CN110097068B - 相似车辆的识别方法和装置 - Google Patents

Abstract

本发明提供一种相似车辆的识别方法和装置，该方法包括：获取待识别车辆的图像，将待识别车辆的图像输入到预先获取的全局模型，获取待识别车辆的车辆特征图像，全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征图像包括车辆的唯一标识，根据待识别车辆的车辆特征图像，从多个相似车辆中确定待识别车辆。通过该方法，能够根据车辆的车辆特征图像，准确地区分相似车辆，提高车辆识别的准确率。

Description

相似车辆的识别方法和装置

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种相似车辆的识别方法和 装置。

背景技术

随着私家车数量的增加，越来越多的车辆有着极其相似的外形，在车辆 检索、车辆追踪等安防领域，根据车辆图像准确地找到该车辆格外重要。

相关技术中，采用车辆重识别方法对相似车辆图像进行识别，车辆重识 别方法包括基于通用分类模型的方法和基于孪生网络模型的方法，然而，采 用这两种重识别方法识别车辆时，车辆图像经过特征提取器提取视觉特征时， 图像中的关键细节信息容易丢失，导致无法很好的区分外形相似的车辆。

发明内容

为解决现有技术中存在的问题，本发明提供一种相似车辆的识别方法和 装置，以准确地区分外形相似的车辆。

第一方面，本发明实施例提供一种相似车辆的识别方法，包括：

获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别 车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集 中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车 辆特征图像包括车辆的唯一标识；

根据所述待识别车辆的车辆特征图像，从多个相似车辆中确定所述待识 别车辆。

可选的，所述根据所述待识别车辆的车辆特征图像，从多个相似车辆中 确定所述待识别车辆，包括：

获取所述多个相似车辆的图像；

将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相 似车辆的多个车辆特征图像；

根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特 征图像，从所述多个相似车辆中确定所述待识别车辆。

可选的，所述全局模型是按照如下训练得到的：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标 注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标 注的局部特征图像；

根据每个已标注的全局特征图像和每个已标注的局部特征图像，采用卷 积神经网络训练得到所述全局模型。

可选的，所述根据每个已标注的全局特征图像和每个已标注的局部特征 图像，采用卷积神经网络训练得到所述全局模型，包括：

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每 个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每 个车辆图像的局部特征图像；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征 图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征 图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得 到所述全局模型。

可选的，所述根据所述局部损失函数和所述全局损失函数，采用卷积神 经网络训练得到所述全局模型，包括：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

第二方面，本发明实施例提供一种相似车辆的识别装置，包括：

获取模块，用于获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别 车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集 中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车 辆特征图像包括车辆的唯一标识；

确定模块，用于根据所述待识别车辆的车辆特征图像，从多个相似车辆 中确定所述待识别车辆。

可选的，所述确定模块具体用于：

获取所述多个相似车辆的图像；

将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相 似车辆的多个车辆特征图像；

根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特 征图像，从所述多个相似车辆中确定所述待识别车辆。

可选的，所述获取模块还用于：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标 注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标 注的局部特征图像；

根据每个已标注的全局特征图像和每个已标注的局部特征图像，采用卷 积神经网络训练得到所述全局模型。

可选的，所述获取模块具体用于：

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每 个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每 个车辆图像的局部特征图像；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征 图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征 图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得 到所述全局模型。

可选的，所述获取模块还具体用于：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

第三方面，本发明实施例提供一种终端设备，包括：

处理器；

存储器；以及

计算机程序；

其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处 理器执行，所述计算机程序包括用于执行第一方面所述的方法的指令。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序使得服务器执行第一方面所 述的方法。

本发明提供的相似车辆的识别方法和装置，该方法包括：获取待识别车 辆的图像，将待识别车辆的图像输入到预先获取的全局模型，获取待识别车 辆的车辆特征图像，全局模型为基于卷积神经网络，采用车辆图像集中已标 注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征 图像包括车辆的唯一标识，根据待识别车辆的车辆特征图像，从多个相似车 辆中确定待识别车辆。通过该方法，能够根据车辆的车辆特征图像，准确地 区分相似车辆，提高车辆识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的相似车辆的识别方法的流程示意图一；

