本發(fā)明涉及計(jì)算機(jī)網(wǎng)絡(luò)及計(jì)算機(jī)軟件技術(shù)領(lǐng)域，特別地涉及一種交通設(shè)備的屬性識(shí)別方法和裝置。

背景技術(shù)：

隨著智能交通系統(tǒng)(Intelligent Transportation System，簡(jiǎn)稱(chēng)ITS)的廣泛應(yīng)用，交通設(shè)備的屬性也得到了相應(yīng)的重視，例如，車(chē)身顏色的識(shí)別技術(shù)尤為突出。

現(xiàn)有的基于視覺(jué)信息(圖片或者視頻)識(shí)別交通設(shè)備的屬性，例如，車(chē)身顏色的現(xiàn)有技術(shù)方案通常做法是分兩個(gè)步驟進(jìn)行：首先在圖片中檢測(cè)到相關(guān)車(chē)輛的坐標(biāo)位置。利用一個(gè)車(chē)輛檢測(cè)器檢測(cè)一張圖片中的所有車(chē)輛，然后將相關(guān)車(chē)輛在圖片上的坐標(biāo)位置輸出出來(lái)，給出了坐標(biāo)點(diǎn)構(gòu)成一個(gè)可以框住相關(guān)車(chē)輛的框(bounding box)，每一個(gè)bounding box只框住一輛車(chē)。如果一張圖片中有多輛車(chē)，則有多個(gè)bounding box與其對(duì)應(yīng)；再次將相關(guān)車(chē)輛按照其對(duì)應(yīng)的坐標(biāo)位置從原始圖片中剪切出來(lái)，也就是按照bounding box將一將剪切后的圖片放入一個(gè)分類(lèi)器中，分類(lèi)器的輸出結(jié)果是這輛車(chē)的識(shí)別結(jié)果。具體做法如下：將原始圖片輸入(像素值)轉(zhuǎn)化為人們手動(dòng)定義的特征(human-engineered features)，比如尺度不變特征變換SIFT(Scale-invariant feature transform)，方向梯度直方圖HOG(Histogram of Oriented Gradient)特征等。然后將這些變換后的特征放入分類(lèi)器中進(jìn)行分類(lèi)，得到物體的識(shí)別結(jié)果，對(duì)應(yīng)本專(zhuān)利中的車(chē)身顏色信息。

但是上述技術(shù)方案中主要有三個(gè)主要缺點(diǎn)；首先準(zhǔn)確率偏低、容易誤報(bào)。產(chǎn)生這個(gè)問(wèn)題的主要原因是現(xiàn)有算法對(duì)于強(qiáng)光照、黑暗、陰影、曝光過(guò)強(qiáng)等干擾顏色的情況的處理非常弱，所以當(dāng)這些情況發(fā)生的時(shí)候，模型的顏色判定能力會(huì)變得非常不好，產(chǎn)生大量顏色誤報(bào)；其次，現(xiàn)有算法基于手工定義特征，而非完全端到端(end-to-end)的數(shù)據(jù)驅(qū)動(dòng)。端到端的數(shù)據(jù)驅(qū)動(dòng)意味著模型的輸入是原始圖片，輸出是想要的車(chē)身顏色分類(lèi)結(jié)果，中間層的特征提取不需要人手動(dòng)參與，而完全由數(shù)據(jù)自我驅(qū)動(dòng)；最后，傳統(tǒng)方法采用的是“淺層”模型，即特征提取層只有一個(gè)，而且沒(méi)有經(jīng)過(guò)非線性變換，這樣造成的后果就是特征提取的不充分，提取出來(lái)的特征不足以刻畫(huà)問(wèn)題的本質(zhì)，因此造成模型判定能力的不足。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對(duì)傳統(tǒng)技術(shù)中的上述缺點(diǎn)，提供一種能夠有效且準(zhǔn)確識(shí)別交通設(shè)備的屬性信息的方法和裝置。

為實(shí)現(xiàn)本發(fā)明目的，提供了一種交通設(shè)備的屬性識(shí)別方法，包括：獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)所述原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為所述原始樣本集中的圖片；對(duì)所述原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將所述原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；對(duì)所述訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型；將測(cè)試圖片輸入所述交通設(shè)備的所述屬性識(shí)別模型，生成對(duì)應(yīng)的所述交通設(shè)備的屬性概率向量，并根據(jù)所述屬性概率向量生成所述交通設(shè)備的屬性識(shí)別結(jié)果。

在其中一個(gè)實(shí)施例中，所述獲取多個(gè)交通設(shè)備作為原始樣本集包括：在預(yù)設(shè)時(shí)間段內(nèi)對(duì)所述多個(gè)交通設(shè)備進(jìn)行采樣，獲取所述多個(gè)交通設(shè)備作為原始樣本集。

