CN109558823A - 一种以图搜图的车辆识别方法及系统 - Google Patents

一种以图搜图的车辆识别方法及系统 Download PDF

Info

Publication number
CN109558823A
CN109558823A CN201811398849.3A CN201811398849A CN109558823A CN 109558823 A CN109558823 A CN 109558823A CN 201811398849 A CN201811398849 A CN 201811398849A CN 109558823 A CN109558823 A CN 109558823A
Authority
CN
China
Prior art keywords
vehicle
feature
information
image
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811398849.3A
Other languages
English (en)
Other versions
CN109558823B (zh
Inventor
徐志斌
林柯
程峰
樊迪
郎晓礼
王晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yun Xingyu Transport Science And Techonologies Inc Co
BEIJING CAPITAL ROAD DEVELOPMENT GROUP Co Ltd
Original Assignee
Beijing Yun Xingyu Transport Science And Techonologies Inc Co
BEIJING CAPITAL ROAD DEVELOPMENT GROUP Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Yun Xingyu Transport Science And Techonologies Inc Co, BEIJING CAPITAL ROAD DEVELOPMENT GROUP Co Ltd filed Critical Beijing Yun Xingyu Transport Science And Techonologies Inc Co
Priority to CN201811398849.3A priority Critical patent/CN109558823B/zh
Publication of CN109558823A publication Critical patent/CN109558823A/zh
Application granted granted Critical
Publication of CN109558823B publication Critical patent/CN109558823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Abstract

本发明公开了一种以图搜图的车辆识别方法及系统，所述方法包括：获得待检索图片；对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述宏观特征信息包括车辆位置、形状及大小；根据车辆宏观特征信息缩小所述待检索图片中的识别范围，对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；对所述多维特征信息进行深度特征融合，获得全局特征；根据全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。所述方法及系统使用多种特征融合和深度神经网络方法方法，有效的提高了车辆搜索的精度；通过分布式的车辆检索，有效提高了对于海量数据的搜索性能。