图2为本发明实施例提供的相似车辆的识别方法的流程示意图二；

图3为本发明实施例提供的相似车辆的识别方法的流程示意图三；

图4为本发明实施例提供的训练模型的示意图；

图5为本发明实施例提供的相似车辆的识别装置的结构示意图；

图6为本发明实施例提供的终端设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供的相似车辆的识别方法可以应用于车辆检索、车辆追 踪等安防领域，由于越来越多的车辆有着极其相似的外形，在车辆追踪中， 关键在于能够根据车辆图像准确找到该车辆。现有技术中，采用车辆重识别 方法对相似车辆图像进行识别，车辆重识别方法包括基于通用分类模型的方 法和基于孪生网络模型的方法，然而，采用这两种重识别方法识别车辆时， 车辆图像经过特征提取器提取视觉特征时，图像中的关键细节信息容易丢失， 导致无法很好的区分外形相似的车辆。

本发明实施例考虑到上述问题，提出一种相似车辆的识别方法，该方法 中终端设备获取待识别车辆的图像，将待识别车辆的图像输入到预先获取的 全局模型，获取待识别车辆的车辆特征图像，全局模型为基于卷积神经网络， 采用车辆图像集中已标注的车辆全局图像和已标注的车辆局部图像训练得到 的，车辆特征图像包括车辆的唯一标识，根据待识别车辆的车辆特征图像， 从多个相似车辆中确定待识别车辆。通过该方法，能够根据车辆的车辆特征 图像，准确地区分相似车辆，提高车辆识别的准确率。

下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具 体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例 不再赘述。

图1为本发明实施例提供的相似车辆的识别方法的流程示意图一，该方 法可以由任意执行相似车辆的识别方法的装置来执行，该装置可以通过软件 和/或硬件实现。本实施例中，该装置可以集成在终端设备中。如图1所示， 本发明实施例提供的相似车辆的识别方法包括如下步骤：

S101、获取待识别车辆的图像。

在车辆追踪时，通常需要根据车辆图像确定该车辆。获取待识别车辆的 图像目的在于确定待识别车辆。

S102、将待识别车辆的图像输入到预先获取的全局模型，获取待识别车 辆的车辆特征图像。

其中，全局模型为基于卷积神经网络，采用车辆图像集中车辆全局图像 和车辆局部特征图像训练得到的，全局模型用于确定车辆的车辆特征图像， 本方案考虑到车辆局部部件在区分不同车辆时的重要性，结合车辆全局特征 图像和车辆局部特征图像来训练得到全局模型，提升了识别的准确率。

在一种具体的实现方式中，获取车辆图像集，车辆图像集中包括多个不 同车辆的图像，在这些车辆图像中，可以包括不同方向、不同视角下的车辆， 对车辆图像集中的每个车辆图像进行全局特征标注，获取的多个已标注的全 局特征图像，对车辆图像集中的每个车辆图像进行局部部件特征标注，获取 多个已标注的局部特征图像，根据每个全局特征图像和每个局部特征图像， 采用卷积神经网络训练得到全局模型。

已标注的全局特征图像为对车辆图像进行全局特征标注得到的，也就是 对车辆图像的整体特征进行标注得到的。车辆局部特征图像为对车辆图像进 行局部特征标注得到的，具体地，标注出车辆图像中车辆的部件，比如：车 窗、车灯、车牌等。