在其中一個(gè)實(shí)施例中，所述對(duì)所述訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型包括：采用包括五個(gè)卷積層、五個(gè)池化層和三個(gè)全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)所述訓(xùn)練樣本集進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型。

基于同一發(fā)明構(gòu)思的一種交通設(shè)備的屬性識(shí)別裝置，包括：原始樣本集獲取模塊，用于獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)所述原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為所述原始樣本集中的圖片；操作模塊，用于對(duì)所述原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將所述原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；訓(xùn)練樣本集獲取模塊，用于對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；模型訓(xùn)練模塊，用于對(duì)所述訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型；模型測(cè)試模塊，用于將測(cè)試圖片輸入所述交通設(shè)備的所述屬性識(shí)別模型，生成對(duì)應(yīng)的所述交通設(shè)備的屬性概率向量，并根據(jù)所述屬性概率向量生成所述交通設(shè)備的屬性識(shí)別結(jié)果。

在其中一個(gè)實(shí)施例中，所述原始樣本集獲取模塊包括：采樣模塊，用于在預(yù)設(shè)時(shí)間段內(nèi)對(duì)所述多個(gè)交通設(shè)備進(jìn)行采樣，獲取所述多個(gè)交通設(shè)備作為原始樣本集。

在其中一個(gè)實(shí)施例中，所述模型訓(xùn)練模塊還用于采用包括五個(gè)卷積層、五個(gè)池化層和三個(gè)全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)所述訓(xùn)練樣本集進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型。

本發(fā)明提供的一種交通設(shè)備的屬性識(shí)別方法和裝置，通過(guò)獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片；對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；對(duì)訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型；將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。該方法能夠大幅提升算法的準(zhǔn)確性，降低誤報(bào)；使用深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問(wèn)題；同時(shí)，還能夠完全由數(shù)據(jù)驅(qū)動(dòng)的端到端的模型，沒(méi)有引入手動(dòng)定義的特征。

附圖說(shuō)明

圖1為本發(fā)明一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法的步驟流程圖；

圖2為本發(fā)明一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法中的深度網(wǎng)絡(luò)訓(xùn)練示意圖；

圖3為本發(fā)明另一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法的步驟流程圖；以及

圖4為本發(fā)明一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的示范性實(shí)施方式做出說(shuō)明，其中包括本發(fā)明實(shí)施方式的各種細(xì)節(jié)以助于理解，應(yīng)當(dāng)將它們認(rèn)為僅僅是示范性的。因此，本領(lǐng)域普通技術(shù)人員應(yīng)當(dāng)認(rèn)識(shí)到，可以對(duì)這里描述的實(shí)施方式做出各種改變和修改，而不會(huì)背離本發(fā)明的范圍和精神。同樣，為了清楚和簡(jiǎn)明，以下的描述中省略了對(duì)公知功能和結(jié)構(gòu)的描述。

如圖1所示，為一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法的步驟流程圖。具體包括以下步驟：

步驟102，獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片。

本實(shí)施例中，獲取同一類(lèi)型的交通設(shè)備的圖片，例如，獲取多張?jiān)嫉能?chē)輛圖片，通過(guò)人工標(biāo)定將車(chē)輛圖片中的汽車(chē)劃定為12類(lèi)車(chē)身顏色中的某一種顏色。其中，一張車(chē)輛圖片對(duì)應(yīng)的車(chē)身顏色(例如黑色)可視為一個(gè)樣本數(shù)據(jù)，且車(chē)身顏色為交通設(shè)備中的一個(gè)屬性。

步驟104，對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作。

本實(shí)施例中，由于多張?jiān)纪活?lèi)型的交通設(shè)備圖片可能尺寸大小不一致，需要通過(guò)縮放優(yōu)選的變換全部變成128×128(單位為像素，下文略)的圖片。且盡管原始樣本集中有多條樣本數(shù)據(jù)，但仍然可以通過(guò)自增強(qiáng)操作來(lái)進(jìn)一步增加樣本數(shù)據(jù)量。具體地，可以從上述的一張128×128的圖片中多次地隨機(jī)地選取118×118的局部作為新樣本數(shù)據(jù)，也就是說(shuō)可以從原先一個(gè)原有樣本數(shù)據(jù)中獲得多個(gè)衍生樣本數(shù)據(jù)。

步驟106，對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集。

本實(shí)施例中，在常規(guī)情況下RGB通道上的像素?cái)?shù)值是0到255之間。其中，數(shù)值中心化是指將每個(gè)像素值減去128。數(shù)值縮小化操作就是將減去128后的值再乘以0.01。經(jīng)過(guò)上述數(shù)值處理之后有利于之后步驟的數(shù)值運(yùn)算。