Description

一种以图搜图的车辆识别方法及系统
技术领域
本发明涉及图像识别领域，更具体地，涉及一种以图搜图的车辆识别方法及系统。
背景技术
随着我国高速公路发展步伐不断加快，高速公路法制化管理进程也在不断进步，但是目前受限于技术条件、技术规范及标准等因素的影响，在应对车辆恶意逃费行为时，无法迅速准确的锁定恶意逃费违法证据，无法对高速公路逃费行为进行全面、有效的管理和控制。每个高速公路路口每天有上千，甚至上万的车辆通过，人工搜索和分析高速公路逃费车辆是不现实的，通过以图搜图的相似车辆搜索接收车道或匝道拍摄的车辆图像作为输入，在指定车辆图像库中，搜索得到和输入车辆图像最为相似的库车辆图像。然后通过对相似图像的分析，减轻高速公路逃费稽查时的人工工作量。现有使用以图搜图车辆搜索的方法主要分为两类：1、车辆渐进式搜索，根据车辆外观进行车辆粗匹配，然后通过车牌进行细粒度的车辆匹配，最后再应用相机位置等信息预测车辆的可能移动路径；这种方法虽然能提高车辆搜索的健壮性，可以用于无约束环境下，但是搜索车辆的准确率低。2、基于车牌的搜索，车牌识别系统通常包含多个模块，如车牌定位、校准、字符分割和识别；这种方法通常要在有约束的条件下，如高速公路收费口，停车场出入口等。而且如果其中一个步骤失败了，或者车牌上的任何一个字符都被错误识别，那么车辆重新识别的结果将是不准确的。使用这两类方法进行车辆识别时，会严重影响搜索的精度从而得不到准确的结果。
发明内容
为了解决背景技术存在的通过现有技术进行车辆识别时，搜索精度较差、使用场景限制较多，从而得不到准确结果的问题，本发明提供了一种以图搜图的车辆识别方法及系统，所述方法及系统采用车辆识别和大数据分析相结合的方式，通过机器学习算法对车辆特征进行提取，并使用深度特征融合方法进行特征融合，以提高对车辆识别的准确性，实现精度高、响应快的车辆识别；所述一种以图搜图的车辆识别方法包括：
获得待检索图片；
对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述宏观特征信息包括车辆位置、形状及大小；
根据车辆宏观特征信息缩小所述待检索图片中的识别范围，对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
对所述多维特征信息进行深度特征融合，获得全局特征；
根据全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
进一步的，所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
进一步的，所述对所述待检索图片中车辆进行识别，包括：
对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；
使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；
将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
进一步的，所述根据车辆宏观特征信息缩小所述待检索图片中的识别范围，继续对所述待检索图片进行分析，包括：
根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；
将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。
进一步的，所述多维特征信息还包括车牌特征，所述方法还包括：
通过对车辆进一步定位分割得到车牌图像；
基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
进一步的，所述多维特征信息还包括零空间特征，所述方法还包括：
根据预设规则采集图像库中每张图中车辆的特征信息；
根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
计算Ax＝0的解，获得零空间特征；其中A为零空间特征对应车辆的零空间矩阵。
进一步的，所述对所述多维特征信息进行深度特征融合，包括：
将所述视觉词袋特征以及车辆深度特征进行首尾拼接；
通过深度神经网络进行降维处理，获得融合后的全局特征。
进一步的，根据全局特征在图像库中通过特征索引获得相似图像，包括：
采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；
根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
进一步的，根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
所述一种以图搜图的车辆识别系统包括：
图片获取单元，所述图片获取单元用于在图像库中获得待检索图片；
宏观特征识别单元，所述宏观特征识别单元用于对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述特征信息包括车辆位置、形状及大小；
多维特征获取单元，所述多维特征获取单元用于根据车辆宏观特征信息缩小所述待检索图片中的识别范围，继续对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
特征融合单元，所述特征融合单元用于对所述多为特征获取单元获取的多维特征信息进行深度特征融合，获得全局特征；
索引单元，所述索引单元用于根据特征融合单元输出的全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
进一步的，所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
进一步的，所述宏观特征识别单元用于对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；
使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；
