训练方法、图像特征提取方法、图像识别方法及装置

摘要

本公开涉及神经网络的训练方法、图像特征提取方法、图像识别方法及装置、电子设备和存储介质，所述神经网络的训练方法包括：将车辆样本图像输入车辆识别网络，得到车辆样本特征以及车辆分类结果；将车牌样本图像输入车牌识别网络，得到车牌样本特征以及车牌分类结果；根据车辆样本特征、车辆分类结果以及车牌分类结果中的至少一种，确定车辆训练损失；根据车牌样本特征、车牌分类结果以及车辆分类结果中的至少一种，确定车牌训练损失；根据车辆训练损失以及车牌训练损失，优化车辆识别网络以及车牌识别网络。本公开实施例可实现提高训练后的车辆识别网络及车牌识别网络提取特征的精度。

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及神经网络的训练方法、图像特征提取方法、图像识别方法及装置、电子设备和存储介质。

背景技术

车辆重识别是智能交通、高速缉逃等领域的一项重要技术。车辆重识别指的是判断不同摄像头拍摄下的视频或图像中的车辆，是否为同一辆车。因为不同摄像头拍摄的角度、光线、分辨率等因素，以及车速不固定产生的运动模糊等原因，通过识别车牌字符来对车辆进行识别的方式，存在识别准确率低等问题。

发明内容

本公开提出了神经网络的训练、图像特征提取及图像识别的技术方案。

根据本公开的一方面，提供了一种神经网络的训练方法，所述神经网络包括车辆识别网络以及车牌识别网络，所述方法包括：将车辆样本图像输入所述车辆识别网络，得到车辆样本特征以及车辆分类结果；将车牌样本图像输入所述车牌识别网络，得到车牌样本特征以及车牌分类结果，其中，所述车牌样本图像为所述车辆样本图像中车牌所在区域的图像；根据所述车辆样本特征、所述车辆分类结果以及所述车牌分类结果中的至少一种，确定车辆训练损失；根据所述车牌样本特征、所述车牌分类结果以及所述车辆分类结果中的至少一种，确定车牌训练损失；根据所述车辆训练损失以及所述车牌训练损失，优化所述车辆识别网络以及所述车牌识别网络。

在一种可能的实现方式中，所述车辆训练损失包括以下至少一种：基于所述车辆样本特征确定的车辆度量损失，基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车辆分类结果确定的车辆分类损失；所述车牌训练损失包括以下至少一种：基于所述车牌样本特征确定的车牌度量损失，所述基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车牌分类结果确定的车牌分类损失。

在一种可能的实现方式中，根据所述车辆样本特征、所述车辆分类结果以及所述车牌分类结果中的至少一种，确定车辆训练损失，包括：根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，根据所述车辆分类结果与所述车辆样本图像的车辆分类标签之间的差异，确定所述车辆分类损失；和/或，根据所述车辆样本特征与所述车辆样本图像的车辆相似标签之间的差异，确定所述车辆度量损失；其中，所述车辆分类标签用于指示所述车辆样本图像中车辆的类别，所述车辆相似标签用于指示与所述车辆样本图像相似度最高的样本图像的特征以及与所述车辆样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，根据所述车牌样本特征、所述车牌分类结果以及所述车辆分类结果中的至少一种，确定车牌训练损失，包括：根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，根据所述车牌分类结果与所述车牌样本图像的车牌分类标签之间的差异，确定所述车牌分类损失；和/或，根据所述车牌样本特征与所述车牌样本图像的车牌相似标签之间的差异，确定所述车牌度量损失；其中，所述车牌分类标签用于指示所述车牌样本图像中车牌的类别，所述车牌相似标签用于指示与所述车牌样本图像相似度最高的样本图像的特征以及与所述车牌样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，所述车辆样本图像包括针对同一车辆的多个车辆图像；所述车牌样本图像是所述车辆样本图像中车牌所在区域的图像。

根据本公开的一方面，提供了一种图像特征提取方法，所述方法包括：获取待识别的车辆图像；将所述待识别的车辆图像输入神经网络，通过所述神经网络提取出所述车辆图像的车辆特征和/或车牌特征；其中，所述神经网络通过如上任一项神经网络的训练方法训练得到。

根据本公开的一方面，提供了一种图像识别方法，所述方法包括：获取待识别的车辆图像，所述车辆图像包含车牌区域的车牌图像；根据从所述车辆图像中提取的车辆特征和/或车牌特征，确定所述车辆图像的识别结果；其中，所述车辆特征通过如上任一项神经网络的训练方法训练得到的车辆识别网络从所述车辆图像中提取；所述车牌特征通过如上任一项神经网络的训练方法训练得到的车牌识别网络从所述车辆图像中提取。

在一种可能的实现方式中，根据从所述车辆图像中提取的车辆特征和/或车牌特征，确定所述车辆图像的识别结果，包括：将所述车辆特征与所述车牌特征进行融合，得到融合特征；根据所述融合特征，确定所述车辆图像的识别结果。

在一种可能的实现方式中，根据所述融合特征，确定所述车辆图像的识别结果，包括：确定目标库中是否存在与所述融合特征对应的第一匹配特征；在所述目标库中存在与所述融合特征对应的第一匹配特征情况下，将与所述第一匹配特征对应的车辆标识，确定为所述识别结果。

在一种可能的实现方式中，根据从所述车辆图像中提取的车辆特征和/或车牌特征，确定所述车辆图像的识别结果，还包括：在车牌库中存在与所述车牌特征对应的第二匹配特征的情况下，将与所述第二匹配特征对应的车牌标识，确定为所述识别结果；和/或，在车辆库中存在与所述车辆特征对应的第三匹配特征的情况下，将与所述第三匹配特征对应的车辆标识，确定为所述识别结果。

