基于深度学习的车辆识别方法、装置及计算机设备[发明专利]

(12)发明专利申请

(10)申请公布号 CN 111582304 A(43)申请公布日 2020.08.25

(21)申请号 202010222878.5(22)申请日 2020.03.26

(71)申请人 中国平安财产保险股份有限公司

地址 518000 广东省深圳市福田区益田路

5033号平安金融中心12、13、38、39、40层(72)发明人 肖嵘　陈少琼　

(74)专利代理机构 深圳市精英专利事务所

44242

代理人 李翔宇(51)Int.Cl.

G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

权利要求书2页 说明书8页 附图3页

CN 111582304 A(54)发明名称

基于深度学习的车辆识别方法、装置及计算机设备(57)摘要

本发明涉及机器视觉目标识别技术领域，尤其涉及一种基于深度学习的车辆识别方法、装置及计算机设备，该方法包括：构建对应的标签结构树；使用深度学习网络提取样本数据的特征；分别计算标签结构树中各个节点对应的概率；根据每一层中的节点的概率，计算样本数据的损失，优化样本数据的损失以完成深度学习网络的训练，并对样本数据进行分类以识别车辆。本发明的基于深度学习的车辆识别方法，其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。

CN 111582304 A

权　利　要　求　书

1/2页

1.一种基于深度学习的车辆识别方法，其特征在于，包括：基于样本数据构建对应的标签结构树；使用深度学习网络提取样本数据的特征；

分别计算所述标签结构树中各个节点对应的概率；根据每一层中的节点的概率，计算所述样本数据的损失；基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练，并根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。

2.根据权利要求1所述的基于深度学习的车辆识别方法，其特征在于，所述样本数据由获取的车辆数据进行清洗得到。

3.根据权利要求1所述的基于深度学习的车辆识别方法，其特征在于，所述标签结构树为一个多层的树形结构，由许多不同的节点组成。

4.根据权利要求3所述的基于深度学习的车辆识别方法，其特征在于，所述多层的树形结构包括：品牌层、系列层以及系列下的具体型号层，所述品牌层、所述系列层以及系列下的所述具体型号层具有对应的联系。

5.根据权利要求4所述的基于深度学习的车辆识别方法，其特征在于，所述方法还包括：

基于所述标签结构树的层次结构确定各个节点之间的父子关系，以确定父节点和父节点层次之下的子节点，

所述分别计算所述标签结构树中各个节点对应的概率，具体如下：所述父节点的概率通过神经网络计算获得；

所述父节点层次之下的子节点的概率通过子节点的条件概率与所属父节点的概率相乘得到。

6.根据权利要求5所述的基于深度学习的车辆识别方法，其特征在于，所述根据每一层中的节点的概率，计算所述样本数据的损失，具体包括：

根据每一层中的节点的概率，计算所述标签结构树中每一层的损失；叠加所述标签结构树中每一层的损失，得到所述样本数据的损失。7.根据权利要求6所述的基于深度学习的车辆识别方法，其特征在于，所述标签结构树中每一层的损失使用交叉熵表示，所述交叉熵的计算公式如下：

H(X)＝-∑yilog(p(xi))其中，P(xi)为神经网络的实际输出，yi为样本数据的期望输出，H(x)为交叉熵。8.一种基于深度学习的车辆识别装置，其特征在于，包括：构建模块，用于基于样本数据构建对应的标签结构树；提取模块，用于使用深度学习网络提取样本数据的特征；第一计算模块，用于分别计算所述标签结构树中各个节点对应的概率；第二计算模块，用于根据每一层中的节点的概率，计算所述样本数据的损失；优化模块，用于基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；

分类模块，用于根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上

2

CN 111582304 A

权　利　要　求　书

2/2页

运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于深度学习的车辆识别方法。

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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于深度学习的车辆识别方法。

3

CN 111582304 A

说　明　书

基于深度学习的车辆识别方法、装置及计算机设备

1/8页

技术领域

[0001]本发明涉及机器视觉目标识别技术领域，尤其涉及一种基于深度学习的车辆识别方法、装置及计算机设备。背景技术

[0002]车辆身份识别对于汽车销售、道路交通管控等一系列与车辆销售、使用、售后维护以及汽车相关产品等一系列应用领域中具有重大的作用。其中，车辆品牌型号是车辆身份中非常重要的组成部分，具有非常重要的作用。