所述宏观特征识别单元将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
并根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
进一步的，所述多维特征获取单元根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；
所述多维特征获取单元将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。
进一步的，所述多维特征信息还包括车牌特征；
所述多维特征获取单元通过对车辆进一步定位分割得到车牌图像；所述多维特征获取单元基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
进一步的，所述多维特征信息还包括零空间特征，所述多维特征信息获取单元根据预设规则采集图像库中每张图中车辆的特征信息；
所述多维特征信息获取单元根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
所述多维特征信息获取单元用于计算Ax＝0的解，获得零空间特征，其中A为零空间特征对应车辆的零空间矩阵。
进一步的，所述多维特征信息还包括零空间特征，所述方法还包括：
根据预设规则采集图像库中每张图中车辆的特征信息；
根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
计算Ax＝0的解，获得零空间特征；其中A为零空间特征对应车辆的零空间矩阵。
进一步的，所述特征融合单元用于将所述视觉词袋特征以及车辆深度特征进行首尾拼接；通过深度神经网络进行降维处理，获得融合后的全局特征。
进一步的，所述索引单元采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
所述索引单元将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
进一步的，所述系统还包括预警单元；所述预警单元用于根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
本发明的有益效果为：本发明的技术方案，给出了一种以图搜图的车辆识别方法及系统，所述方法及系统采用车辆识别和大数据分析相结合的方式，通过机器学习算法对车辆特征进行提取，有效减少外界噪声对车辆搜索的影响，达到很好的识别效果；所述方法及系统使用多种特征融合的方法，有效的提高了车辆搜索的精度；通过分布式的车辆检索，有效提高了对于海量数据的搜索性能；所述方法及系统采用深度神经网络方法提高了车辆识别准确率，结合大数据存储和分析手段形成了逃费证据链信息。可有效用于高速公路执法、公安执法，准确打击高速公路逃费现象。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明具体实施方式的一种以图搜图的车辆识别方法的流程图；
图2为本发明具体实施方式的对车辆进行识别以获得宏观特征信息的方法的流程图；
图3为本发明具体实施方式的对待检索图片分析以获得多维特征信息的方法的流程图；
图4为本发明具体实施方式的根据全局特征在图像库中索引以获得检索结果的方法的流程图；
图5为本发明具体实施方式的一种以图搜图的车辆识别系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为本发明具体实施方式的一种以图搜图的车辆识别方法的流程图；如图1所示，所述方法包括：
步骤110，获得待检索图片；
本发明所涉及的使用场景，主要为交通干道，尤其适用于识别难度较高的高速公路交通网络；本发明涉及的用于识别、比对车辆的图片的来源途径为图像库；所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
所述待检索图片可以是在图像库中提取的交通高速摄像头拍摄的某一待识别的车辆的图片，也可以是经其他途径上传的待识别车辆的图片。
步骤120，对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述宏观特征信息包括车辆位置、形状及大小；
如图2所示，所述对车辆进行识别的具体步骤包括：
步骤121，对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；通过预处理，获得符合预设要求的图片，所述预处理的具体步骤在此不做赘述。
步骤122，使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；由于卷积的特性，在该特征图当中，原图中物体的位置和特征图中该物体的相对位置保持不变；
步骤123，将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
在进行车辆识别前，所述区域生成网络使用多任务损失进行预先的训练，其具体形式如下：
其中，i是一个小批中锚点的索引，pi是第i个锚点的目标的预测概率。如果锚点为正，真实标签就是1，如果锚点为负，就是0。ti是一个向量，表示预测的候选框的4个参数化坐标，是与正锚点对应的真实矩形框的坐标向量。分类损失Lcls是两个类别(目标vs.非目标)的对数损失。对于回归损失Lreg，我们用来计算，其中R是鲁棒的损失函数(smooth L1)，其形式如下：
通过区域生成网络确定作为候选框的矩形框的坐标，坐标表示为(x1，y1，x2，y2)，其中(x1，y1)表示矩形框的左上角的坐标，(x2，y2)表示矩形框的右下角的坐标，通过这两个坐标可以唯一确定一个矩形框的位置；
步骤124，将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
进一步的，将所述多个矩形框中每一个的特征分别送入坐标精调网络中，对所述矩形框进行坐标精调，获得所述分类类别为车辆的矩形框坐标精调后的矩形框。