步驟108，對(duì)訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型。

本實(shí)施例中，可以采用包括五個(gè)卷積層(convolutional layer)、五個(gè)池化層(pooling layer)和三個(gè)全連接層(fully connected layer)的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)訓(xùn)練樣本集進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型。其中，需要進(jìn)一步說(shuō)明的是，圖2為本發(fā)明一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法中的深度網(wǎng)絡(luò)訓(xùn)練示意圖。

具體的，如圖2所示的算法先后使用了五個(gè)卷積層，每個(gè)卷積層后面都會(huì)跟上相應(yīng)池化層，最后再接上三個(gè)全連接層。其中最后一個(gè)全連接層的輸出個(gè)數(shù)即是顏色分類(lèi)的數(shù)目，全連接層上的每一個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)該圖片是相應(yīng)車(chē)輛類(lèi)別的概率，此操作為softmax。最后將該輸出概率，即為一數(shù)組與真實(shí)標(biāo)定類(lèi)別，即為一個(gè)等長(zhǎng)數(shù)組比較，使用cross entropy loss function來(lái)度量模型輸出結(jié)果與真實(shí)值的差異。該差異會(huì)反逐層反傳到網(wǎng)絡(luò)中，進(jìn)行模型的參數(shù)訓(xùn)練。

進(jìn)一步的，將經(jīng)過(guò)訓(xùn)練樣本集中的圖片進(jìn)行卷積層一，即進(jìn)行第一次卷積運(yùn)算，即使用一個(gè)固定大小的卷積核以一定的步長(zhǎng)掃描整幅圖片。在任一卷積核掃到的位置，將卷積核里面的參數(shù)值與對(duì)應(yīng)位置的像素值做加乘運(yùn)算得到一個(gè)輸出值，最后再將這個(gè)輸出值做一個(gè)非線性變化之后得到對(duì)應(yīng)位置最終的輸出值。這樣一副圖片經(jīng)過(guò)一個(gè)卷積層之后，就會(huì)變成另一個(gè)“圖片”，這幅新的“圖片”的高度、寬度以及通道數(shù)目都是可以被預(yù)先設(shè)置的。卷積操作通過(guò)卷積核將原始圖片的像素值做線性相加然后做非線性變換，目的是提取一副圖片的高維度信息。接著將經(jīng)過(guò)第一個(gè)卷積層操作的特征圖片經(jīng)過(guò)一個(gè)池化層。池化層不包括任何參數(shù)，這一層的目的是將特征圖片降維然后找到局部最大值響應(yīng)。然后將卷積層一和池化層一得到的圖片經(jīng)過(guò)下一個(gè)卷積層二，目的是提取比第一個(gè)卷積操作更高維度的信息。將經(jīng)過(guò)兩個(gè)卷積操作和一個(gè)池化操作后得到的特征圖片再經(jīng)過(guò)一個(gè)池化層，即經(jīng)過(guò)池化層二。將第二個(gè)池化層得到的特征圖再順序地放入卷積層三、池化層三、卷積層四、池化層四以及卷積層五中去，然后將經(jīng)過(guò)以上操作之后輸出的特征圖放入最后一個(gè)池化層，即池化層五中去，給特征圖降維。然后，將輸出的特征圖片放入一個(gè)全連接層。全連接操作與卷積操作類(lèi)似，都是進(jìn)行加乘運(yùn)算之后做非線性邊換。不同的是卷積操作是網(wǎng)絡(luò)神經(jīng)元的局部連接，而全連接操作是兩層之間的每一個(gè)神經(jīng)元都有連接關(guān)系。全連接操作的目的是在特征圖整理范圍內(nèi)進(jìn)一步提取高維度信息。全連接層的輸出已經(jīng)不是一個(gè)特征圖片了，而是一個(gè)特征向量。類(lèi)似地，將上一個(gè)全連接的輸出再順序地通過(guò)另外兩個(gè)全連接。例如，由于國(guó)家標(biāo)準(zhǔn)規(guī)定的汽車(chē)顏色是十二種顏色，因此設(shè)定最后的輸出為一個(gè)12個(gè)維度的特征向量。12個(gè)維度的每一個(gè)數(shù)值代表這副圖片在12種顏色上的激活值。最后，將最后一個(gè)全連接層神經(jīng)元吐出來(lái)的數(shù)值做一個(gè)softmax變換，將其轉(zhuǎn)化為概率輸出數(shù)值，即softmax操作使得每一個(gè)神經(jīng)元的輸出變成其對(duì)應(yīng)顏色的概率數(shù)值。每一個(gè)概率數(shù)值都在0到1之間，而且它們的和為1。

