1.本技术涉及图像处理技术领域，尤其涉及一种车辆信息确定方法、装置、电子设备和存储介质。
背景技术：2.随着机动车的数量日益增长，对机动车的实时监控和管理需耗费大量的人力和物力，此时借助人工智能等智慧交通的手段可以很好的完成这个任务。其中对车辆信息的识别是车辆管理监控的一个重要环节。相关技术中，多是依靠人力对车辆信息进行识别标注，导致对车辆信息识别的准确率较低，且耗费时间较长，对人力资源造成了大量的浪费。
技术实现要素：3.本技术的目的是提供一种车辆信息确定方法、装置、电子设备和存储介质，用于提高车辆信息的识别效率。
4.第一方面，本技术实施例提供了一种车辆信息确定方法，所述方法包括：
5.对包含目标对象的图像进行目标检测，确定所述目标对象在所述包含目标对象的图像中的位置；
6.根据所述位置从所述包含目标对象的图像中裁剪出所述目标对象的图像；
7.将所述目标对象的图像输入预先训练好的特征提取模型，得到所述目标对象的特征向量；
8.确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离；其中所述数据库中包括多个车辆信息以及与每个所述车辆信息对应的特征向量；
9.将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息。
10.在本技术中，采用特征提取模型来提取目标对象的特征向量，并将目标对象的特征向量与数据库中的特征向量进行比较，并将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息；提高了对目标对象的车辆信息识别的准确性，且识别过程无需人工参与，节省了人力资源。
11.在一些可能的实施例中，所述特征提取模型是根据以下方法训练的：
12.获取训练对象的图像；
13.对所述训练对象的图像进行数据增强处理，得到数据增强后的图像；
14.采用所述数据增强后的图像构建训练样本集；
15.将所述训练样本集中的训练样本输入所述初始特征提取模型，采用迭代的方式对所述初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为所述特征提取模型；
16.每轮迭代过程如下：
17.将所述训练样本集中的训练样本输入所述初始特征提取模型，得到初始所述特征
提取模型输出的特征向量；
18.根据所述训练样本的预设特征向量与所述初始特征提取模型输出的特征向量之间的距离确定所述初始特征提取模型的损失值；
19.根据所述初始特征提取模型的损失值调整所述初始特征提取模型的模型参数。
20.在本技术中，通过构建训练样本集来对初始特征提取模型进行迭代训练，使得训练好的特征提取模型可以准确的识别目标对象的车辆信息。
21.在一些可能的实施例中，所述将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量，包括：
22.针对所述训练样本集中的每个训练样本，将所述训练样本缩放至预设尺寸；
23.对所述缩放后的训练样本进行归一化操作，得到归一化后的训练样本；
24.采用骨干网络对所述归一化后的训练样本进行初步特征提取，得到所述归一化后的训练样本的多个初步特征；
25.对所述多个初步特征进行聚合操作，得到所述归一化后的训练样本的全局特征；
26.对所述全局特征进行维度缩减操作，得到所述训练样本的特征向量。
27.在本技术中，通过对训练样本进行缩放操作，使得后期对特征向量的提取更加准确，且对全局特征进行维度缩减，进一步提高了提取到的特征向量的准确性。
28.在一些可能的实施例中，所述数据库是根据以下方法得到的：
29.获取目标对象的图像以及所述目标对象的车辆信息；
30.将所述目标对象的图像输入所述特征提取模型，得到所述特征提取模型输出的特征向量；
31.采用所述目标对象的图像、所述特征向量以及所述目标对象的车辆信息构建所述数据库。
32.在本技术中，采用目标对象的车辆信息以及特征向量来构建数据库，使得对目标对象的车辆信息的识别更加准确。
33.在一些可能的实施例中，所述确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离之后，所述方法还包括：
34.按照预设顺序对所述目标对象的特征向量与数据库中存储的每个特征向量的距离进行排序。
35.在本技术中，通过对距离进行排序，便于选择与目标对象的特征向量距离最小的特征向量对应的车辆信息作为目标对象的车辆信息，减少了遍历与数据库中所有对象之间的距离的导致的资源的浪费。
36.第二方面，本技术还提供了一种车辆信息确定装置，所述装置包括：
37.目标检测模块，用于对包含目标对象的图像进行目标检测，确定所述目标对象在所述包含目标对象的图像中的位置；
38.定位模块，用于根据所述位置从所述包含目标对象的图像中裁剪出所述目标对象的图像；
39.特征向量确定模块，用于将所述目标对象的图像输入预先训练好的特征提取模型，得到所述目标对象的特征向量；