[0003]现有的车辆品牌型号自动识别实际上可以被理解为一个分类的过程。亦即，将根据提取获得的车辆特征进行分类，归入某一个车辆品牌型号的类别中。其主要包括图像中的车辆定位和品牌识别两个步骤。其中，车辆定位是指从图像背景中识别获得车辆信息，主要涉及图像特征提取等与图像处理相关的技术手段；品牌识别则是基于车辆定位获得的多个不同维度的特征，通过神经网络或者深度学习算法等方式，对其进行分类，定位至相应的车辆品牌型号的类别来完成品牌识别的过程。[0004]由于现有的车辆品牌型号多达上千种，而深度学习的分类框架都是以同一个层次进行进行考虑的。因此，每一个品牌型号在深度学习的过程中，都会被视为一个单独的分类类别。例如，imagenet等可以支持1000个类别进行分类的分类器。[0005]在特征维度数量有限的情况下，在对太多的类别进行分类时，很难避免出现识别错误的情况，容易出现将某个车辆分入到错误类别的现象，这些识别错误有时会带来非常不良的使用体验和显著影响使用效果，例如会导致肇事车辆排查，车辆自动检测以及车险推荐系统等的工作任务完全无法进行。[0006]为了提升分类识别的准确率，现有一些技术方案会采用增加更度的特征的方式。但是，增加维度特征的数量会极大的增加车辆定位所需要的计算量，同时也会增加神经网络的训练难度和所需要的训练时间。因此，迫切需要提供合适的车辆品牌型号识别的新方法，以更好的平衡分类准确性与计算复杂度之间的关系，更有效的完成车辆品牌型号的识别。

发明内容

[0007]本发明实施例提供了一种基于深度学习的车辆识别方法、装置、计算机设备及存储介质，旨在解决现有技术容易出现车辆品牌识别错误而带来不良的使用体验的技术问题。

[0008]第一方面，本发明实施例提供了一种基于深度学习的车辆识别方法，包括：基于样本数据构建对应的标签结构树；使用深度学习网络提取样本数据的特征；分别计算所述标签结构树中各个节点对应的概率；根据每一层中的节点的概率，计算所述样本数据的损失；基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。

4

CN 111582304 A[0009]

说　明　书

2/8页

可选地，所述样本数据由获取的车辆数据进行清洗得到。

[0010]可选地，所述标签结构树为一个多层的树形结构，由许多不同的节点组成。[0011]可选地，所述多层的树形结构包括：品牌层、系列层以及系列下的具体型号层，所述品牌层、所述系列层以及系列下的所述具体型号层具有对应的联系。[0012]可选地，所述方法还包括：基于所述标签结构树的层次结构确定各个节点之间的父子关系，确定父节点和父节点层次之下的子节点，所述分别计算所述标签结构树中各个节点对应的概率，具体如下：所述父节点的概率通过神经网络计算获得；所述父节点层次之下的子节点的概率通过子节点的条件概率与所属父节点的概率相乘得到。[0013]可选地，所述根据每一层中的节点的概率，计算所述样本数据的损失，具体包括：根据每一层中的节点的概率，计算所述标签结构树中每一层的损失；叠加所述标签结构树中每一层的损失，得到所述样本数据的损失。[0014]可选地，所述标签结构树中每一层的损失使用交叉熵表示，所述交叉熵的计算公式如下：

[0015]H(X)＝-∑yilog(p(xi))[0016]其中，P(xi)为神经网络的实际输出，yi为样本数据的期望输出，H(x)为交叉熵。[0017]第二方面，本发明实施例提供了一种基于深度学习的车辆识别装置，包括：构建模块，用于基于样本数据构建对应的标签结构树；提取模块，用于使用深度学习网络提取样本数据的特征；第一计算模块，用于分别计算所述标签结构树中各个节点对应的概率；第二计算模块，用于根据每一层中的节点的概率，计算所述样本数据的损失；优化模块，用于基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；分类模块，用于根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。[0018]第三方面，本发明实施例又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的车辆识别方法。[0019]第四方面，本发明实施例还提供了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，所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于深度学习的车辆识别方法。

[0020]本发明实施例的基于深度学习的车辆识别方法、装置、计算机设备及存储介质，其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。附图说明

[0021]为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。[0022]图1为本发明实施例提供的一种计算机设备100的结构示意图；