步骤125，根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
步骤130，根据车辆宏观特征信息缩小所述待检索图片中的识别范围，对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
如图3所示，所述对检测图片进行进一步分析具体包括：
步骤131，根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
步骤132，提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；本实施例中，所述局部特征描述子使用SIFT具体特征描述子，设置的高维维度可以为500维；
步骤133，将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。设置的N为值向量可以为1000维。
进一步的，所述多维特征信息还包括车牌特征；
通过对车辆进一步定位分割得到车牌图像；
基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
具体地，基于已标注车牌信息，可以得到同一辆车的车牌的不同图像和不同车的车牌的图像，通过三元组损失可最小化相同车辆的两张车牌特征向量的欧氏距离和最大化不同车辆两张车牌的欧氏距离。这实质上是一个度量学习，可以输出更易区分车牌区域的辨识力特征，该特征可与前述车辆深度特征配合使用，对车辆进行进一步的精细匹配。所述三元组损失卷积网络的三元组损失函数的三元组是这样构成的：从训练数据集中随机选一个车辆的车牌图片，该样本称为Anchor，然后再分别随机选取一个和Anchor(记为)属于同一类的车牌图片和属于不同类的车牌图片，这两个样本对应的称为Positive(记为)和Negative(记为)，由此构成一个(Anchor，Positive，Negative)三元组。针对三元组中的每个元素(车牌图片)，训练一个参数共享的网络，这里参数共享的卷积网络选择为Resnet50的卷积层。将三元组输入到共享网络，得到三个特征表示，分别记为三元组损失的目的就是通过学习，让xa和xp特征表达之间的距离尽可能小，而xa和xn的特征表达之间的距离尽可能大，并且要让xa与xn之间的距离和xa与xp之间的距离之间有一个最小的间隔α，公式化的表示就是：
对应的目标函数为：
这里距离用欧式距离度量，+表示[…]内的值大于零的时候，取该值为损失，小于零的时候，损失为零。由目标函数可以看出：当xa与xn之间的距离小于xa与xp之间的距离加α时，等式2[…]内的值大于零，就会产生损失；当xa与xn之间的距离大于等于xa与xp之间的距离加α时，损失为零。此处仅用到相同车牌图像的视觉相似性进行学习，并没有做车牌识别，这样做的目的也是旨在探索在仅依赖于以图搜图搜索的情况下，车辆视觉搜索所能达到的高度。旨在基于车牌区域，利用相同车辆的不同图像和不同车辆的图像，优化相同车辆和不同车辆之间的三元组损失。
步骤140，对所述多维特征信息进行深度特征融合，获得全局特征；
所述多维特征信息的深度融合，其作用是对特征提取后获取的特征信息如颜色、边缘、纹理和区域等进行综合与处理。多维特征融合是指分别将上述提取的视觉词袋特征、车辆深度特征等进行融合得到全局特征，它既保留了足够数量的重要特征信息，又可以对特征信息进行压缩整合减少特征冗余，有利于实时处理需求。具体的，采用深度学习的方法进行融合，建立模拟人类视觉理解系统，通过使机器人模拟人脑来解释数据信息，所述基于深度学习的融合方法，不仅可以有效防止天气、背景等环境干扰，而且能够抵抗各种尺度变换、颜色变换和几何形变等。从而提高特征描述准确性和车辆搜索准确率。所述方法具体如下：
将所述视觉词袋特征以及车辆深度特征进行首尾拼接；
通过深度神经网络进行降维处理，获得融合后的全局特征。
在本实施例中，如前所述，视觉词袋特征的维度为500维，车辆深度特征的维度为1000维；设置输出的全局特征的维度为500维，即通过深度神经网络需完成1500维到500维的映射。作为限制条件，要求高维特征空间中相似的样本在低维特征空间中同样相似。具体实现上，设计先降维后升维的5层深度网络，各层的节点数分别为1500-1000-500-1000-1500，训练时，我们要求输入特征与输出特征尽可能相似，误差尽可能小。
进一步的，为提高全局特征与所述车辆识别的任务的相关性，将所述全局特征与车辆的零空间特征进行进一步融合，由于零空间特征的维度等于库中不同车辆的数量，当零空间特征小于500维时，将它与全局特征直接拼接，形成更具可分性的全局特征。当零空间特征大于500维时，首先采用前述的深度神经网络将所述零空间特征降维到500维，然后再将它与全局特征进行融合。最后，生成的全局特征向量更具表达能力，且维数小于等于1000维。
步骤150，根据全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
具体的，如图4所示，所述索引、排序的方法如下：
步骤151，采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
在获得初始索引结果前通过图像相似度对索引出的图像进行排序。
hdidx是一种有效的高维特征索引方法，它首先基于训练数据，学习向量的编码器；然后，使用学习的编码器将图像库向量量映射为二进制哈希码，并通过索引器在这些哈希码上构建索引，索引器将索引写入指定的存储介质；当一个查询向量(全局特征)到来时，它将被同一个编码器映射到散列码，索引器将查找与这个查询向量相似的项目。
当一幅待检索图片通过深度学习特征融合方法得到有效特征信息以后，在海量车辆特征信息中对目标车辆进行分布式地数据匹配，初步得到一些与目标车辆类似的数据图片，从而排除一大批与目标车辆匹配不相近的图片。在这个过程中可以通过调节匹配系数达到优化匹配方案的目的。
步骤152，将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；