40.距离确定模块，用于确定所述目标对象的特征向量与数据库中存储的每个特征向
量的距离；其中所述数据库中包括多个车辆信息以及与每个所述车辆信息对应的特征向量；
41.车辆信息确定模块，用于将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息。
42.在一些可能的实施例中，所述特征提取模型是根据以下方法训练的：
43.获取训练对象的图像；
44.对所述训练对象的图像进行数据增强处理，得到数据增强后的图像；
45.采用所述数据增强后的图像构建训练样本集；
46.将所述训练样本集中的训练样本输入所述初始特征提取模型，采用迭代的方式对所述初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为所述特征提取模型；
47.每轮迭代过程如下：
48.将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量；
49.根据所述训练样本的预设特征向量与所述初始特征提取模型输出的特征向量之间的距离确定所述初始特征提取模型的损失值；
50.根据所述初始特征提取模型的损失值调整所述初始特征提取模型的模型参数。
51.在一些可能的实施例中，所述将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量，包括：
52.针对所述训练样本集中的每个训练样本，将所述训练样本缩放至预设尺寸；
53.对所述缩放后的训练样本进行归一化操作，得到归一化后的训练样本；
54.采用骨干网络对所述归一化后的训练样本进行初步特征提取，得到所述归一化后的训练样本的多个初步特征；
55.对所述多个初步特征进行聚合操作，得到所述归一化后的训练样本的全局特征；
56.对所述全局特征进行维度缩减操作，得到所述训练样本的特征向量。
57.在一些可能的实施例中，所述数据库是根据以下方法得到的：
58.获取目标对象的图像以及所述目标对象的车辆信息；
59.将所述目标对象的图像输入所述特征提取模型，得到所述特征提取模型输出的特征向量；
60.采用所述目标对象的图像、所述特征向量以及所述目标对象的车辆信息构建所述数据库。
61.在一些可能的实施例中，所述确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离之后，所述方法还包括：
62.按照预设顺序对所述目标对象的特征向量与数据库中存储的每个特征向量的距离进行排序。
63.第三方面，本技术另一实施例还提供了一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术第一方面实施例提供的任一方法。
64.第四方面，本技术另一实施例还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使计算机执行本技术第一方面实施例提供的任一方法。
65.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
66.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本技术的一些实施例，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。
67.图1为本技术实施例提供的一种车辆信息确定方法的应用场景图；
68.图2为本技术实施例提供的一种车辆信息确定方法的整体流程示意图；
69.图3为本技术实施例提供的一种车辆信息确定方法的训练特征提取模型的示意图；
70.图4为本技术实施例提供的一种车辆信息确定方法的训练对象的图像示意图；
71.图5为本技术实施例提供的一种车辆信息确定方法的数据增强处理的示意图；
72.图6为本技术实施例提供的一种车辆信息确定方法的迭代过程的流程示意图；
73.图7为本技术实施例提供的一种车辆信息确定方法的特征向量的提取过程的流程示意图；
74.图8为本技术实施例提供的一种车辆信息确定方法的数据库构建流程示意图；
75.图9为本技术实施例提供的一种车辆信息确定方法的确定目标对象示意图；
76.图10为本技术实施例提供的一种车辆信息确定方法的装置示意图；
77.图11为本技术实施例提供的一种车辆信息确定方法的电子设备示意图。
具体实施方式
78.为使本技术的目的、技术方案和优点更加清楚明白，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以按不同于此处的顺序执行所示出或描述的步骤。
79.本技术的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术中的“多个”可以表示至少两个，例
如可以是两个、三个或者更多，本技术实施例不做限制。