[0023]图2为本发明实施例提供的基于深度学习的车辆识别方法的流程示意图；[0024]图3为本发明实施例提供的一种两层的标签结构树的环境示意图；

5

CN 111582304 A[0025][0026]

说　明　书

3/8页

图4为本发明实施例提供的基于深度学习的车辆识别装置的结构框图；图5为图4中第二计算模块46的结构框图。

具体实施方式

[0027]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。[0028]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。[0029]还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。[0030]还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。[0031]深度学习网络对每一个品牌型号在深度学习的过程中，都会被视为一个单独的分类类别，在特征维度数量有限的情况下，在对太多的类别进行分类时，很难避免出现识别错误的情况。本发明实施例提供的基于深度学习的车辆识别方法即在分类时，其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，应用本发明提供的基于深度学习的车辆识别方法可以在一些应用场景下(例如，交通流检测、ETC不停车收费，停车场停车等应用场景)进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。[0032]以下首先对该车辆识别方法的硬件环境进行介绍，请参阅图1，图1是本发明实施例提供的一种计算机设备100的结构示意图。该计算机设备100可以是计算机、计算机集群、主流计算机、专用于提供在线内容的计算装置，或者计算机网络，所述计算机网络包括一组以集中或分布方式操作的计算机。[0033]如图1所示，所述计算机设备100包括：通过系统总线101连接的处理器102、存储器和网络接口105；其中，存储器可以包括非易失性存储介质103和内存储器104。[0034]在本发明实施例中，根据所使用的硬件的类型，处理器102可以是处理单元(Central Processing Unit，CPU)，该处理器102还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器102的数量可以是一个或者多个，一个或者多个处理器102可执行计算机程序指令的序列，以执行将在下文更详细地说明下文的基于深度学习的车辆识别方法。

[0035]计算机程序指令由非易失性存储介质103存储、访问和从该非易失性存储介质103中读取，以便由处理器10执行，从而实现本发明下述实施例公开的调整方法。例如，非易失

6

CN 111582304 A

说　明　书

4/8页

性存储介质103存储执行下述调整方法的软件应用。此外，非易失性存储介质103可存储整个软件应用或者只存储可由处理器102执行的软件应用的一部分。应注意，尽管图1中只示出一个框，但非易失性存储介质103可包括安装在处理装置或不同计算装置上的多个物理装置。

[0036]该网络接口105用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图1中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备100的限定，具体的计算机设备100可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0037]本发明实施例还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于深度学习的车辆识别方法。该计算机程序产品体现在含有计算机程序代码的一个或多个计算机可读存储介质上(包括但不限于，磁盘存储器、CD-ROM、光学存储器等)。

[0038]在用软件实施所述计算机设备100的情况下，图2示出了一实施例的基于深度学习的车辆识别方法的示意图，以下对图2中的方法详细描述。请参阅图2，该方法包括如下步骤：

[0039]步骤20、基于样本数据构建对应的标签结构树。[0040]在本发明实施例中，样本数据可以是标注有车辆品牌型号标签的数据，该样本数据可以提供一定的车辆信息。该样本数据具体可以来自于许多不同的数据平台或者渠道，例如其可以是网络爬虫在网站上自动抓取的相关数据或者是车辆保险业务平台上，用户上传的数据信息等。

[0041]考虑到样本数据来源的多样性，原始相关的车辆数据可能存在字段不一致，重复或者空缺等的问题，数据的质量实际上很难保证。因此，在一些实施例中，可以通过对原始的车辆数据进行数据清洗的操作以提升数据的质量。经过清洗后的数据，即为可以提供一定车辆信息的样本数据。[0042]在一些实施例中，数据清洗具体可以包括：执行缺失值处理，噪声数据光滑以及识别删除离散值中的一个或者多个操作。[0043]其中，构建好的所述标签结构树为一个多层的树形结构，由许多不同的节点组成。其按照一般的车辆分类准则形成品牌、系列、系列下的具体型号等多个不同层次，并建立节点之间对应的联系。在实际应用中，该多层结构以及每一层的类型选取可以根据实际需要进行设置，而不限于本发明实施例列举的品牌、系列、系列下的具体型号此种3层树形结构。[0044]步骤22、使用深度学习网络提取样本数据的特征。[0045]在此步骤中，可以使用深度学习网络ResNet提取样本图像数据的特征，ResNet为残差网络，其特点是在神经网络中增加了直连通道，允许原始输入信息直接传到后面的层中，使得神经网络可以不用学习整个的输出，而是学习上一个网络输出的残差。[0046]在此步骤中，数据清洗后的数据作为训练样本数据，用于神经网络的训练过程。具体而言，ResNet的网络结构由两种残差模块组成。其中一种是以两个3*3的卷积网络串接在一起作为一个残差模块，另外一种是1*1、3*3、1*1的3个卷积网络串接在一起作为一个残差模块，在本发明实施例中上述几种均适用。