根据本公开的一方面，提供了一种神经网络的训练装置，所述神经网络包括车辆识别网络以及车牌识别网络，所述装置包括：第一处理模块，用于将车辆样本图像输入所述车辆识别网络，得到车辆样本特征以及车辆分类结果；第二处理模块，用于将车牌样本图像输入所述车牌识别网络，得到车牌样本特征以及车牌分类结果，其中，所述车牌样本图像为所述车辆样本图像中车牌所在区域的图像；车辆训练损失确定模块，用于根据所述车辆样本特征、所述车辆分类结果以及所述车牌分类结果中的至少一种，确定车辆训练损失；车牌训练损失确定模块，用于根据所述车牌样本特征、所述车牌分类结果以及所述车辆分类结果中的至少一种，确定车牌训练损失；优化模块，用于根据所述车辆训练损失以及所述车牌训练损失，优化所述车辆识别网络以及所述车牌识别网络。

在一种可能的实现方式中，所述车辆训练损失包括以下至少一种：基于所述车辆样本特征确定的车辆度量损失，基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车辆分类结果确定的车辆分类损失；所述车牌训练损失包括以下至少一种：基于所述车牌样本特征确定的车牌度量损失，所述基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车牌分类结果确定的车牌分类损失。

在一种可能的实现方式中，车辆训练损失确定模块，包括：蒸馏损失确定子模块，用于根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，车辆分类损失确定子模块，用于根据所述车辆分类结果与所述车辆样本图像的车辆分类标签之间的差异，确定所述车辆分类损失；和/或，车辆度量损失确定子模块，用于根据所述车辆样本特征与所述车辆样本图像的车辆相似标签之间的差异，确定所述车辆度量损失；其中，所述车辆分类标签用于指示所述车辆样本图像中车辆的类别，所述车辆相似标签用于指示与所述车辆样本图像相似度最高的样本图像的特征以及与所述车辆样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，车牌损失确定模块，包括：所述蒸馏损失确定子模块，用于根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，车牌分类损失确定子模块，用于根据所述车牌分类结果与所述车牌样本图像的车牌分类标签之间的差异，确定所述车牌分类损失；和/或，车牌度量损失确定子模块，用于根据所述车牌样本特征与所述车牌样本图像的车牌相似标签之间的差异，确定所述车牌度量损失；其中，所述车牌分类标签用于指示所述车牌样本图像中车牌的类别，所述车牌相似标签用于指示与所述车牌样本图像相似度最高的样本图像的特征以及与所述车牌样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，所述车辆样本图像包括针对同一车辆的多个车辆图像；所述车牌样本图像是所述车辆样本图像中车牌所在区域的图像。

根据本公开的一方面，提供了一种图像特征提取装置，包括：获取模块，用于获取待识别的车辆图像；提取模块，用于将所述待识别的车辆图像输入神经网络，通过所述神经网络提取出所述车辆图像的车辆特征和/或车牌特征；其中，所述神经网络通过如上任一项神经网络的训练方法训练得到。

根据本公开的一方面，提供了一种图像识别装置，包括：图像获取模块，用于获取待识别的车辆图像，所述车辆图像包含车牌区域的车牌图像；识别模块，用于根据从所述车辆图像中提取的车辆特征和/或车牌特征，确定所述车辆图像的识别结果；其中，所述车辆特征通过如上任一项神经网络的训练方法训练得到的车辆识别网络从所述车辆图像中提取；所述车牌特征通过如上任一项神经网络的训练方法训练得到的车牌识别网络从所述车辆图像中提取。

在一种可能的实现方式中，识别模块，包括：融合模块，用于将所述车辆特征与所述车牌特征进行融合，得到融合特征；第一识别子模块，用于根据所述融合特征，确定所述车辆图像的识别结果。

在一种可能的实现方式中，根据所述融合特征，确定所述车辆图像的识别结果，包括：确定目标库中是否存在与所述融合特征对应的第一匹配特征；在所述目标库中存在与所述融合特征对应的第一匹配特征情况下，将与所述第一匹配特征对应的车辆标识，确定为所述识别结果。

在一种可能的实现方式中，识别模块，还包括：第二识别子模块，用于在车牌库中存在与所述车牌特征对应的第二匹配特征的情况下，将与所述第二匹配特征对应的车牌标识，确定为所述识别结果；和/或，第三识别子模块，用于在车辆库中存在与所述车辆特征对应的第三匹配特征的情况下，将与所述第三匹配特征对应的车辆标识，确定为所述识别结果。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，利用车牌训练损失及车辆训练损失，不仅可以实现车辆识别网络与车牌识别网络自身的监督学习，还可以实现车辆识别网络与车牌识别网络之间的互相学习，能够提高训练后的车辆识别网络提取车辆特征的精度，及提高训练后的车辆识别网络提取车牌特征的精度，进而在使用训练后的车辆识别网络和/或训练后的车牌识别网络，对车辆和/车牌进行识别时，可提高识别的准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的神经网络的训练方法的流程图。

图2示出根据本公开实施例的神经网络的网络结构示意图。

图3示出根据本公开实施例的图像特征提取方法的流程图。

图4示出根据本公开实施例的图像识别方法的流程图。

图5示出根据本公开实施例的神经网络的训练装置的框图。

图6示出根据本公开实施例的图像特征提取装置的框图。

图7示出根据本公开实施例的图像识别装置的框图。

图8示出根据本公开实施例的一种电子设备的框图。

图9示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“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。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的神经网络的训练方法的流程图，所述训练方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现，或者，可通过服务器执行所述方法。如图1所示，所述训练方法包括：

在步骤S11中，将车辆样本图像输入车辆识别网络，得到车辆样本特征以及车辆分类结果；

在步骤S12中，将车牌样本图像输入车牌识别网络，得到车牌样本特征以及车牌分类结果，其中，车牌样本图像为车辆样本图像中车牌所在区域的图像；

在步骤S13中，根据车辆样本特征、车辆分类结果以及车牌分类结果中的至少一种，确定车辆训练损失；

在步骤S14中，根据车牌样本特征、车牌分类结果以及车辆分类结果中的至少一种，确定车牌训练损失；

在步骤S15中，根据车辆训练损失以及车牌训练损失，优化车辆识别网络以及车牌识别网络。

其中，车辆样本图像可是图像采集设备(例如摄像头)所采集的图像或视频帧等，也可以是其它电子设备传输的图像，或从本地存储中调用的图像，对此本公开实施例不作限制。车牌样本图像可是从车辆样本图像中剪裁出的车牌所在区域的图像。