80.发明人研究发现，随着时代的发展和我国综合实力的提高，国民安居乐业，消费水平也逐渐提高，随之而来的是机动车的数量日益增长，对机动车的实时监控和管理需耗费大量的人力和物力，此时借助人工智能等智慧交通的手段可以很好的完成这个任务。其中车辆、年款的识别是车辆管理监控的一个重要环节。人们可以通过对道路监控场景下摄像头拍摄的视频进行分析，实现车辆品牌、年款的识别，进而进行车辆的统计分析，从而能够对车辆进行有效的管理。
81.发明人研究发现，随着深度学习的发展，在很多视觉处理的任务中，一些深度学习的识别水平甚至超过了人类的正常水平。但在交通场景下，车辆被监控摄像头拍摄的角度是多样的，拍摄的时间、天气、光照角度等外界条件对拍摄的车辆图片的清晰度影响很大，同一个品牌、车系、年款的车会有不同的颜色，并且随着时间的推移会有一些新的车辆品牌出现，这些对车辆品牌、年款的识别、以及能够快速的识别出新的车辆品牌、年款有较大的难度。对于人工的标注也存在着巨大的工作量，此外，实际的交通环境不同，在不同环境下识别的正确率可能均不相同，因此如何在环境改变时仍能保持较高的准确率，并能以最短时间识别出车辆的车辆信息是一个急需解决的问题。
82.有鉴于此，本技术提出了一种车辆信息确定方法、装置、电子设备和存储介质，用于解决上述问题。本技术的发明构思可概括为：对包含目标对象的图像进行目标检测，确定目标对象在包含目标对象的图像中的位置；根据位置从包含目标对象的图像中裁剪出目标对象的图像；将目标对象的图像输入预先训练好的特征提取模型，得到目标对象的特征向量；确定目标对象的特征向量与数据库中存储的每个特征向量的距离；其中数据库中包括多个车辆信息以及与每个车辆信息对应的特征向量；将与目标对象的特征向量距离最小的特征向量对应的车辆信息作为目标对象的车辆信息。
83.为了便于理解本技术实施例提供的一种车辆信息确定方法，下面结合附图进行说明：
84.如图1所示，为本技术实施例中的一种车辆信息确定方法的应用场景图。图中包括：服务器10、数据库20、终端设备30；其中：
85.服务器10对包含目标对象的图像进行目标检测，确定目标对象在包含目标对象的图像中的位置；根据位置从包含目标对象的图像中裁剪出目标对象的图像；将目标对象的图像输入预先训练好的特征提取模型，得到目标对象的特征向量；确定目标对象的特征向量与数据库中存储的每个特征向量的距离；其中数据库中包括多个车辆信息以及与每个车辆信息对应的特征向量；将与目标对象的特征向量距离最小的特征向量对应的车辆信息作为目标对象的车辆信息。
86.本技术中的描述中仅就单个服务器10、数据库20、终端设备30加以详述，但是本领域技术人员应当理解的是，示出的服务器10、数据库20、终端设备30旨在表示本技术的技术方案涉及的服务器10、数据库20、终端设备30的操作。而非暗示对服务器10、数据库20、终端设备30的数量、类型或是位置等具有限制。应当注意，如果向图示环境中添加附加模块或从其中去除个别模块，不会改变本技术的示例实施例的底层概念。另外，本领域技术人员可以理解的是，上述数据的收发也是需要通过网络实现的。需要说明的是，本技术实施例中的数据库例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外，本技术提出的车辆信
息确定方法不仅适用于图1所示的应用场景，还适用于任何有车辆信息确定需求的装置。
87.为了便于理解，下面对本技术实施例提供的一种车辆信息确定方法的整体流程进行详细说明，如图2所示：
88.步骤201中：对包含目标对象的图像进行目标检测，确定目标对象在包含目标对象的图像中的位置；
89.步骤202中：根据位置从包含目标对象的图像中裁剪出目标对象的图像；
90.步骤203中：将目标对象的图像输入预先训练好的特征提取模型，得到目标对象的特征向量；
91.步骤204中：确定目标对象的特征向量与数据库中存储的每个特征向量的距离；其中数据库中包括多个车辆信息以及与每个车辆信息对应的特征向量；
92.步骤205中：将与目标对象的特征向量距离最小的特征向量对应的车辆信息作为目标对象的车辆信息。
93.在本技术中，采用特征提取模型来提取目标对象的特征向量，并将目标对象的特征向量与数据库中的特征向量进行比较，并将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息；提高了对目标对象的车辆信息识别的准确性，且识别过程无需人工参与，节省了人力资源。
94.下面对图2中的步骤进行详细说明。
95.首先对本技术中采用的特征提取模型的训练方法进行说明，如图3所示：
96.步骤301中：获取训练对象的图像；
97.在本技术实施例中，训练对象为车辆，训练对象的图像可以为如图4所示的车辆的正视图、侧视图或其他角度图，为了保证训练得到的特征提取模型的准确性，因此在获取训练对象的图像时应尽可能的获取该训练对象所有角度以及所有颜色的图像。
98.步骤302中：对训练对象的图像进行数据增强处理，得到数据增强后的图像；