通过步骤140中的两轮融合后，所获得的全局特征向量可匹配与待检索图片相同的车辆特征；但对于相同型号不同车牌号的车辆的识别能力还不足，通过单独对车牌进行进一步融合匹配，即将车牌特征也融合到全局特征中供搜索识别使用，可获得更精确的搜索识别效果。
特别的，在完成了初始索引后再进行融合，其目的在于使用低维的全局特征线进行初始索引，再仅对初始索引结果中的图像根据再次融合后的全局特征(因融合了车牌特征维度更高，不大于1500维)进行二次索引，减轻计算量。本发明在此处使用车牌特征匹配而非车牌号识别，是考虑到车牌玷污以及高速交通干道上相机成像效果等使得车牌号识别困难的情况，以获得更丰富的使用场景。
步骤153，根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
所述预设的规则根据实际情况确定，本发明中，使用分层式的索引方式，将所提取车辆特征根据摄像头ID不同，经过控制节点调度后，分别存储到不同计算节点；最后，每隔固定时间(例如24小时)，对每个节点上存储所有的特征建索引，索引文件命名中可以体现出摄像头ID和数据采集时间(每台机器上仅存放部分数据，且各不相同)。
通过根据摄像头采集时间作为时间序列以摄像头编号作为空间位置，从而排除那些不可能属于目标车辆的图片，达到优化车辆搜索算法的目的。
进一步的，根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
以本实施例为例，设置的预设规则可以为针对待检测图片中同一车辆有多次上高速记录但无下高速记录，多次无上高速记录但仍出现在高速，以及经常在高速待时间很长但每次缴费都很少等情况，若根据拍摄位置信息、时间信息等判断符合如上情况，则判定存在异常。
所述方法采用车辆识别和大数据分析相结合的方式，通过机器学习算法对车辆特征进行提取，有效减少外界噪声对车辆搜索的影响，达到很好的识别效果；通过使用多种特征融合的方法，有效的提高了车辆搜索的精度；通过分布式的车辆检索，有效提高了对于海量数据的搜索性能；所述方法采用深度神经网络方法提高了车辆识别准确率，结合大数据存储和分析手段形成了逃费证据链信息。可有效用于高速公路执法、公安执法，准确打击高速公路逃费现象。
图5为本发明具体实施方式的一种以图搜图的车辆识别系统的结构图。如图5所示，所示系统包括：
图片获取单元510，所述图片获取单元510用于在图像库中获得待检索图片；
进一步的，所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
宏观特征识别单元520，所述宏观特征识别单元520用于对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述特征信息包括车辆位置、形状及大小；
进一步的，所述宏观特征识别单元520用于对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；
使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；
所述宏观特征识别单元520将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
并根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
多维特征获取单元530，所述多维特征获取单元530用于根据车辆宏观特征信息缩小所述待检索图片中的识别范围，继续对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
进一步的，所述多维特征获取单元530根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；
所述多维特征获取单元530将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。
进一步的，所述多维特征信息还包括车牌特征；
所述多维特征获取单元530通过对车辆进一步定位分割得到车牌图像；所述多维特征获取单元530基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
进一步的，所述多维特征信息还包括零空间特征；
所述多维特征信息获取单元530根据预设规则采集图像库中每张图中车辆的特征信息；
所述多维特征信息获取单元530根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
所述多维特征信息获取单元530用于计算Ax＝0的解，获得零空间特征，其中A为零空间特征对应车辆的零空间矩阵。
特征融合单元540，所述特征融合单元540用于对所述多为特征获取单元获取的多维特征信息进行深度特征融合，获得全局特征；
进一步的，所述特征融合单元540用于将所述视觉词袋特征以及车辆深度特征进行首尾拼接；通过深度神经网络进行降维处理，获得融合后的全局特征。
索引单元550，所述索引单元550用于根据特征融合单元540输出的全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
进一步的，所述索引单元550采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
所述索引单元550将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
进一步的，所述系统还包括预警单元；所述预警单元用于根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤，而并不用于限制各步骤之间的时间或逻辑的关系，除非文中有明确的限定，否则各个步骤之间的关系包括各种可能的情况。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开精神的前提下，可以作出若干改进、修改、和变形，这些改进、修改、和变形都应视为落在本申请的保护范围内。