步驟110，將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。

如圖3所示，為另一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別方法的步驟流程圖。具體包括以下步驟：

步驟310，在預(yù)設(shè)時(shí)間段內(nèi)對(duì)多個(gè)交通設(shè)備進(jìn)行采樣，獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片。

步驟320對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作。

步驟330，對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集。

步驟340，采用包括五個(gè)卷積層、五個(gè)池化層和三個(gè)全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)訓(xùn)練樣本集進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型。

步驟350，將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。

本發(fā)明提供的一種交通設(shè)備的屬性識(shí)別方法，通過(guò)獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片；對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；對(duì)訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型；將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。該方法能夠大幅提升算法的準(zhǔn)確性，降低誤報(bào)；使用深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問(wèn)題；同時(shí)，還能夠完全由數(shù)據(jù)驅(qū)動(dòng)的端到端的模型，沒(méi)有引入手動(dòng)定義的特征。

基于同一發(fā)明構(gòu)思，還提供一種交通設(shè)備的屬性識(shí)別裝置，由于此裝置解決問(wèn)題的原理與前述一種交通設(shè)備的屬性識(shí)別方法相似，因此，該裝置的實(shí)施可以按照前述方法的具體步驟實(shí)現(xiàn)，重復(fù)之處不再贅述。

如圖4所示，為一個(gè)實(shí)施例中的一種交通設(shè)備的屬性識(shí)別裝置的結(jié)構(gòu)示意圖。該交通設(shè)備的屬性識(shí)別裝置10包括：原始樣本集獲取模塊100、操作模塊200、訓(xùn)練樣本集獲取模塊300、模型訓(xùn)練模塊400和模型測(cè)試模塊500。

其中，原始樣本集獲取模塊100用于獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片；操作模塊200用于對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；訓(xùn)練樣本集獲取模塊300用于對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；模型訓(xùn)練模塊400用于對(duì)訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型；模型測(cè)試模塊500用于將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。

本實(shí)施例中，模型訓(xùn)練模塊400還用于采用包括五個(gè)卷積層、五個(gè)池化層和三個(gè)全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)所述訓(xùn)練樣本集進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練，生成所述交通設(shè)備的屬性識(shí)別模型。

在一個(gè)實(shí)施例中，原始樣本集獲取模塊100包括：采樣模塊110(圖中未示出)用于在預(yù)設(shè)時(shí)間段內(nèi)對(duì)多個(gè)交通設(shè)備進(jìn)行采樣，獲取多個(gè)交通設(shè)備作為原始樣本集。

經(jīng)過(guò)實(shí)驗(yàn)證明，利用本實(shí)施例提供的一種交通設(shè)備的屬性識(shí)別裝置在獨(dú)立測(cè)試集合的準(zhǔn)確率>97％。

本發(fā)明提供的一種交通設(shè)備的屬性識(shí)別裝置，通過(guò)原始樣本集獲取模塊100獲取多個(gè)交通設(shè)備作為原始樣本集，并對(duì)原始樣本集中的每個(gè)交通設(shè)備進(jìn)行拍照，獲取的圖片作為原始樣本集中的圖片；再通過(guò)操作模塊200對(duì)原始樣本集中的每個(gè)圖片執(zhí)行尺寸統(tǒng)一化操作，并將原始樣本集的尺寸統(tǒng)一化操作生成的操作結(jié)果中的每個(gè)圖片執(zhí)行數(shù)量自增強(qiáng)操作；再通過(guò)訓(xùn)練樣本集獲取模塊300對(duì)數(shù)量自增強(qiáng)操作生成的操作結(jié)果中的每個(gè)圖片RGB通道上的像素值執(zhí)行數(shù)值中心化操作以及數(shù)值縮小化操作，得到訓(xùn)練樣本集；繼而通過(guò)模型訓(xùn)練模塊400對(duì)訓(xùn)練樣本集執(zhí)行深度網(wǎng)絡(luò)訓(xùn)練，生成交通設(shè)備的屬性識(shí)別模型；最終通過(guò)模型測(cè)試模塊500將測(cè)試圖片輸入交通設(shè)備的屬性識(shí)別模型，生成對(duì)應(yīng)的交通設(shè)備的屬性概率向量，并根據(jù)屬性概率向量生成交通設(shè)備的屬性識(shí)別結(jié)果。該裝置能夠大幅提升算法的準(zhǔn)確性，降低誤報(bào)；使用深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問(wèn)題；同時(shí)，還能夠完全由數(shù)據(jù)驅(qū)動(dòng)的端到端的模型，沒(méi)有引入手動(dòng)定義的特征。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤(pán)、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random Access Memory，RAM)等。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說(shuō)明書(shū)記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本發(fā)明專(zhuān)利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專(zhuān)利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。