99.在本技术中，为了减少训练样本采集的难度，且保证训练得到的特征提取模型的准确性，因此在获取到训练对象的图像后需要对训练对象的图像进行数据增强处理，以使得训练样本的数量更加丰富，在本技术实施例中，数据增强处理包括以下中的任一种或组合：随机翻转、随机调整明暗度、随机旋转、随机擦除、随机拼接图片。例如：如图5所示，采集训练对象a的图像为左侧图像a，对训练对象a的图像进行随机翻转操作，得到右侧图像b。通过对训练对象进行数据增强处理，即丰富了样本数量，且使得样本更具备鲁棒性。
100.步骤303中：采用数据增强后的图像构建训练样本集；
101.步骤304中：将训练样本集中的训练样本输入初始特征提取模型，采用迭代的方式对初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为特征提取模型。
102.在一些可能的实施例中，每轮的迭代过程可实施为如图6所示的步骤，其中：
103.步骤601中：将训练样本集中的训练样本输入初始特征提取模型，得到特征提取模型输出的特征向量；
104.在本技术中，为了保证针对训练样本提取到的特征向量的准确性，因此针对特征向量的提取过程，可实施为如图7所示的步骤：
105.步骤701中：针对训练样本集中的每个训练样本，将训练样本缩放至预设尺寸；
106.在本技术中，为了保证训练得到的特征提取模型更加准确，因此会对每个训练样本进行缩放处理，保证每个训练样本的尺寸相同，以便于特征提取模型提取训练样本的特征向量。
107.步骤702中：对缩放后的训练样本进行归一化操作，得到归一化后的训练样本；
108.步骤703中：采用骨干网络对归一化后的训练样本进行初步特征提取，得到归一化后的训练样本的多个初步特征；
109.在本技术中，骨干网络可以选取resnet、resnext、mobilenet、convnext中的任一种，本技术对此不作限定，需要知道的是，可以提取图片特征的网络均适用于本技术。
110.步骤704中：对多个初步特征进行聚合操作，得到归一化后的训练样本的全局特征；
111.在一些实施例中，聚合操作可以使用最大池化、平均池化、gem池化、注意力池化等方法，为了便于理解，下面对上述聚合操作的方法进行简单说明：
112.例如：参与聚合操作的初步特征为x，且聚合操作后得到的全局特征为y，且其中，w、h、c分别为初步特征对应的训练样本的宽度、高度、通道数。其中，上述聚合操作的公式为：
113.最大池化公式：y＝max
x∈x
x，
ꢀꢀ
(公式1)；
114.平均池化公式：
115.gem池化公式：
116.注意力池化公式：
117.其中：x为参与聚合操作的初步特征，y为聚合操作得到的全局特征，α是gem池化的控制系数，wc是注意力池化的权重。
118.步骤705中：对全局特征进行维度缩减操作，得到训练样本的特征向量。
119.在一些可能的实施例中，为了简约后续的算力，便于计算特征向量之间的距离，为了避免内部协变位移以及加速特征提取模型收敛，因此在得到全局特征之后，需要对全局特征进行维度缩减操作或进行归一化操作。在本技术中，假设输入的全局特征为：x：b＝{x1,x2,
…
,xm}，归一化输出为{yi＝bn
γ,β
}；则归一化公式可以为以下中的任一个：
[0120][0121][0122][0123][0124]
其中，x为全局特征，γ为可学习参数scale，β为可学习参数shift，ε是为保证数值稳定性添加到批归一化方差的常数。
[0125]
步骤602中：根据训练样本的预设特征向量与特征提取模型输出的特征向量之间的距离确定特征提取模型的损失值；
[0126]
在本技术中，损失可以为交叉熵损失、三元组损失、arcface损失、circle损失中的任一种，本技术对此不作限定。
[0127]
在一些可能的实施例中，特征向量之间的距离可以为欧氏距离，也可以为余弦距离，假设特征提取模型输出的特征向量a＝[a1,
…
,an]，数据库中存储的特征向量b＝[b1,
…
,bn]。其中，特征向量之间的欧式距离公式为：
[0128][0129]
特征向量之间的余弦距离为：
[0130][0131]
其中，n为特征向量a，b中包含的数量。
[0132]
步骤603中：根据特征提取模型的损失值调整初始特征提取模型的模型参数。
[0133]
在本技术中，通过计算损失值可以计算预测值和真实值之间的差距，然后反向更新特征提取模型参数，使特征提取模型得到的特征向量更加准确。
[0134]
在介绍了本技术的特征提取模型后，下面对本技术中的数据库进行详细说明，如图8所示：
[0135]
步骤801中：获取目标对象的图像以及目标对象的车辆信息；
[0136]
在本技术中，为了减少人力资源，因此可以采集包含目标对象的图像，然后通过对包含目标对象的图像进行目标检测，从包含目标对象的图中确定出目标对象的位置，并根据该位置裁剪出目标对象的图像。
[0137]
例如：如图9所示，从包含车辆a的图像中确定出目标对象a的位置，并裁剪得到车辆a的图像。
[0138]
步骤802中：将目标对象的图像输入特征提取模型，得到特征提取模型输出的特征向量；
[0139]
