阈值，如果是，则确定达到预设条件，否则，确定未达到预设条件。

本发明实施例提供的一种车辆识别装置，还可以包括：

提示单元，用于：得到最佳网络模型输出的待识别的车辆图片的车辆信息之后，如果待识别的车辆图片的车辆信息表示车辆图片内包含的车辆总数量大于数量阈值，则输出车流量过大的提示信息。

本发明实施例还提供了一种车辆识别设备，可以包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上任一项车辆识别方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项车辆识别方法的步骤。。

本发明实施例公开的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。

本文的计算机可读存储介质(例如存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

需要说明的是，本发明实施例提供的一种车辆识别装置、设备及存储介质中相关部分的说明请参见本发明实施例提供的一种车辆识别方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆识别方法，其特征在于，包括：

获取训练集，所述训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用所述训练集训练当前模型得到奖励参数，所述奖励参数包括训练集精度或训练子网络模型的总次数；

计算当前模型的约束条件值，基于所述约束条件值及所述奖励参数计算奖励值，利用所述奖励值更新所述神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；

如果需要实现车辆识别，则将待识别的车辆图片输入至所述最佳网络模型，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取验证集，所述验证集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在所述训练集上训练当前模型得到奖励参数之后，还包括：

在所述验证集上验证当前模型得到验证集精度；

基于所述约束条件值及所述奖励参数计算奖励值，包括：

按照下列公式计算奖励值reward：

s.t. w＝-β*relu(tanh(α(T_m-T₀)))，

其中，m表示当前模型，ACC_valid(m)表示当前模型的验证集精度，Constraints(m)表示当前模型的约束条件值，C表示预先设置的约束条件值的阈值，w表示约束条件值的指数系数，w∈[-β，0]，β表示w的缩放系数，β＞0，tanh∈(-1，1)表示单调递增的双曲正切函数，relu表示激活函数，relu≥0，T₀、α、β均为外部可设的超参数，T_m表示当前模型对应的总次数或训练集精度，T_m表示当前模型对应的总次数时，T₀表示预先设置的第一次数阈值，T₀＞0，α表示当前模型对应的总次数的缩放系数，α∈(0，1)，T_m表示当前模型对应的训练集精度时，T₀表示预先设置的精度阈值，T₀＜1，α表示当前模型对应的训练集精度的缩放系数，α≥1。

3.根据权利要求2所述的方法，其特征在于，利用所述奖励值更新所述神经网络的可训练参数，包括：

按照下列公式更新所述神经网络的可训练参数：

其中，θ表示所述神经网络的可训练参数，γ表示预设参数，

表示所述可训练参数的反向传播梯度，logπ_θ(s_t，a_t)表示第t次得到的子网络模型的交叉熵，R_t表示第t次得到子网络模型后计算得到的奖励值。

4.根据权利要求3所述的方法，其特征在于，利用所述训练集训练当前模型得到奖励参数，包括：

利用所述训练集包含的部分车辆图片及对应车辆信息训练当前模型；

从全部子网络模型中选取出最佳网络模型之后，还包括：

利用所述训练集包含的全部车辆图片及对应车辆信息训练所述最佳网络模型。

5.根据权利要求4所述的方法，其特征在于，还包括：

获取测试集，所述测试集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

在所述训练集上训练当前模型得到奖励参数之后，还包括：

在所述测试集上测试当前模型得到测试集精度；

从全部子网络模型中选取出最佳网络模型，包括：

从全部子网络模型中选取出测试集精度最高的子网络模型，并确定该测试集精度最高的子网络模型为最佳网络模型。

6.根据权利要求5所述的方法，其特征在于，判断是否达到所述预设条件，包括：

判断当前训练子网络模型的总次数是否达到第二次数阈值，如果是，则确定达到所述预设条件，否则，确定未达到所述预设条件。

7.根据权利要求6所述的方法，其特征在于，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息之后，还包括：

如果所述待识别的车辆图片的车辆信息表示所述车辆图片内包含的车辆总数量大于数量阈值，则输出车流量过大的提示信息。

8.一种车辆识别装置，其特征在于，包括：

第一数据获取模块，用于：获取训练集，所述训练集包括多个包含指定路口的车辆的车辆图片及各车辆图片的车辆信息；

模型获取模块，用于：利用神经网络学习并采样得到子网络模型，确定该子网络模型为当前模型，利用所述训练集训练当前模型得到奖励参数，所述奖励参数包括训练集精度或训练子网络模型的总次数；计算当前模型的约束条件值，基于所述约束条件值及所述奖励参数计算奖励值，利用所述奖励值更新所述神经网络的可训练参数，返回执行利用神经网络学习并采样得到子网络模型的步骤，直至达到预设条件为止；并在达到预设条件后，从全部子网络模型中选取出最佳网络模型；

车辆识别模块，用于：如果需要实现车辆识别，则将待识别的车辆图片输入至所述最佳网络模型，得到所述最佳网络模型输出的所述待识别的车辆图片的车辆信息。

9.一种车辆识别设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述车辆识别方法的步骤。

10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆识别方法的步骤。

Images