Claims (18)

1.一种以图搜图的车辆识别方法，所述方法包括：
获得待检索图片；
对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述宏观特征信息包括车辆位置、形状及大小；
根据车辆宏观特征信息缩小所述待检索图片中的识别范围，对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
对所述多维特征信息进行深度特征融合，获得全局特征；
根据全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
2.根据权利要求1所述的方法，其特征在于：所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述待检索图片中车辆进行识别，包括：
对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；
使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；
将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
4.根据权利要求1所述的方法，其特征在于，所述根据车辆宏观特征信息缩小所述待检索图片中的识别范围，继续对所述待检索图片进行分析，包括：
根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；
将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。
5.根据权利要求1所述的方法，其特征在于，所述多维特征信息还包括车牌特征，所述方法还包括：
通过对车辆进一步定位分割得到车牌图像；
基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
6.根据权利要求1所述的方法，其特征在于，所述多维特征信息还包括零空间特征，所述方法还包括：
根据预设规则采集图像库中每张图中车辆的特征信息；
根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
计算Ax＝0的解，获得零空间特征；其中A为零空间特征对应车辆的零空间矩阵。
7.根据权利要求1所述的方法，其特征在于，所述对所述多维特征信息进行深度特征融合，包括：
将所述视觉词袋特征以及车辆深度特征进行首尾拼接；
通过深度神经网络进行降维处理，获得融合后的全局特征。
8.根据权利要求5所述的方法，其特征在于，根据全局特征在图像库中通过特征索引获得相似图像，包括：
采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；
根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
9.根据权利要求1所述的方法，其特征在于：根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
10.一种以图搜图的车辆识别系统，所述系统包括：
图片获取单元，所述图片获取单元用于在图像库中获得待检索图片；
宏观特征识别单元，所述宏观特征识别单元用于对所述待检索图片中车辆进行识别，获得车辆宏观特征信息，所述特征信息包括车辆位置、形状及大小；
多维特征获取单元，所述多维特征获取单元用于根据车辆宏观特征信息缩小所述待检索图片中的识别范围，继续对所述待检索图片进行分析，获得多维特征信息，所述多维特征信息包括视觉词袋特征以及车辆深度特征；
特征融合单元，所述特征融合单元用于对所述多为特征获取单元获取的多维特征信息进行深度特征融合，获得全局特征；
索引单元，所述索引单元用于根据特征融合单元输出的全局特征在图像库中通过特征索引获得相似图像，并以图像相似度进行排序，获得检索结果。
11.根据权利要求10所述的系统，其特征在于：所述图像库中包括由交通网络中的多个高速摄像头拍摄的实时交通序列图像；所述交通序列图像包括拍摄时间以及所摄摄像头的空间位置信息。
12.根据权利要求10所述的系统，其特征在于：
所述宏观特征识别单元用于对所述待检索图片进行预处理以去除噪声干扰，所述预处理包括按预设规则进行尺寸变换、裁剪、像素值抖动以及归一化；
使用由卷积神经网络构成的特征提取器对预处理后的待检索图片进行特征提取，获得特征图；
所述宏观特征识别单元将所述特征图输入到区域生成网络中，获得多个矩形框以及对应的坐标；并提取所述多个矩形框中每一个的特征；
将所述多个矩形框中每一个的特征分别输入至区域分类网络中，选取获得分类类别为车辆的矩形框；
并根据所述分类类别为车辆的矩形框的特征，获得车辆宏观特征信息。
13.根据权利要求10所述的系统，其特征在于：
所述多维特征获取单元根据所述车辆的宏观特征信息提取待检索图片中的车辆特征；
提取所述车辆特征中局部特征描述子，根据预先训练好的视觉词典，将每个局部特征描述子投影到距离最近的视觉词典向量上，并在该词典向量对应的维度上加1；所述词典向量的高维维度设置为M维；获得视觉词袋特征；
所述多维特征获取单元将所述车辆特征输送到GoogleNet网络，提取最后一个全连接层的输出的N维值向量，该向量用作为车辆深度特征向量。
14.根据权利要求10所述的系统，其特征在于：所述多维特征信息还包括车牌特征；
所述多维特征获取单元通过对车辆进一步定位分割得到车牌图像；所述多维特征获取单元基于三元组损失卷积网络提取车牌图像的SNN特征作为车牌特征。
15.根据权利要求10所述的系统，其特征在于：所述多维特征信息还包括零空间特征，所述多维特征信息获取单元根据预设规则采集图像库中每张图中车辆的特征信息；
所述多维特征信息获取单元根据同一车辆的特征信息生成对应该车辆的零空间矩阵；所述零空间矩阵的每一行为该车辆的特征信息，所述零空间矩阵的维度为图像库中该车辆的样本数；
所述多维特征信息获取单元用于计算Ax＝0的解，获得零空间特征，其中A为零空间特征对应车辆的零空间矩阵。
16.根据权利要求10所述的系统，其特征在于：所述特征融合单元用于将所述视觉词袋特征以及车辆深度特征进行首尾拼接；通过深度神经网络进行降维处理，获得融合后的全局特征。
17.根据权利要求14所述的系统，其特征在于：所述索引单元采用hdidx方法建立分布式索引，根据全局特征在图像库中进行索引，获得初始索引结果；
所述索引单元将全局特征与车牌特征进行深度特征融合，并根据融合后的全局特征对初始索引结果中的图像重新进行索引，获得二次索引结果；根据图像采集时的时空信息对所述二次索引结果按预设规则进行优化，获得检索结果。
18.根据权利要求10所述的系统，其特征在于：所述系统还包括预警单元；所述预警单元用于根据所述搜索结果中相似车辆图像对应的拍摄位置信息以及时间信息，按预设规则判断车辆是否存在异常，并对所述存在异常的车辆信息进行预警。
CN201811398849.3A 2018-11-22 2018-11-22 一种以图搜图的车辆识别方法及系统 Active CN109558823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811398849.3A CN109558823B (zh) 2018-11-22 2018-11-22 一种以图搜图的车辆识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811398849.3A CN109558823B (zh) 2018-11-22 2018-11-22 一种以图搜图的车辆识别方法及系统