在一种可能的实现方式中，车辆样本图像可包括针对同一车辆的多个车辆图像，可理解为，针对同一辆车由不同摄像头拍摄的不同车辆图像；车牌样本图像是所述车辆样本图像中车牌所在区域的图像，车牌样本图像可包括针对同一车牌的多个车牌图像，可以认为是，从同一辆车的不同车辆图像中提取的车牌图像。

在一种可能的实现方式中，可以对车辆样本图像及车牌样本图像进行预处理，例如，图像归一化，即将车辆样本图像及车牌样本图像归一化到指定尺寸；对车辆样本图像进行随机擦除、随机裁剪等增强处理，对此本公开实施例不作限制。其中，指定尺寸可表征车辆识别网络与车牌识别网络各自所需的输入图像的尺寸，例如可以包括：256×256分辨率的车辆样本图像，96×96分辨率的车牌样本图像。

在一种可能的实现方式中，车辆识别网络及车牌识别网络，例如可以采用卷积神经网络、RetinaNet、GoogleNet(谷歌网络)、vggNet(vgg网络)、ShuffleNet(一种用于移动设备的高效卷积神经网络)、IBN-Resnet(一种组合实例正则化(Instancenormalization)、批标准化(Batch Normalization及残差Resnet的网络)、EffientNet(一种再思考模型缩放的卷积神经网络)、HRNet(High-Resoultion Net，高分辨率网络)等。对于车辆识别网络及车牌识别网络的网络结构及训练方式，本公开实施例不作限制。

应理解的是，通过车辆识别网络及车牌识别网络，可分别提取车辆样本图像的车辆样本特征及车牌样本图像的车牌样本特征；并可分别基于提取的车辆样本特征确定车辆分类结果，以及基于提取的车牌样本特征确定车牌分类结果。

其中，车辆分类结果，例如可以是车辆样本图像的车辆标识，可以理解为，车辆样本图像中的车辆是哪辆车。车牌分类结果，例如可以是车牌样本图像的车牌标识，可以理解为，车牌样本图像中的车牌是哪辆车的车牌。

在一种可能的实现方式中，在步骤S13中，根据车辆样本特征、车辆分类结果以及车牌分类结果中的至少一种，确定车辆训练损失，可包括：基于车辆样本特征确定车辆度量损失；和/或，基于车辆分类结果与车牌分类结果确定蒸馏损失；和/或，基于车辆分类结果确定车辆分类损失。

应理解的是，上述车辆训练损失可包括以下至少一种：基于车辆样本特征确定的车辆度量损失，基于车辆分类结果与车牌分类结果确定的蒸馏损失，以及基于车辆分类结果确定的车辆分类损失。

在一种可能的实现方式中，在步骤S14中，根据车牌样本特征、车牌分类结果以及车辆分类结果中的至少一种，确定车牌训练损失，可包括：基于车牌样本特征确定车牌度量损失；和/或，基于车辆分类结果与车牌分类结果确定蒸馏损失；和/或，基于车牌分类结果确定车牌分类损失。

其中，上述车牌训练损失可包括以下至少一种：基于车牌样本特征确定的车牌度量损失，基于车辆分类结果与车牌分类结果确定的蒸馏损失，以及基于车牌分类结果确定的车牌分类损失。

应理解的是，可采用本领域任何已知的损失函数分别确定车牌度量损失、车辆度量损失、蒸馏损失、车牌分类损失以及车辆分类损失，例如可采用度量学习损失函数计算车牌度量损失及车辆度量损失；可采用KL散度(Kullback–Leibler divergence，又称为相对熵、信息熵)损失函数计算蒸馏损失；可采用分类损失函数确定车牌分类损失以及车辆分类损失，对此本公开实施例不作限制。

其中，度量学习损失函数例如可以采用以下任意一种：三元组损失函数、四元组损失函数、二元组损失函数等；分类损失函数可例如包括以下任意一种：焦点损失Focal loss函数、交叉熵损失函数、arcface(一种用于深度人脸识别的最大边距反余弦损失算法)损失函数、cosface(一种用于深度人脸识别的最大边距余弦损失算法)损失函数等。

图2示出根据本公开实施例的神经网络的网络结构示意图。如图2所示，神经网络可包括上部分的车辆识别网络以及下部分的车牌识别网络，其中，车辆识别网络及车辆识别网络的网络结构类似，在此以车辆识别网络为例说明网络结构及网络处理过程。

如图2所示，车辆识别网络可以包括特征提取层(可称为骨干网络)，用于对输入的车辆样本图像进行特征提取。其中，车辆识别网络的特征提取层可以采用残差网络Resnet50，车辆识别网络的特征提取层可以采用残差网络Resnet18。可以理解的是，特征提取层，还可以采用其它类型的网络结构，例如，RetinaNet、googlenet、vggnet、shufflenet、IBN-Resnet、EffientNe、HRNet等，对此本公开实施例不作限制。其中，特征提取层中卷积核的移动步长可以设为1，以增加输出特征图的分辨率(也即尺寸)。

如图2所示，车辆识别网络可以包括池化层，用于对特征提取层提取的特征进行池化处理，例如得到N维特征向量。其中，池化处理，可以是全局平均池化处理，也可以是最大池化处理，具体可依据实际需求设定，对此本公开实施例不作限制。

如图2所示，车辆识别网络可以包括批标准化层(Batch ormalization，BN)，用于对池化处理后的特征进行批标准化处理，例如，将N维特征向量批标准化至一个近似超球面的分布。

