【技术实现步骤摘要】
本申请涉及车辆识别领域，特别涉及一种车辆的属性识别方法、装置、电子设备及介质。
技术介绍
1、在当今汽车工业的快速发展中，车辆款式、车辆类型、车辆颜色等车辆属性越来越丰富，对车辆进行车辆属性的识别已成为提升用户体验的重要环节。然而，现有的车辆属性识别方法在属性提取方面存在显著局限性。
2、首先，现有的车辆属性识别方法提取的车辆属性较为单一，限制了属性的多样性和灵活性。其次，现有的车辆属性识别方法对新车型属性提取结果差，在处理未见过的车辆数据时效果不佳。此外，现有的识别方式无法实现交互式的输出，无法提供动态的、用户可参与的反馈。
技术实现思路
1、鉴于上述问题，本申请实施例提出了一种车辆的属性识别方法、装置、电子设备及介质。
2、在本申请实施的第一方面，首先提供了一种车辆的属性识别方法，所述方法包括：
3、响应于用户针对待识别车辆发出的属性识别指令，获取所述待识别车辆的车辆图像以及所述用户针对所述待识别车辆发出的车辆属性询问信息；
4、将所述车辆图像和所述车辆属性询问信息输入预先训练的多模态模型进行处理，输出所述待识别车辆对应的第一车辆属性；
5、将所述车辆图像和所述车辆属性询问信息再次输入预先训练的所述多模态模型进行处理，输出所述待识别车辆对应的第二车辆属性；
6、在所述第一车辆属性与所述第二车辆属性不相同的情况下，将所述车辆图像输入预先训练的图片识别模型进行处理，输出所述待识别车辆对应的至少一个第三车辆属性；
7、根据所述车辆属性询问信息在至少一个所述第三车辆属性中确定所述待识别车辆对应的目标车辆属性；
8、将所述车辆图像和所述目标车辆属性作为所述待识别车辆的属性识别结果展示给所述用户。
9、可选地，所述方法还包括：
10、在所述第一车辆属性与所述第二车辆属性相同的情况下，将所述第一车辆属性或所述第二车辆属性确定为所述待识别车辆对应的目标车辆属性。
11、可选地，所述根据所述车辆属性询问信息在至少一个所述第三车辆属性中确定所述待识别车辆对应的目标车辆属性，包括：
12、根据所述车辆属性询问信息确定目标车辆属性类别；
13、在至少一个所述第三车辆属性中确定与所述目标车辆属性类别对应的所述第三车辆属性，将与所述目标车辆属性类别对应的所述第三车辆属性作为第四车辆属性；
14、组合所述第四车辆属性与所述车辆属性询问信息，形成属性确认信息；
15、将所述车辆图像和所述属性确认信息输入预先训练的所述多模态模型进行处理，输出所述待识别车辆对应的所述目标车辆属性。
16、可选地，所述图片识别模型采用如下方式训练：
17、获取图片识别模型训练样本和图片识别模型验证样本；所述图片识别模型训练样本包括样本车辆图像和样本车辆标准属性；所述图片识别模型验证样本包括验证车辆图像；
18、将所述样本车辆图像作为所述图片识别模型的输入，将所述样本车辆标准属性作为所述图片识别模型的输出，采用所述图片识别模型训练样本对所述图片识别模型进行训练，得到待验证的图片识别模型；所述样本车辆标准属性包括样本车辆图像区域、样本车辆款式、样本车辆类型、样本车辆颜色中的至少一种；
19、将所述验证车辆图像输入所述待验证的图片识别模型，得到所述待验证的图片识别模型输出的样本车辆验证属性；所述样本车辆验证属性包括验证车辆图像区域、验证样本车辆款式、验证样本车辆类型、验证样本车辆颜色中的至少一种；
20、根据所述样本车辆标准属性和所述样本车辆验证属性计算所述图片识别模型对应的损失函数；
21、采用所述图片识别模型对应的损失函数对所述待验证的图片识别模型进行模型参数调整，并重新执行将所述样本车辆图像作为所述图片识别模型的输入，将所述样本车辆标准属性作为所述图片识别模型的输出，采用所述图片识别模型训练样本对所述图片识别模型进行训练的步骤，直至达到预设的第一训练停止条件，得到经过训练的图片识别模型。
22、可选地，所述获取图片识别模型训练样本和图片识别模型验证样本，包括：
23、获取针对样本车辆拍摄的样本视频；
24、切分所述样本视频得到若干样本视频帧，将包含样本车辆的样本视频帧作为所述样本车辆图像和所述验证车辆图像；
25、将所述验证车辆图像作为所述图片识别模型验证样本；
26、将样本车辆图像中包含样本车辆的图像区域，作为所述样本车辆图像区域；
27、根据所述样本车辆图像确定所述样本车辆对应的所述样本车辆款式、所述样本车辆类型、所述样本车辆颜色中的至少一种；
28、检查所述样本车辆图像与所述样本车辆图像区域、所述样本车辆款式、所述样本车辆类型、所述样本车辆颜色中的至少一种是否匹配；