Publications (2)

Publication Number Publication Date
CN109558823A true CN109558823A (zh) 2019-04-02
CN109558823B CN109558823B (zh) 2020-11-24

Family

ID=65867110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811398849.3A Active CN109558823B (zh) 2018-11-22 2018-11-22 一种以图搜图的车辆识别方法及系统

Country Status (1)

Country Link
CN (1) CN109558823B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458234A (zh) * 2019-08-14 2019-11-15 广州广电银通金融电子科技有限公司 一种基于深度学习的以图搜车方法
CN110532904A (zh) * 2019-08-13 2019-12-03 桂林电子科技大学 一种车辆识别方法
CN110598704A (zh) * 2019-09-26 2019-12-20 中电万维信息技术有限责任公司 基于深度学习的车牌识别无感支付系统
CN110659374A (zh) * 2019-09-19 2020-01-07 江苏鸿信系统集成有限公司 一种基于神经网络提取车辆特征值及属性的以图搜图方法
CN110688976A (zh) * 2019-10-09 2020-01-14 创新奇智(北京)科技有限公司 基于图像识别的门店比对方法
CN110766938A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN111401466A (zh) * 2020-03-26 2020-07-10 广州紫为云科技有限公司 一种交通标志检测与识别标注方法、装置和计算机设备
CN111882519A (zh) * 2020-06-15 2020-11-03 上海眼控科技股份有限公司 一种车灯识别的方法及装置
CN112382122A (zh) * 2020-11-17 2021-02-19 珠海大横琴科技发展有限公司 一种交通信息处理的方法和装置
CN112818148A (zh) * 2021-04-16 2021-05-18 北京妙医佳健康科技集团有限公司 视觉检索的排序优化方法、装置、电子设备及存储介质
CN113408326A (zh) * 2020-03-17 2021-09-17 阿里巴巴集团控股有限公司 移动对象识别方法、装置及设备
CN114860976A (zh) * 2022-04-29 2022-08-05 南通智慧交通科技有限公司 一种基于大数据的图像数据查询方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN105138672A (zh) * 2015-09-07 2015-12-09 北京工业大学 一种多特征融合的图像检索方法
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
CN107256262A (zh) * 2017-06-13 2017-10-17 西安电子科技大学 一种基于物体检测的图像检索方法
CN107368807A (zh) * 2017-07-20 2017-11-21 东南大学 一种基于视觉词袋模型的监控视频车型分类方法
CN107679078A (zh) * 2017-08-29 2018-02-09 银江股份有限公司 一种基于深度学习的卡口图像车辆快速检索方法及系统
CN107729818A (zh) * 2017-09-21 2018-02-23 北京航空航天大学 一种基于深度学习的多特征融合车辆重识别方法
CN108171136A (zh) * 2017-12-21 2018-06-15 浙江银江研究院有限公司 一种多任务卡口车辆以图搜图的系统及方法
CN108197326A (zh) * 2018-02-06 2018-06-22 腾讯科技（深圳）有限公司 一种车辆检索方法及装置、电子设备、存储介质
CN108280190A (zh) * 2018-01-24 2018-07-13 深圳前海大数金融服务有限公司 图像分类方法、服务器及存储介质
CN108427718A (zh) * 2018-02-07 2018-08-21 江苏大学 一种车辆行驶信息时空索引及大数据分析方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN105138672A (zh) * 2015-09-07 2015-12-09 北京工业大学 一种多特征融合的图像检索方法
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
CN107256262A (zh) * 2017-06-13 2017-10-17 西安电子科技大学 一种基于物体检测的图像检索方法
CN107368807A (zh) * 2017-07-20 2017-11-21 东南大学 一种基于视觉词袋模型的监控视频车型分类方法
CN107679078A (zh) * 2017-08-29 2018-02-09 银江股份有限公司 一种基于深度学习的卡口图像车辆快速检索方法及系统
CN107729818A (zh) * 2017-09-21 2018-02-23 北京航空航天大学 一种基于深度学习的多特征融合车辆重识别方法
CN108171136A (zh) * 2017-12-21 2018-06-15 浙江银江研究院有限公司 一种多任务卡口车辆以图搜图的系统及方法
CN108280190A (zh) * 2018-01-24 2018-07-13 深圳前海大数金融服务有限公司 图像分类方法、服务器及存储介质
CN108197326A (zh) * 2018-02-06 2018-06-22 腾讯科技（深圳）有限公司 一种车辆检索方法及装置、电子设备、存储介质
CN108427718A (zh) * 2018-02-07 2018-08-21 江苏大学 一种车辆行驶信息时空索引及大数据分析方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532904A (zh) * 2019-08-13 2019-12-03 桂林电子科技大学 一种车辆识别方法
CN110458234A (zh) * 2019-08-14 2019-11-15 广州广电银通金融电子科技有限公司 一种基于深度学习的以图搜车方法
CN110458234B (zh) * 2019-08-14 2021-12-03 广州广电银通金融电子科技有限公司 一种基于深度学习的以图搜车方法
CN110766938A (zh) * 2019-09-18 2020-02-07 平安科技（深圳）有限公司 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN110659374A (zh) * 2019-09-19 2020-01-07 江苏鸿信系统集成有限公司 一种基于神经网络提取车辆特征值及属性的以图搜图方法
CN110598704A (zh) * 2019-09-26 2019-12-20 中电万维信息技术有限责任公司 基于深度学习的车牌识别无感支付系统
CN110598704B (zh) * 2019-09-26 2023-04-07 中电万维信息技术有限责任公司 基于深度学习的车牌识别无感支付系统
CN110688976A (zh) * 2019-10-09 2020-01-14 创新奇智(北京)科技有限公司 基于图像识别的门店比对方法
CN113408326A (zh) * 2020-03-17 2021-09-17 阿里巴巴集团控股有限公司 移动对象识别方法、装置及设备
CN113408326B (zh) * 2020-03-17 2022-07-22 阿里巴巴集团控股有限公司 移动对象识别方法、装置及设备
CN111401466A (zh) * 2020-03-26 2020-07-10 广州紫为云科技有限公司 一种交通标志检测与识别标注方法、装置和计算机设备
CN111882519A (zh) * 2020-06-15 2020-11-03 上海眼控科技股份有限公司 一种车灯识别的方法及装置
CN112382122A (zh) * 2020-11-17 2021-02-19 珠海大横琴科技发展有限公司 一种交通信息处理的方法和装置
CN112818148A (zh) * 2021-04-16 2021-05-18 北京妙医佳健康科技集团有限公司 视觉检索的排序优化方法、装置、电子设备及存储介质
CN114860976A (zh) * 2022-04-29 2022-08-05 南通智慧交通科技有限公司 一种基于大数据的图像数据查询方法和系统