应理解的是，本公开实施例中的车辆样本特征，可以是车辆识别网络中池化层输出的特征，或是批标准化层输出的特征，对此本公开实施例不作限制。

如图2所示，车辆识别网络可以还包括全连接层(FC layers,Fully Connectedlayers)，也可称为softmax(归一化指数函数)层，用于将批标准化处理后的特征，映射到样本标记空间，得到车辆分类结果。

其中，图2中所示的三元组损失，可以是通过三元组损失函数计算的池化层输出的损失。标签损失，可以是通过上述已知的分类损失函数(例如focal loss)计算的全连接层输出的损失。KL损失，可以是KL散度损失函数计算的两个识别网络之间的蒸馏损失。

应理解的是，以上是对车辆识别网络的网络结构及网络处理过程的介绍，对于车辆识别网络的网络结构及网络处理过程与车辆识别网络相同，在此不做赘述。需要说明的是，图2示出的网络结构是本公开实施例提供的一种实现方式，本领域技术人员可根据实际需求，设计车辆识别网络及车牌识别网络的网络结构，对此本公开实施例不作限制。

在一种可能的实现方式中，在步骤S15中，根据车辆训练损失以及车牌训练损失，优化车辆识别网络以及车牌识别网络，可包括：根据车辆训练损失，通过随机梯度下降、反向传播等方式，优化车辆识别网络的网络参数；根据车牌训练损失，通过随机梯度下降、反向传播等方式，优化车牌识别网络的网络参数。

其中，在优化车辆识别网络及车牌识别网络时，由于可采用同一所述基于车辆分类结果与车牌分类结果确定蒸馏损失，也即利用车牌识别网络及车辆识别网络分别输出的软标签(即上述车辆标识、车牌标识)确定蒸馏损失，从而可实现车辆识别网络与车辆识别网络之间双向蒸馏学习，提高车辆识别网络及车辆识别网络的学习能力，使得车辆识别网络与车辆识别网络提取的特征信息更精准。

应理解的是，双向蒸馏学习可包括车辆到车牌的学习方向，也即可以认为是将车辆识别网络输出的车辆标识，作为车牌样本图像的标签；还可包括车牌到车辆的学习方向，也即可以认为是将车牌识别网络输出的车牌标识，作为车辆样本图像的标签。在根据蒸馏损失优化车辆识别网络及车牌识别网络时，可实现车牌到车辆及车辆到车牌之间的双向蒸馏学习。

在一种可能的实现方式中，双向蒸馏学习中学习的内容，除了上述软标签，还可包括以下至少一种：车牌样本特征与车辆样本特征之间的特征相似度、特征距离，以及车牌样本特征与车辆样本特征分别对应的添加注意力机制的特征图(可称为注意力图)等，对此本公开实施例不作限制。

其中，优化车牌识别网络及车辆识别网络可同时进行，也即车牌识别网络及车辆识别网络的训练同时进行。应理解的是，网络训练可包括多轮迭代训练，在迭代训练的过程中，可以通过调整学习率、样本图像数量、损失函数的参数(例如蒸馏损失中的蒸馏温度)、各损失函数的权重等，使得车辆训练损失与车牌训练损失收敛，得到训练后的车辆识别网络及训练后的车辆识别网络。

在本公开实施例中，不仅可以实现车辆识别网络与车牌识别网络自身的监督学习，还可以实现车辆识别网络与车牌识别网络之间的互相学习，能够提高训练后的车辆识别网络提取车辆特征的精度，及提高训练后的车辆识别网络提取车牌特征的精度，进而在使用训练后的车辆识别网络和/或训练后的车牌识别网络，对车辆和/或车牌进行识别时，可提高识别的准确度。

在一种可能的实现方式中，在步骤S13中，根据车辆样本特征、车辆分类结果以及车牌分类结果中的至少一种，确定车辆训练损失，包括：

根据车辆分类结果与车牌分类结果之间的相对熵，确定蒸馏损失；和/或，根据车辆分类结果与车辆样本图像的车辆分类标签之间的差异，确定车辆分类损失；和/或，根据车辆样本特征与车辆样本图像的车辆相似标签之间的差异，确定车辆度量损失；

其中，车辆分类标签用于指示车辆样本图像中车辆的类别，车辆相似标签用于指示与车辆样本图像相似度最高的样本图像的特征以及与车辆样本图像相似度最低的样本图像的特征。

如上所述，相对熵也即KL散度、可基于KL散度损失函数计算蒸馏损失。在一种可能的实现方式中，可通过公式(1)确定蒸馏损失L：

L＝0.5T

其中，KL()代表KL散度损失函数，G

其中，车辆分类标签用于指示车辆样本图像中车辆的类别，可理解为，用于指示车辆样本图像中的车辆是哪辆车；应理解的是，可通过上述分类损失函数，根据车辆分类结果(也即车辆识别网络输出的车辆标识)与车辆样本图像的车辆分类标签之间的差异，确定车辆分类损失。通过该方式，可实现车辆识别网络的自监督学习。

可以理解的是，两个图像的相似度最低，可认为两图像的图像特征之间的距离最远；两个图像的相似度最高，可认为两图像的图像特征之间的距离最近。与车辆样本图像相似度最高的样本图像，也即与车辆样本图像的图像特征距离最近的样本图像，例如可以是同一辆车的不同样本图像；与车辆样本图像相似度最低的样本图像，也即与车辆样本图像的图像特征距离最远的样本图像，例如可以是不同车辆的样本图像。

其中，车辆相似标签可包括与车辆样本图像相似度最高的样本图像的图像特征以及与车辆样本图像相似度最低的样本图像的图像特征，以便于基于车辆样本特征与车辆样本图像的车辆相似标签之间的差异，确定车辆度量损失。

应理解的是，可通过上述度量损失函数，实现根据车辆样本特征与车辆样本图像的车辆相似标签所指示的与车辆样本图像相似度最高的样本图像的特征以及与车辆样本图像相似度最低的样本图像的特征之间的差异，确定车辆度量损失；通过该方式，能够利用度量学习的方式训练车辆识别网络，使得车辆识别网络提取的车辆特征更精准。