在本步骤中，将待识别车辆的图像输入到预先获取的全局模型，该模型 输出为待识别车辆的车辆特征图像，车辆特征图像包括车辆的唯一标识。

S103、根据待识别车辆的车辆特征图像，从多个相似车辆中确定待识别 车辆。

由于车辆特征图像包括车辆的唯一标识，那么可以根据待识别车辆的车 辆特征图像，从多个相似车辆中确定待识别的车辆，车辆的唯一标识可以为 车辆的视觉特征。

在一种具体的实现方式中，获取多个相似车辆的图像，然后将该多个相 似车辆的图像分别输入到全局模型，获取多个相似车辆的多个车辆特征图像， 也就是得到每个车辆的车辆特征图像，根据待识别车辆的车辆特征图像和多 个相似车辆中每个车辆的车辆特征图像，从多个相似车辆中确定待识别车辆， 具体地，比较多个相似车辆中每个车辆的车辆特征图像和待识别车辆的车辆 特征图像，在多个相似车辆中，车辆特征图像相似度最高的为待识别的车辆。

本实施例提供的相似车辆的识别方法，获取待识别车辆的图像，将待识 别车辆的图像输入到预先获取的全局模型，获取待识别车辆的车辆特征图像， 全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局图像和 已标注的车辆局部图像训练得到的，车辆特征图像包括车辆的唯一标识，根 据待识别车辆的车辆特征图像，从多个相似车辆中确定待识别车辆。通过该 方法，能够根据车辆的车辆特征图像，准确地区分相似车辆，提高车辆识别 的准确率。

在上述图1实施例的基础上，下面具体说明全局模型的一种具体实现方 式，图2为本发明实施例提供的相似车辆的识别方法的流程示意图，如图2 所示，该方法还包括以下步骤：

S201、采用卷积神经网络初始化得到初始全局模型和初始局部模型。

S202、将车辆图像集中的每个车辆图像输入到初始全局模型，获取每个 车辆图像的全局特征图像。

S203、将车辆图像集中的每个车辆图像输入到初始局部模型，获取每个 车辆图像的局部特征图像。

首先初始化得到初始全局模型和初始局部模型，然后参考图4对上述步 骤进行说明，图4为本发明实施例提供的训练模型的示意图，如图4所示， 训练模型包括初始全局模型和初始局部模型，初始全局模型包括全局特征提 取器。

全局特征提取器基于通用分类网络残差网络ResNet-50，在ResNet-50分 类网络的基础上，全局特征提取器舍弃了最后的全局均值池化层和全连接层， 用剩下的卷积网络层提取车辆的卷积特征图(车辆特征图像图)。

在训练过程中，需要对全局特征提取器提取的车辆全局特征图像进行一 系列数学转换，得到最终的全局特征图像，在实际应用时，直接将车辆图像 输入到全局模型中，此时全局模型只包括全局特征提取器，获取车辆特征图 像。

假设一个车辆图像大小为3×256×256，其中256×256表示图像的长和宽，3 表示图像的通道数，一般图像由三原色红、黄、蓝组成，那么一般图像都有 3个通道。将该车辆图像输入到初始全局模型，首先经由全局特征提取器提 取车辆全局特征图像，提取出的车辆全局图像大小为2048×16×16，同理，16×16 表示图像的长和宽，2048表示通道数，然后经过全局均值池化将该车辆全局 图像池化为2048维的特征向量，由于车辆重识别是因为有大量相似车辆的存 在，直接使用2048维的特征向量会产生大量的隐含函数，因此将2048维经 过1×1卷积层将2048维降低到256维，获取经过初始全局特征模型的全局特 征图像。

初始局部模型负责检测车辆的各个关键部件并在训练时提取车辆各个关 键部件的特征，如图4所示，初始局部模型包括部件检测子网络，部件检测 子网络用于检测车辆的关键部件，生成各个部件的检测框。

部件检测子网络基于类YOLO(全称：You Only Look Once)结构，能 够从车辆图像得到各个车辆部件的检测框，即直接从车辆图像中回归出车辆 关键部件的包围盒，然后进行检测框映射，具体地，根据部件检测子网络检 测到的各个车辆关键部件的检测框，提取各个关键部件的特征图像，为了避 免车辆图片多次经过特征提取器，本方案中直接从全局特征提取器提取的车 辆全局特征图像中提取车辆部件特征图像，将车辆各个部件的检测框映射到 全局特征图像的相应位置，具体地，全局特征图像被分割为S×S的网格，当 某个网格和车辆某个部件的检测框重叠时，该网格被标记为该检测框对应的 部件，假设全局特征图像长和宽为16×16(即被分割的网格大小)，原始车 辆图像长和宽为256×256，那么两者之间相差16倍数，则将部件的检测框的 长和宽均除以16，则得到局部特征图像，经过检测框映射后，全局特征图像 的每个位置都会被标记为该检测框对应的部件。