在本技术中，该特征提取模型即为上述本技术实施例中训练得到的特征提取模型，将图9中的目标对象a的图像输入特征提取模型，得到目标对象a的特征向量。在得到目标对象a的特征向量时可以将目标对象a的正视图，俯视图，侧视图以及所有颜色的图像均作为特征提取模型的输入。进而可以使得数据库更丰富。
[0140]
步骤803中：采用目标对象的图像、特征向量以及目标对象的车辆信息构建数据库。
[0141]
在本技术实施例中，在得到目标对象a的特征向量后，将目标对象a的特征向量与目标对象a的车辆信息进行关联，并存储至数据库中，进而数据库中就包含了目标对象a的车辆信息以及与目标对象a的车辆信息关联的至少一个特征向量。
[0142]
例如：目标对象a的白色侧视图对应的特征向量为a，白色正视图对应的特征向量为b，黑车俯视图对应的特征向量为c；则目标对象a的车辆信息关联的特征向量为a、b、c。
[0143]
在本技术中，在确定目标对象的特征向量与数据库中存储的每个特征向量的距离之后，为了便于快速的确定出与目标对象的特征向量距离最小的特征向量，因此可以按照
预设顺序对目标对象的特征向量与数据库中存储的每个特征向量的距离进行排序，其中预设顺序为从小至大，通过该方法则可以选择序列中的第一个作为与目标对象的特征向量距离最小的特征向量。且在本技术中，通过构建数据库的方式，在存在新增的车辆信息时，仅需将该新增车辆的车辆信息存储至数据库中即可完成车辆信息的确定，无需重新训练模型，使得本技术更具普适性。
[0144]
如图10所示，基于相同的发明构思，提出一种车辆信息确定装置1000，包括：
[0145]
目标检测模块10001，用于对包含目标对象的图像进行目标检测，确定所述目标对象在所述包含目标对象的图像中的位置；
[0146]
定位模块10002，用于根据所述位置从所述包含目标对象的图像中裁剪出所述目标对象的图像；
[0147]
特征向量确定模块10003，用于将所述目标对象的图像输入预先训练好的特征提取模型，得到所述目标对象的特征向量；
[0148]
距离确定模块10004，用于确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离；其中所述数据库中包括多个车辆信息以及与每个所述车辆信息对应的特征向量；
[0149]
车辆信息确定模块10005，用于将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息。
[0150]
在一些可能的实施例中，所述特征提取模型是根据以下方法训练的：
[0151]
获取训练对象的图像；
[0152]
对所述训练对象的图像进行数据增强处理，得到数据增强后的图像；
[0153]
采用所述数据增强后的图像构建训练样本集；
[0154]
将所述训练样本集中的训练样本输入所述初始特征提取模型，采用迭代的方式对所述初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为所述特征提取模型；
[0155]
每轮迭代过程如下：
[0156]
将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量；
[0157]
根据所述训练样本的预设特征向量与所述初始特征提取模型输出的特征向量之间的距离确定所述初始特征提取模型的损失值；
[0158]
根据所述特征提取模型的损失值调整所述初始特征提取模型的模型参数。
[0159]
在一些可能的实施例中，所述将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量，包括：
[0160]
针对所述训练样本集中的每个训练样本，将所述训练样本缩放至预设尺寸；
[0161]
对所述缩放后的训练样本进行归一化操作，得到归一化后的训练样本；
[0162]
采用骨干网络对所述归一化后的训练样本进行初步特征提取，得到所述归一化后的训练样本的多个初步特征；
[0163]
对所述多个初步特征进行聚合操作，得到所述归一化后的训练样本的全局特征；
[0164]
对所述全局特征进行维度缩减操作，得到所述训练样本的特征向量。
[0165]
在一些可能的实施例中，所述数据库是根据以下方法得到的：
[0166]
获取目标对象的图像以及所述目标对象的车辆信息；
[0167]
将所述目标对象的图像输入所述特征提取模型，得到所述特征提取模型输出的特征向量；
[0168]
采用所述目标对象的图像、所述特征向量以及所述目标对象的车辆信息构建所述数据库。
[0169]
在一些可能的实施例中，所述确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离之后，所述方法还包括：
[0170]
按照预设顺序对所述目标对象的特征向量与数据库中存储的每个特征向量的距离进行排序。
[0171]
在介绍了本技术示例性实施方式的车辆信息确定方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