29、若匹配，则将所述样本车辆图像区域、所述样本车辆款式、所述样本车辆类型、所述样本车辆颜色中的至少一种作为所述样本车辆标准属性；
30、将所述样本车辆图像和所述样本车辆标准属性作为所述图片识别模型训练样本。
31、可选地，所述图片识别模型包括至少一个残差结构、压缩激励结构、至少一个全连接层，所述将所述验证车辆图像输入所述待验证的图片识别模型，得到所述待验证的图片识别模型输出的样本车辆验证属性，包括：
32、将所述验证车辆图像输入至所述残差结构进行处理，得到所述残差结构输出的初始图像特征；
33、将所述初始图像特征输入至所述压缩激励结构进行处理，得到所述压缩激励结构输出的目标图像特征；
34、将所述目标图像特征输入至所述全连接层进行处理，得到所述样本车辆验证属性。
35、可选地，所述多模态模型采用如下方式训练：
36、获取多模态模型训练样本和多模态模型验证样本；所述多模态模型训练样本包括样本车辆图像、样本属性询问信息、样本车辆答复属性；所述多模态模型验证样本包括验证车辆图像和验证属性询问信息；
37、将所述样本车辆图像和所述样本属性询问信息作为所述多模态模型的输入，将所述样本车辆答复属性作为所述多模态模型的输出，采用所述多模态模型训练样本对所述多模态模型进行训练，得到待验证的多模态模型；
38、将所述验证车辆图像和所述验证属性询问信息输入所述待验证的多模态模型，得到所述待验证的多模态模型输出的验证车辆答复属性；
39、根据所述样本车辆答复属性和所述验证车辆答复属性计算所述多模态模型对应的损失函数；
40、采用所述多模态模型对应的损失函数对所述待验证的多模态模型进行模型参数调整，并重新执行将所述样本车辆图像和所述样本属性询问信息作为所述多模态模型的输入，将所述样本车辆答复属性作为所述多模态模型的输出，采用所述多模态模型训练样本对所述多模态模型进行训练的步骤，直至达到预设的第二训练停止条件，得到经过训练的多模态模型。...
【技术保护点】
1.一种车辆的属性识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆属性询问信息在至少一个所述第三车辆属性中确定所述待识别车辆对应的目标车辆属性，包括：
4.根据权利要求1所述的方法，其特征在于，所述图片识别模型采用如下方式训练：
5.根据权利要求4所述的方法，其特征在于，所述获取图片识别模型训练样本和图片识别模型验证样本，包括：
6.根据权利要求4所述的方法，其特征在于，所述图片识别模型包括至少一个残差结构、压缩激励结构和至少一个全连接层，所述将所述验证车辆图像输入所述待验证的图片识别模型，得到所述待验证的图片识别模型输出的样本车辆验证属性，包括：
7.根据权利要求5所述的方法，其特征在于，所述多模态模型采用如下方式训练：
8.根据权利要求7所述的方法，其特征在于，所述获取多模态模型训练样本和多模态模型验证样本，包括：
9.根据权利要求7所述的方法，其特征在于，所述多模态模型包括
10.一种车辆的属性识别装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的车辆的属性识别方法。
12.一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9中任一项所述的车辆的属性识别方法。
...【技术特征摘要】
1.一种车辆的属性识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆属性询问信息在至少一个所述第三车辆属性中确定所述待识别车辆对应的目标车辆属性，包括：
4.根据权利要求1所述的方法，其特征在于，所述图片识别模型采用如下方式训练：
5.根据权利要求4所述的方法，其特征在于，所述获取图片识别模型训练样本和图片识别模型验证样本，包括：
6.根据权利要求4所述的方法，其特征在于，所述图片识别模型包括至少一个残差结构、压缩激励结构和至少一个全连接层，所述将所述验证车辆图像输入所述待验证的图片识别模型，得到所述待验证的图片识别模型输出的样本车辆验证属性，包括：
7.根据权利要求5所述的方法，其特征在于，所述多模态模型采用如下方式训练：<...
【专利技术属性】
技术研发人员：张保林，何浩，黄勇波，仁义，曾鑫，陈阳，
申请(专利权)人：赛力斯汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。