7

CN 111582304 A[0047]

说　明　书

5/8页

本发明实施例具体可以使用网络层数为50层的残差网络，该残差网络的具体配置

方式为本领域技术人员所知晓，在此不再赘述。[0048]步骤24、分别计算所述标签结构树中各个节点对应的概率。[0049]此步骤中，在确定各个节点对应的概率之前，可以首先根据标签结构树的层次结构确定各个节点之间的父子关系，以确定父节点和父节点层次之下的子节点。[0050]每一标签结构树的层次结构均可以确定各个节点之间的父子关系，例如，采用两层分类时，可以将车辆的品牌作为父节点，每一个父节点下的子节点为该品牌下的具体型号或者车系。当然，也可以采用更多层的分类，例如以车辆的品牌作为父节点，每一个父节点下的子节点是车辆品牌下的某个车系。特定车系下又进一步被分成多个子节点，与具体的型号相对应。

[0051]在确定父节点和父节点层次之下的子节点后，对各个节点的概率分别进行计算。[0052]首先，所述父节点的概率通过神经网络计算获得，而在父节点层次之下的子节点的概率则需要通过子节点的条件概率与所属父节点的概率相乘后计算获得。

[0053]以下以两层的标签结构树为例对各个节点对应的概率计算进行充分说明。首先，请参阅图3，图3是本发明实施例提供的一种两层的标签结构树的环境示意图，图3中，包括的汽车品牌有：宝马、奔驰以及沃尔沃。[0054]在标签结构树中，第一层的父节点为汽车的品牌，包括宝马、奔驰以及沃尔沃。每一个父节点下包括对应品牌的车系的子节点，具体包括宝马父节点下的3系，5系和7系三个子节点，奔驰父节点下的S级，C级以及E级三个子节点，沃尔沃父节点下的V系列，S系列以及XC系列三个子节点。[0055]首先，可以通过深度学习神经网络计算获得样本数据属于特定父节点的概率分别为：

[0056]P(宝马)、P(奔驰)、P(沃尔沃)；[0057]然后，对于每一个父节点，通过softmax函数继续计算其子节点的条件概率：[0058]P(3系|宝马)、P(5系|宝马)、P(7系|宝马)；[0059]P(S级|奔驰)、P(C级|奔驰)、P(E级|奔驰)；[0060]P(V系列|沃尔沃)、P(S系列|沃尔沃)、P(XC系列|沃尔沃)。[0061]其中，Softmax函数是归一化指数函数。其作用是作为激活函数，将上述步骤的残差网络中多个神经元的输出，映射到(0,1)区间内。亦即，残差网络的输出层经过softmax处理后，就成为了一个概率值，而且概率和为1。[0062]最后，可以计算获得每个子节点的概率如下：[0063]P(3系)＝P(3系|宝马)*P(宝马)[00]P(5系)＝P(5系|宝马)*P(宝马)[0065]P(7系)＝P(7系|宝马)*P(宝马)[0066]P(S级)＝P(S级|奔驰)*P(奔驰)[0067]P(C级)＝P(C级|奔驰)*P(奔驰)[0068]P(E级)＝P(E级|奔驰)*P(奔驰)

[0069]P(V系列)＝P(V系列|沃尔沃)*P(沃尔沃)[0070]P(S系列)＝P(S系列|沃尔沃)*P(沃尔沃)

8

CN 111582304 A[0071]

说　明　书

6/8页

P(XC系列)＝P(XC系列|沃尔沃)*P(沃尔沃)