[0172]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0173]
在一些可能的实施方式中，根据本技术的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的车辆信息确定方法中的步骤。
[0174]
下面参照图11来描述根据本技术的这种实施方式的电子设备130。图11显示的电子设备130仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0175]
如图11所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
[0176]
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0177]
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(rom)1323。
[0178]
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0179]
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口135进行。并且，电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图11中未示出，可以结合电子设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据
备份存储系统等。
[0180]
在一些可能的实施方式中，本技术提供的一种车辆信息确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本技术各种示例性实施方式的一种车辆信息确定方法中的步骤。
[0181]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0182]
本技术的实施方式的用于车辆信息确定的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，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。
[0183]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0184]
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0185]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0186]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0187]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0188]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0189]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0190]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0191]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0192]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
技术特征：1.一种车辆信息确定方法，其特征在于，所述方法包括：对包含目标对象的图像进行目标检测，确定所述目标对象在所述包含目标对象的图像中的位置；根据所述位置从所述包含目标对象的图像中裁剪出所述目标对象的图像；将所述目标对象的图像输入预先训练好的特征提取模型，得到所述目标对象的特征向量；确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离；其中所述数据库中包括多个车辆信息以及与每个所述车辆信息对应的特征向量；将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息。2.根据权利要求1所述的方法，其特征在于，所述特征提取模型是根据以下方法训练的：获取训练对象的图像；对所述训练对象的图像进行数据增强处理，得到数据增强后的图像；采用所述数据增强后的图像构建训练样本集；将所述训练样本集中的训练样本输入所述初始特征提取模型，采用迭代的方式对所述初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为所述特征提取模型；每轮迭代过程如下：将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量；根据所述训练样本的预设特征向量与所述初始特征提取模型输出的特征向量之间的距离确定所述初始特征提取模型的损失值；根据所述初始特征提取模型的损失值调整所述初始特征提取模型的模型参数。