在本公开实施例中，可有效确定出车辆训练损失，以提高车辆识别网络的训练精度，从而提高训练后的车辆识别网络提取的车辆特征的精度。

在一种可能的实现方式中，在步骤S14中，根据车牌样本特征、车牌分类结果以及车辆分类结果中的至少一种，确定车牌训练损失，包括：

根据车辆分类结果与车牌分类结果之间的相对熵，确定蒸馏损失；和/或，根据车牌分类结果与车牌样本图像的车牌分类标签之间的差异，确定车牌分类损失；和/或，根据车牌样本特征与车牌样本图像的车牌相似标签之间的差异，确定车牌度量损失；

其中，车牌分类标签用于指示车牌样本图像中车牌的类别，车牌相似标签用于指示与车牌样本图像相似度最高的样本图像的特征以及与车牌样本图像相似度最低的样本图像的特征。

其中，根据车辆分类结果与车牌分类结果之间的相对熵，确定蒸馏损失，可参照上述本公开实施例确定蒸馏损失的方式，在此不做赘述。

其中，车牌分类标签用于指示车牌样本图像中车牌的类别，可理解为，用于指示车牌样本图像中的车牌是哪辆车的车牌；应理解的是，可通过上述分类损失函数，根据车牌分类结果(也即车牌识别网络输出的车牌标识)与车牌样本图像的车牌分类标签之间的差异，确定车牌分类损失。通过该方式，可实现车牌识别网络的自监督学习。

如上所述，两个图像的相似度最低，可认为两个图像的图像特征之间的距离最远；两个图像的相似度最高，可认为两个图像的图像特征之间的距离最近。与车牌样本图像相似度最高的样本图像，也即与车牌样本图像的图像特征距离最近的样本图像，例如可以是同一车牌的不同样本图像；与车牌样本图像相似度最低的样本图像，也即与车牌样本图像的图像特征距离最远的样本图像，例如可以是不同车牌的样本图像。

其中，车牌相似标签可包括与车牌样本图像相似度最高的样本图像的图像特征以及与车牌样本图像相似度最低的样本图像的图像特征，以便于基于车牌样本特征与车牌样本图像的车牌相似标签之间的差异，确定车牌度量损失。

应理解的是，可通过上述度量损失函数，实现根据车牌样本特征与车牌样本图像的车牌相似标签所指示的与车牌样本图像相似度最高的样本图像的特征以及与车牌样本图像相似度最低的样本图像的特征之间的差异，确定车辆度量损失；通过该方式，能够利用度量学习的方式训练车牌识别网络，使得车牌识别网络提取的车牌特征更精准。

在本公开实施例中，可有效确定出车牌训练损失，以提高车牌识别网络的训练精度，从而提高训练后的车牌识别网络提取的车牌特征的精度。

图3示出根据本公开实施例的图像特征提取方法的流程图，如图3所示，所述图像特征提取方法包括：

在步骤S21中，获取待识别的车辆图像；

在步骤S22中，将待识别的车辆图像输入神经网络，通过神经网络提取出车辆图像的车辆特征和/或车牌特征；其中，神经网络通过上述本公开实施例的训练方法训练得到。

其中，车辆图像可是实际场景(如街道、小区)中的摄像头实时采集的图像，也可是其它电子设备传输的图像，或从本地存储中调用的图像，对此本公开实施例不作限制。

其中，神经网络可包括上述车牌识别网络和/或车辆识别网络，对于该神经网络的训练过程，可参照上述本公开实施例的车牌识别网络和/或车辆识别网络的训练过程在此不做赘述。

在本公开实施例中，通过上述本公开实施例的训练方法训练得到的神经网络，能够提高车辆图像中的车辆特征和/或车牌特征的提取精度，

图4示出根据本公开实施例的图像识别方法的流程图，如图4所示，所述图像识别方法包括：

在步骤S31中，获取待识别的车辆图像，车辆图像包含车牌区域的车牌图像；

在步骤S32中，根据从车辆图像中提取的车辆特征和/或车牌特征，确定车辆图像的识别结果。

其中，车辆特征通过上述本公开实施例的训练方法训练得到的车辆识别网络从车辆图像中提取；车牌特征通过上述本公开实施例的训练方法训练得到的车牌识别网络从车辆图像中提取。对于车辆识别网络及车牌识别网络的训练过程，可参照上述本公开实施例，在此不做赘述。

如上所述，车辆图像可是实际场景(如街道、小区)中的摄像头实时采集的图像，也可是其它电子设备传输的图像，或从本地存储中调用的图像，对此本公开实施例不作限制。

可以理解的是，车辆图像中的车辆可以包括一个或多个。在一种可能的实现方式中，在获取到车辆图像后，可以对车辆图像进行检测，得到车辆图像中各车辆的所在区域(也即车辆锚框指示的区域)；再根据各车辆的所在区域，得到与各车辆的所在区域对应的区域图像，将与各车辆的区域图像作为车辆图像。通过该方式，可以便于实现对车辆图像中的一个或多个车辆的高效识别。

其中，针对车牌图像中包括一个车辆的情况，也可以是直接对该车辆图像进行后续处理，得到该一个车辆的识别结果。

在一种可能的实现方式中，可以通过车辆检测网络对车辆图像进行检测，得到车辆图像中各车辆的所在区域。其中，车辆检测网络例如可以采用：R-CNN卷积神经网络、RetinaNet(一种残差网络Resnet+特征金字塔网络FPN结构的网络)等网络。对于车辆检测网络的网络结构及训练方式，本公开实施例不作限制。

应理解的是，车牌区域也即车辆图像中车牌所在的区域。在一种可能的实现方式中，可以通过车牌检测网络对车辆图像进行车牌检测，确定车辆图像中的车牌以及车牌的车牌区域(如车牌锚框指示的区域)。其中，车牌检测网络例如可以采用：R-CNN卷积神经网络、RetinaNet(残差Resnet+特征金字塔网络FPN)网络等。对于车牌检测网络的网络结构及训练方式，本公开实施例不作限制。