[0072]步骤26、根据每一层中的节点的概率，计算所述样本数据的损失。[0073]在深度学习，神经网络的训练过程中，需要通过损失的大小来衡量模型的优劣，并据此进行神经网络参数的调整。[0074]在此步骤中，基于已经计算确定的每一层中各个节点的概率，可以分别计算所述标签结构树中每一层的损失。各层的损失叠加之和即为所述样本数据的损失。[0075]在本发明实施例中，每一层的损失可以使用交叉熵(cross-entropy loss)来表示。交叉熵的具体计算公式如下所示：[0076]H(X)＝-∑yilog(p(xi))[0077]其中，P(xi)为神经网络的实际输出，yi为样本数据的期望输出，H(x)为交叉熵，交叉熵越低表明损失越小。[0078]步骤28、基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练，并根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。[0079]在计算确定样本数据的损失以后，此步骤以此为依据，对深度学习网络进行训练和学习，令样本数据的损失降低以实现优化。此步骤具体可以使用任何合适类型的方式来完成该样本数据的优化过程。[0080]例如，可以使用随机梯度下降法(SGD，Stochastic Gradient Descent)对样本数据的损失进行优化。随机梯度下降法在每次迭代优化时，使用一个样本来对参数进行更新，可以使得训练速度加快。

[0081]在获得优化后的深度学习网络后，即可以根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。

[0082]由于预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，样本的损失由每一层的损失叠加形成(亦即由于考虑到了父节点的损失)，这样会使得出现父节点分类错误时产生比子节点分类错误更大的损失，而损失越小，亦即分类结果更准确。

[0083]本发明实施例的基于深度学习的车辆识别方法其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。

[0084]本发明实施例还提供一种与上述实施例中的基于深度学习的车辆识别方法对应的基于深度学习的车辆识别装置，请参阅图4，图4提供了本发明实施例提供的一种基于深度学习的车辆识别装置结构框图，如图4所示，所述基于深度学习的车辆识别装置400包括：构建模块40、提取模块42、第一计算模块44、第二计算模块46、优化模块48和分类模块410。[0085]构建模块40用于基于样本数据构建对应的标签结构树；提取模块42用于使用深度学习网络提取样本数据的特征；第一计算模块44用于分别计算所述标签结构树中各个节点对应的概率；第二计算模块46用于根据每一层中的节点的概率，计算所述样本数据的损失；优化模块48用于基于提取后的样本数据的特征，优化所述样本数据的损失以完成深度学习网络的训练；分类模块410用于根据训练后的深度学习网络，对所述样本数据进行分类以识别车辆。

9

CN 111582304 A[0086]

说　明　书

7/8页

在一些实施例中如图5所示，所述第二计算模块46包括：计算单元460和叠加单元

462。

计算单元460用于根据每一层中的节点的概率，计算所述标签结构树中每一层的

损失；叠加单元462用于叠加所述标签结构树中每一层的损失，得到所述样本数据的损失。[0088]在一些实施例中，所述样本数据由获取的车辆数据进行清洗得到。[00]在一些实施例中，所述标签结构树为一个多层的树形结构，由许多不同的节点组成。

[0090]在一些实施例中，所述多层的树形结构包括：品牌层、系列层以及系列下的具体型号层，所述品牌层、所述系列层以及系列下的所述具体型号层具有对应的联系。[0091]由于预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，样本的损失由每一层的损失叠加形成(亦即由于考虑到了父节点的损失)，这样会使得出现父节点分类错误时产生比子节点分类错误更大的损失，而损失越小，亦即分类结果更准确。

[0092]本发明实施例的基于深度学习的车辆识别装置其预先对数据源进行了标签结构树的构建，利用了数据之间的内在联系，并据此在分类过程中实现分层分类，因此，训练优化获得的深度学习神经网络在进行自动化车型识别时，不容易出现车辆品牌识别错误的现象，有利于提升车辆型号识别的使用效果。

[0093]所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0094]在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，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，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

[0095]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发明实施例方案的目的。[0096]另外，在本发明各个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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

10

[0087]

CN 111582304 A[0097]

说　明　书

8/8页

所述集成的单元如果以软件功能单元的形式实现并作为的产品销售或使用

时，可以存储在一个存储介质中。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，或者该技术方案的全部或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-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0098]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换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以权利要求的保护范围为准。

11

CN 111582304 A

说　明　书　附　图

1/3页

图1

12

CN 111582304 A

说　明　书　附　图

2/3页

图2

图3

13

CN 111582304 A

说　明　书　附　图

3/3页

图4

图5

14