3.根据权利要求2所述的方法，其特征在于，所述将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量，包括：针对所述训练样本集中的每个训练样本，将所述训练样本缩放至预设尺寸；对所述缩放后的训练样本进行归一化操作，得到归一化后的训练样本；采用骨干网络对所述归一化后的训练样本进行初步特征提取，得到所述归一化后的训练样本的多个初步特征；对所述多个初步特征进行聚合操作，得到所述归一化后的训练样本的全局特征；对所述全局特征进行维度缩减操作，得到所述训练样本的特征向量。4.根据权利要求1所述的方法，其特征在于，所述数据库是根据以下方法得到的:获取目标对象的图像以及所述目标对象的车辆信息；将所述目标对象的图像输入所述特征提取模型，得到所述特征提取模型输出的特征向量；采用所述目标对象的图像、所述特征向量以及所述目标对象的车辆信息构建所述数据库。5.根据权利要求1-4任一项所述的方法，其特征在于，所述确定所述目标对象的特征向
量与数据库中存储的每个特征向量的距离之后，所述方法还包括：按照预设顺序对所述目标对象的特征向量与数据库中存储的每个特征向量的距离进行排序，将位于序列中第一的特征向量作为与所述目标对象的特征向量距离最小的特征向量，其中，所述预设顺序为从小到大。6.一种车辆信息确定装置，其特征在于，所述装置包括：目标检测模块，用于对包含目标对象的图像进行目标检测，确定所述目标对象在所述包含目标对象的图像中的位置；定位模块，用于根据所述位置从所述包含目标对象的图像中裁剪出所述目标对象的图像；特征向量确定模块，用于将所述目标对象的图像输入预先训练好的特征提取模型，得到所述目标对象的特征向量；距离确定模块，用于确定所述目标对象的特征向量与数据库中存储的每个特征向量的距离；其中所述数据库中包括多个车辆信息以及与每个所述车辆信息对应的特征向量；车辆信息确定模块，用于将与所述目标对象的特征向量距离最小的特征向量对应的车辆信息作为所述目标对象的车辆信息。7.根据权利要求6所述的装置，其特征在于，所述特征提取模型是根据以下方法训练的：获取训练对象的图像；对所述训练对象的图像进行数据增强处理，得到数据增强后的图像；采用所述数据增强后的图像构建训练样本集；将所述训练样本集中的训练样本输入所述初始特征提取模型，采用迭代的方式对所述初始特征提取模型进行训练，直至满足预设收敛条件，将迭代结束的初始特征提取模型作为所述特征提取模型；每轮迭代过程如下：将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量；根据所述训练样本的预设特征向量与所述初始特征提取模型输出的特征向量之间的距离确定所述初始特征提取模型的损失值；根据所述初始特征提取模型的损失值调整所述初始特征提取模型的模型参数。8.根据权利要求7所述的装置，其特征在于，所述将所述训练样本集中的训练样本输入所述初始特征提取模型，得到所述初始特征提取模型输出的特征向量，包括：针对所述训练样本集中的每个训练样本，将所述训练样本缩放至预设尺寸；对所述缩放后的训练样本进行归一化操作，得到归一化后的训练样本；采用骨干网络对所述归一化后的训练样本进行初步特征提取，得到所述归一化后的训练样本的多个初步特征；对所述多个初步特征进行聚合操作，得到所述归一化后的训练样本的全局特征；对所述全局特征进行维度缩减操作，得到所述训练样本的特征向量。9.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被
所述至少一个处理器执行，以实现如权利要求1至5中任一项所述的方法。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机能够执行如权利要求1-5任一项所述的方法。
技术总结本申请公开了一种车辆信息确定方法、装置、电子设备和存储介质，用于提高车辆信息的识别效率。本申请中将目标对象的图像输入预先训练好的特征提取模型，得到目标对象的特征向量；确定该特征向量与数据库中存储的每个特征向量的距离；将与目标对象的特征向量距离最小的特征向量对应的车辆信息作为目标对象的车辆信息。本申请中采用特征提取模型来提取目标对象的特征向量，并与数据库中特征向量进行比较，从而确定目标对象的车辆信息；提高了对目标对象的车辆信息识别的准确性，且识别过程无需人工参与，节省人力资源；通过构建数据库的方式，在存在新增车辆信息时，仅需将该车辆信息存储至数据库中即可，无需重新训练模型，使得本申请更具普适性。得本申请更具普适性。得本申请更具普适性。
技术研发人员：陈岩 梁丞瑜 李文成 樊庆宇 黄晨曦 王军鹏 简铮
受保护的技术使用者：天翼云科技有限公司
技术研发日：2022.07.20
技术公布日：2022/11/1