接下来，对每个车辆部件的局部特征图像进行局部均值池化处理，提取 2048维的特征向量，每个部件分支均使用1×1卷积层将2048维降低到256维， 获取经过初始局部模型后的局部特征图像。

S204、根据每个车辆图像的全局特征图像，以及对应的已标注的全局特 征图像，获取全局损失函数。

全局损失函数可表示为：

L_g＝E(φ(x；θ)^Tω_g,y) 公式(1)

其中，L_g表示全局损失，φ(x；θ)表示全局特征提取器，x为输入车辆图 像，θ为全局特征提取器参数，ω_g为全局全连接参数，φ(x；θ)^Tω_g为经过初始 全局模型的车辆图像的全局特征图像y'，y为已标注的全局特征图像，E(.)为 交叉熵损失函数，即全局损失函数。

S205、根据每个车辆图像的局部预测图像，以及车辆对应的已标注的局 部特征图像，获取局部损失函数。

局部损失函数可表示为：

其中，L_l表示局部l损失函数，λ_p为各个部件的权重，有n个部件，则每 个部件的权重为

φ(x；θ)表示全局特征提取器，x为输入图片，θ为全局特 征提取器参数，ω_l为局部部件全连接参数，(φ(x；θ)#M_p)^Tw_l为经过初始全局 模型的车辆图像的局部特征图像y_l'，y_l为已标注的局部l特征图像，E(.)为交 叉熵损失函数。特别的，M_p表示部件检测子网络检测到的各个部件位置，#表 示局部特征提取操作，负责把车辆关键部件位置映射到全局特征图中，并使 用局部均值池化得到车辆各个关键部件的特征。

S206、根据局部损失函数和全局损失函数，采用卷积神经网络训练得到 全局模型。

如图4所示，局部损失函数包括三个部件的损失函数，分别是部件的l局 部损失函数(L_l)，部件i的局部损失函数，部件n的局部损失函数，局部损 失函数的数量视部件数量确定，具体的计算方式均参考公式(2)。

在本步骤中，可以采用卷积神经网络训练使得全局损失函数小于第一预 设值，使得各个部件的局部损失函数均小于第二预设值，或者，将所有的局 部损失函数以及全局损失函数相加，得到一个总的损失函数，采用卷积神经 网络训练使得总的损失函数小于预设值，从而得到全局模型，应理解，该全 局模型只包括全局特征提取器。

本实施例提供的相似车辆的识别方法，包括采用卷积神经网络初始化得 到初始全局模型和初始局部模型，将车辆图像集中的每个车辆图像输入到初 始全局模型，获取每个车辆图像的全局特征图像，将车辆图像集中的每个车 辆图像输入到初始局部模型，获取每个车辆图像的局部特征图像，根据每个 车辆图像的局部预测图像，以及车辆对应的已标注的局部特征图像，获取局 部损失函数，根据局部损失函数和全局损失函数，采用卷积神经网络训练得 到全局模型。通过该方法，能够获取全局模型，从而准确地区分相似车辆，提高车辆识别的准确率。