可以理解的是，由于某些地区中车辆存在一车多牌的情况，车牌可以包括一个或多个。通过对车牌图像进行车牌检测，可以得到车辆图像中的一个或多个车牌，以及一个或多个车牌各自的车牌区域(也即车牌锚框指示的区域)。通过该方式，可以便于实现对车辆图像中的一个或多个车牌的特征提取，从而可以结合车辆上全部或部分车牌的特征信息，实现对车辆高效准确地识别。

在一种可能的实现方式中，在步骤S32中，根据从车辆图像中提取的车辆特征和/或车牌特征，确定车辆图像的识别结果，可以包括：将车辆特征与车牌特征进行融合，得到融合特征；根据融合特征，确定车辆图像的识别结果。通过该方式，可以实现结合车辆的局部特征与车辆的整体特征对车辆图像进行识别，由于融合特征中的特征信息更加丰富，可以显著提高图像识别的准确率。

需要说明的是，本公开实施例中的车牌特征、车辆特征等，可用特征向量、或特征图等形式表征。其中，特征向量可以是N维的，特征图可以是N通道的，可依据车辆识别网络、车牌识别网络的网络结构确定表征形式，对此本公开实施例不作限制。

其中，可以采用特征拼接或特征相加等特征融合方式，将车辆特征及车牌特征进行融合。例如，将128维的车辆特征向量与128维的车牌特征向量进行拼接，可以得到256维的特征向量；将64通道的车辆特征图与64通道的车牌特征图进行相加，可以得到64通道的特征图。对于采用何种特征融合方式，本公开实施例不作限制。

其中，车辆图像的识别结果，也即车辆图像中车辆的标识，可理解为，车辆图像中的车辆是哪辆车。

在一种可能的实现方式中，所述方法还可以包括：根据车辆特征，确定车辆图像的识别结果。应理解的是，可以根据车辆识别网络输出的车辆特征，对车辆进行识别，也即，利用车辆的整体特征，不结合车牌表征的局部特征，来对车辆进行识别。

在一种可能的实现方式中，所述方法还可以包括：根据车牌特征，确定车辆图像的识别结果。应理解的是，可以根据车牌识别网络输出的车牌特征，对车牌进行识别，识别车牌可以相当于识别车辆，也即利用车牌表征的局部特征，不结合车辆的整体特征，来对车辆进行识别。

在一种可能的实现方式中，本公开实施例中的图像识别方法，可以应用于高速缉逃，智慧城市，安防监控等领域。

在本公开实施例中，能够结合车辆特征及车牌特征，对车辆图像进行识别，由于车辆中包含车牌，相当于结合车辆的局部特征(也即车牌表征的局部特征)与车辆的整体特征对车辆进行识别，可以显著提高车辆识别的准确率。

如上所述，可根据车辆特征与车牌特征的融合特征，确定车辆图像的识别结果。在一种可能的实现方式中，根据融合特征，确定车辆图像的识别结果，包括：

确定目标库中是否存在与融合特征对应的第一匹配特征；

在目标库中存在与融合特征对应的第一匹配特征情况下，将与第一匹配特征对应的车辆标识，确定为识别结果。

其中，目标库中可以存储有已识别出的车辆的融合特征，以及车辆的车辆标识。可以理解的是，目标库中存储的融合特征可是将各车辆的车辆特征与各车辆上车牌的车牌特征融合后的特征信息。

在一种可能的实现方式中，确定目标库中是否存在与融合特征对应的第一匹配特征，可以包括：根据车辆图像的融合特征与目标库中存储的各车辆的融合特征之间的相似度，确定目标库中是否存在与车辆图像的融合特征对应的第一匹配特征。通过该方式，可以实现对车辆的高效识别，也即对车辆图像中车辆的高效识别。

在一种可能的实现方式中，可以将目标库中与车辆图像的融合特征之间的相似度超过第一预设阈值的融合特征，确定为与车辆图像对应的第一匹配特征。其中，第一预设阈值的可根据实际需求设定，例如可设置90％，对此本公开实施例不作限制。

可以理解的是，两个特征之间的相似度越高，可以认为是，两个特征所分别指示的目标(车辆)，为同一目标(车辆)的概率越高。基于此，目标库中相似度超过第一预设阈值的第一匹配特征所指示的车辆，与从车辆图像中提取的融合特征所指示的车辆，可是同一车辆；进而可将与第一匹配特征对应的车辆标识，确定为车辆图像的识别结果，从而实现车辆图像中车辆的识别。

在一种可能的实现方式中，目标库中还可能不存在与融合特征对应的第一匹配特征，此时可以认为该车辆图像中的车辆可能是首次被拍摄到，目标库中未存储有该车辆的融合特征，在该情况下，可以将该车辆的融合特征及该车辆的车辆标识，存储在目标库中，以便于之后实现对该车辆的重识别。

根据本公开的实施例，能够根据融合特征，实现可以结合车辆的整体特征与局部特征的特征信息，对车辆图像进行识别，从而显著提高识别车辆的准确率。

如上所述，可分别根据车辆特征或车牌特征，确定车辆图像的识别结果。在一种可能的实现方式中，在步骤S32中，根据从车辆图像中提取的车辆特征和/或车牌特征，确定车辆图像的识别结果，还包括：

在车牌库中存在与车牌特征对应的第二匹配特征的情况下，将与第二匹配特征对应的车牌标识，确定为识别结果；和/或，

在车辆库中存在与车辆特征对应的第三匹配特征的情况下，将与第三匹配特征对应的车辆标识，确定为识别结果。

其中，车牌库中可以存储有已识别出的车辆的车牌特征，以及车辆上车牌的车牌标识。车辆库中可以存储有已识别出的车辆的车辆特征，以及车辆的车辆标识。

在一种可能的实现方式中，可根据从车辆图像中提取的车牌特征，与车辆库中存储的各车辆上车牌的车牌特征之间的相似度，确定车牌库中是否存在与车辆图像的车牌特征对应的第二匹配特征。