Also Published As

Publication number Publication date
CN109558823B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN109558823A (zh) 一种以图搜图的车辆识别方法及系统
CN108108657B (zh) 基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN111275688B (zh) 基于注意力机制的上下文特征融合筛选的小目标检测方法
Zhang et al. Scale adaptive proposal network for object detection in remote sensing images
Li et al. Traffic light recognition for complex scene with fusion detections
CN107885764B (zh) 基于多任务深度学习快速哈希车辆检索方法
CN110717553B (zh) 一种基于自衰减权重和多局部约束的交通违禁品识别方法
EP3327583B1 (en) Method and device for searching a target in an image
Gao et al. Change detection from synthetic aperture radar images based on channel weighting-based deep cascade network
Garcia-Fidalgo et al. Hierarchical place recognition for topological mapping
CN106845430A (zh) 基于加速区域卷积神经网络的行人检测与跟踪方法
CN111046732B (zh) 一种基于多粒度语义解析的行人重识别方法及存储介质
CN107133569A (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN111967480A (zh) 基于权重共享的多尺度自注意力目标检测方法
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN102385592B (zh) 图像概念的检测方法和装置
EP3765995B1 (en) Systems and methods for inter-camera recognition of individuals and their properties
Khandelwal et al. Segmentation-grounded scene graph generation
CN109948616A (zh) 图像检测方法、装置、电子设备及计算机可读存储介质
CN110717554A (zh) 图像识别方法、电子设备及存储介质
CN110263731B (zh) 一种单步人脸检测系统
CN113971815A (zh) 基于奇异值分解特征增强的少样本目标检测方法
CN115115825A (zh) 图像中的对象检测方法、装置、计算机设备和存储介质
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
Ucar et al. Aircraft detection system based on regions with convolutional neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Xu Zhibin

Inventor after: Lin Ke

Inventor after: Cheng Feng

Inventor after: Fan Di

Inventor after: Lang Xiaoli

Inventor after: Wang Han

Inventor before: Xu Zhibin

Inventor before: Lin Ke

Inventor before: Cheng Feng

Inventor before: Fan Di

Inventor before: Lang Xiaoli

Inventor before: Wang Han

CB03 Change of inventor or designer information