图3为本发明实施例提供的相似车辆的识别方法的流程示意图三，如图 3所示，在S206的一种具体实现中包括如下步骤：

S301、将局部损失函数和全局损失函数相加，获取总的损失函数。

具体地，先将多个局部损失函数相加，得到总的局部损失函数，然后将 局部损失函数和全局损失函数相加，得到的总的损失函数可表示为：

如图4所示，若部件损失函数只包括局部l损失函数L_l，则将L_l和L_g相加， 得到总的损失函数，如公式(3)。

其中，L表示总的损失函数。从公式(3)中可以看出，全局特征提取器在全 局模块和局部模块中均得到了训练，即全局特征图被局部部件分支所约束。

S302、根据总的损失函数，采用卷积神经网络训练得到全局模型。

具体地，采用卷积神经网络训练使得总的损失函数小于预设值，得到全 局模型。

本实施例提供的相似车辆的识别方法，将局部损失函数和全局损失函数 相加，获取总的损失函数，根据总的损失函数，采用卷积神经网络训练得到 全局模型。通过该方法，能够获取全局模型，从而准确地区分相似车辆，提 高车辆识别的准确率。

图5为本发明实施例提供的相似车辆的识别装置的结构示意图，该相似 车辆的识别装置可以为独立的终端设备，也可以为集成在终端设备中的装置， 该装置可以通过软件、硬件或者软硬件结合的方式实现。如图5所示，相似 车辆的识别装置10包括：获取模块11、确定模块12；

获取模块11，用于获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别 车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集 中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车 辆特征图像包括车辆的唯一标识；

确定模块12，用于根据所述待识别车辆的车辆特征图像，从多个相似车 辆中确定所述待识别车辆。

可选的，所述确定模块12具体用于：

获取所述多个相似车辆的图像；

将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相 似车辆的多个车辆特征图像；

根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特 征图像，从所述多个相似车辆中确定所述待识别车辆。

可选的，所述获取模块11还用于：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标 注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标 注的局部特征图像；

根据每个已标注的全局特征图像和每个已标注的局部特征图像，采用卷 积神经网络训练得到所述全局模型。

可选的，所述获取模块11具体用于：

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每 个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每 个车辆图像的局部特征图像；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征 图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征 图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得 到所述全局模型。

可选的，所述获取模块11还具体用于：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

本发明实施例提供的相似车辆的识别装置，可以执行上述方法实施例， 其实现原理和技术效果类似，在此不再赘述。

图6为本发明实施例提供的终端设备的硬件结构示意图，如图6所示， 本实施例的终端设备60包括：处理器601以及存储器602；其中：

存储器602，用于存储计算机执行指令；

处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施 例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描 述。

可选地，存储器602既可以是独立的，也可以跟处理器601集成在一起。

当存储器602独立设置时，该语音交互设备还包括总线603，用于连接 所述存储器602和处理器601。

本发明实施例还提供一种计算机可读存储介质，其中，计算机可读存储 介质存储有计算机程序，所述计算机程序使得服务器执行前述任一实施例提 供的相似车辆的识别方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法， 可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的， 例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外 的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特 征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦 合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可 以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作 为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中， 也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单 元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软 件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机 可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指 令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等) 或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。

应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit， 简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理 器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体 现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完 成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM， 例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或 光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总 线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结 构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地 址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限 定仅有一根总线或一种类型的总线。

上述存储介质可以是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。 存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质 读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的 组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分 立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步 骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可 读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而 前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代 码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对 其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通 技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并 不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种相似车辆的识别方法，其特征在于，包括：

获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征图像包括车辆的唯一标识；

获取多个相似车辆的图像；

将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相似车辆的多个车辆特征图像；

根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特征图像，从所述多个相似车辆中确定所述待识别车辆；

所述全局模型是按照如下训练得到的：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标注的局部特征图像；

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每个车辆图像的局部特征图像；所述局部特征图像是通过所述全局特征图像获得；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型，包括：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

3.一种相似车辆的识别装置，其特征在于，包括：

获取模块，用于获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征图像包括车辆的唯一标识；

确定模块，具体用于获取多个相似车辆的图像；将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相似车辆的多个车辆特征图；根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特征图像，从所述多个相似车辆中确定所述待识别车辆；

所述获取模块还用于：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标注的局部特征图像；

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每个车辆图像的局部特征图像；所述局部特征图像是通过所述全局特征图像获得；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型。

4.根据权利要求3所述的装置，其特征在于，所述获取模块还具体用于：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

Images