其中，可以将车牌库中与车辆图像的车牌特征之间的相似度超过第二预设阈值的车牌特征，确定为与车辆图像的车牌特征对应的第二匹配特征。其中，第二预设阈值的可根据实际需求设定，例如可设置90％，对此本公开实施例不作限制。

如上所述，两个特征之间的相似度越高，可以认为是，两个特征所分别指示的目标(车辆)，为同一目标(车辆)的概率越高，识别车牌相当于识别车辆。基于此，车牌库中相似度超过第二预设阈值的第二匹配特征所指示的车牌，与从车辆图像提取的车牌特征指示的车辆，可是同一车辆的车牌；进而可将与第二匹配特征对应的车牌标识，确定为车辆图像的识别结果，从而实现对车辆图像中车辆的识别。

在一种可能的实现方式中，可根据从车辆图像中提取的车辆特征，与车辆库中存储的各车辆的车辆特征之间的相似度，确定车辆库中是否存在与车辆图像的车辆特征对应的第三匹配特征。

其中，可以将车辆库中与车辆图像的车辆特征之间的相似度超过第三预设阈值的车辆特征，确定为与车辆图像的车辆特征对应的第三匹配特征。其中，第三预设阈值的可根据实际需求设定，例如可设置90％，对此本公开实施例不作限制。

如上所述，两个特征之间的相似度越高，可以认为是，两个特征所分别指示的目标(车辆)，为同一目标(车辆)的概率越高。基于此，车辆库中相似度超过第三预设阈值的第三匹配特征所指示的车辆，与从车辆图像提取的车辆特征所指示的车辆，可是同一车辆；进而可将与第三匹配特征对应的车辆标识，确定为车辆图像的识别结果，从而实现对车辆图像中车辆的识别。

在一种可能的实现方式中，车辆库与车牌库中还可能不存在与提取的车牌特征或车辆特征对应的匹配特征，此时可以认为该车辆图像中的车辆可能是首次被拍摄到，车辆库与车牌库中未存储有该车辆的车辆特征和车牌特征。在该情况下，可以该车辆的车辆特征和车牌特征及对应的车辆标识及车牌标识，分别存储在车辆库和车牌库中，以便于之后实现对该车辆的重识别。

根据本公开的实施例，能够利用车辆特征或车牌特征，也即分别利用车辆的整体特征与局部特征的特征信息，较为快速地对车辆图像进行识别。

根据本公开的实施例的神经网络的训练方法，能够实现车辆与车牌之间的双向知识蒸馏，从车辆特征中学习知识，辅助车牌特征的表达，从车牌特征中学习知识，辅助车辆识别。

根据本公开的实施例中的神经网络的训练方法，不同于大网络蒸馏小网络的方式，而是车辆和车牌之间的双向蒸馏学习，通过互相学习，使得车辆特征和车牌特征的提取精度更高。其中，用于提取车辆特征的车辆识别网络和用于提取车牌特征的车牌识别网络的网络框架可一样，主要区别可在于输入图像的尺寸不同。

根据本公开的实施例，结合度量学习的网络训练，优于分类学习、孪生网络等神经网络的训练。能够利用度量学习通过拉近正样本(相似度高的图像)的距离拉远负样本(相似度低的图像)的距离，来训练神经网络。通过度量学习训练的两个识别网络所提取的特征更适合检索识别任务，车牌识别、车辆识别的准确率有大幅度的提高。

根据本公开的实施例，基于软标签信息(即，用车辆识别结果输出的车辆分类结果(车辆标识)作为车牌样本图像的标签，用车牌识别结果输出的车牌分类结果(车牌标识)作为车辆样本图像的标签)，使用KL散度损失函数进行双向蒸馏学习的训练，使得两个网络的输出结果的空间分布趋向一致。在此基础上可以增加别的蒸馏学习内容(也即训练内容)，可以是特征相似度、注意力图、特征距离等。

根据本公开的实施例，可以利用车牌识别网络提取车牌特征，用于检索不同摄像头下的车辆上的车牌，也即可以利用车牌识别网络提取的车牌特征，用于验证两个车牌是否为同一个，这两个车牌的图像可以为肉眼难以识别的图像。

根据本公开的实施例，可以利用车辆识别网络提取车辆特征，用于检索不同摄像头下的车辆，也即可以利用车牌识别网络提取的车辆特征，用于验证两个车辆是否为同一个，这两个车辆的图像可以为肉眼难以识别的图像。

根据本公开的实施例，可以结合车牌识别网络提取的车牌特征与车辆识别网络提取的车辆特征，辅助车辆重识别，能够提升车辆重识别的性能、准确率等。

根据本公开实施例，双向蒸馏可以使得车辆识别网络和车牌识别网络互相学习知识，两个网络的特征学习的更好；能够提高提取车牌特征以及提取车辆特征的精度，同时可以提高车辆识别网络与车牌识别网络的网络性能，并可以不增加额外训练开销。

相关技术中，知识蒸馏的学习方向通常是单向的，蒸馏一般是小网络为学生网络，大网络为教师网络，教师网络向学生网络传递知识，根据本公开的实施例中神经网络的训练方法，是学生网络和老师网络之间互相传递知识，即双向传递知识。

相关技术中，知识蒸馏大多为大网络蒸馏小网络，或者不同模态之间的蒸馏，未涉及到这种扩展关系的额外信息之间的蒸馏。根据本公开的实施例，能够利用车辆特征和车牌特征进行双向蒸馏，对于车牌来说引入额外的车辆信息进行学习，对于车辆来说引入额外的车牌信息进行学习，同时提高了车牌特征和车辆特征的提取精度。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了神经网络的训练装置、图像特征提取装置、图像识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种神经网络的训练方法、图像特征提取方法、图像识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图5示出根据本公开实施例的神经网络的训练装置的框图，所述神经网络包括车辆识别网络以及车牌识别网络，如图5所示，所述装置包括：

第一处理模块101，用于将车辆样本图像输入所述车辆识别网络，得到车辆样本特征以及车辆分类结果；

第二处理模块102，用于将车牌样本图像输入所述车牌识别网络，得到车牌样本特征以及车牌分类结果，其中，所述车牌样本图像为所述车辆样本图像中车牌所在区域的图像；

车辆训练损失确定模块103，用于根据所述车辆样本特征、所述车辆分类结果以及所述车牌分类结果中的至少一种，确定车辆训练损失；

车牌训练损失确定模块104，用于根据所述车牌样本特征、所述车牌分类结果以及所述车辆分类结果中的至少一种，确定车牌训练损失；

优化模块105，用于根据所述车辆训练损失以及所述车牌训练损失，优化所述车辆识别网络以及所述车牌识别网络。

在一种可能的实现方式中，所述车辆训练损失包括以下至少一种：基于所述车辆样本特征确定的车辆度量损失，基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车辆分类结果确定的车辆分类损失；所述车牌训练损失包括以下至少一种：基于所述车牌样本特征确定的车牌度量损失，所述基于所述车辆分类结果与所述车牌分类结果确定的蒸馏损失，以及基于所述车牌分类结果确定的车牌分类损失。

在一种可能的实现方式中，车辆训练损失确定模块，包括：蒸馏损失确定子模块，用于根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，车辆分类损失确定子模块，用于根据所述车辆分类结果与所述车辆样本图像的车辆分类标签之间的差异，确定所述车辆分类损失；和/或，车辆度量损失确定子模块，用于根据所述车辆样本特征与所述车辆样本图像的车辆相似标签之间的差异，确定所述车辆度量损失；其中，所述车辆分类标签用于指示所述车辆样本图像中车辆的类别，所述车辆相似标签用于指示与所述车辆样本图像相似度最高的样本图像的特征以及与所述车辆样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，车牌损失确定模块，包括：所述蒸馏损失确定子模块，用于根据所述车辆分类结果与所述车牌分类结果之间的相对熵，确定所述蒸馏损失；和/或，车牌分类损失确定子模块，用于根据所述车牌分类结果与所述车牌样本图像的车牌分类标签之间的差异，确定所述车牌分类损失；和/或，车牌度量损失确定子模块，用于根据所述车牌样本特征与所述车牌样本图像的车牌相似标签之间的差异，确定所述车牌度量损失；其中，所述车牌分类标签用于指示所述车牌样本图像中车牌的类别，所述车牌相似标签用于指示与所述车牌样本图像相似度最高的样本图像的特征以及与所述车牌样本图像相似度最低的样本图像的特征。

在一种可能的实现方式中，所述车辆样本图像包括针对同一车辆的多个车辆图像所述车牌样本图像是所述车辆样本图像中车牌所在区域的图像。

在本公开实施例中，不仅可以实现车辆识别网络与车牌识别网络自身的监督学习，还可以实现车辆识别网络与车牌识别网络之间的互相学习，能够提高训练后的车辆识别网络提取车辆特征的精度，及提高训练后的车辆识别网络提取车牌特征的精度，进而在使用训练后的车辆识别网络和/或训练后的车牌识别网络，对车辆和/或车牌进行识别时，可提高识别的准确度。

图6示出根据本公开实施例的图像特征提取装置的框图，如图6所示，所述装置包括：

获取模块201，用于获取待识别的车辆图像；

提取模块202，用于将所述待识别的车辆图像输入神经网络，通过所述神经网络提取出所述车辆图像的车辆特征和/或车牌特征；其中，所述神经网络通过如上任一项神经网络的训练方法训练得到。

在本公开实施例中，通过上述本公开实施例的训练方法训练得到的神经网络，能够提高车辆图像中的车辆特征和/或车牌特征的提取精度，

图7示出根据本公开实施例的图像识别装置的框图，如图7所示，所述装置包括：

图像获取模块301，用于获取待识别的车辆图像，所述车辆图像包含车牌区域的车牌图像；

识别模块302，用于根据从所述车辆图像中提取的车辆特征和/或车牌特征，确定所述车辆图像的识别结果；其中，所述车辆特征通过如上任一项神经网络的训练方法训练得到的车辆识别网络从所述车辆图像中提取；所述车牌特征通过如上任一项神经网络的训练方法训练得到的车牌识别网络从所述车辆图像中提取。

在一种可能的实现方式中，识别模块，包括：融合模块，用于将所述车辆特征与所述车牌特征进行融合，得到融合特征；第一识别子模块，用于根据所述融合特征，确定所述车辆图像的识别结果。

在一种可能的实现方式中，根据所述融合特征，确定所述车辆图像的识别结果，包括：确定目标库中是否存在与所述融合特征对应的第一匹配特征；在所述目标库中存在与所述融合特征对应的第一匹配特征情况下，将与所述第一匹配特征对应的车辆标识，确定为所述识别结果。

在一种可能的实现方式中，识别模块，还包括：第二识别子模块，用于在车牌库中存在与所述车牌特征对应的第二匹配特征的情况下，将与所述第二匹配特征对应的车牌标识，确定为所述识别结果；和/或，第三识别子模块，用于在车辆库中存在与所述车辆特征对应的第三匹配特征的情况下，将与所述第三匹配特征对应的车辆标识，确定为所述识别结果。

在本公开实施例中，能够结合车辆特征及车牌特征，对车辆图像进行识别，由于车辆中包含车牌，相当于结合车辆的局部特征(也即车牌表征的局部特征)与车辆的整体特征对车辆进行识别，可以显著提高车辆识别的准确率。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的神经网络的训练方法、图像特征提取方法、图像识别方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的神经网络的训练方法、图像特征提取方法、图像识别方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图8示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图9示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。