CN110765954A - 一种车辆重识别方法、设备及存储装置 - Google Patents
一种车辆重识别方法、设备及存储装置 Download PDFInfo
- Publication number
- CN110765954A CN110765954A CN201911018597.1A CN201911018597A CN110765954A CN 110765954 A CN110765954 A CN 110765954A CN 201911018597 A CN201911018597 A CN 201911018597A CN 110765954 A CN110765954 A CN 110765954A
- Authority
- CN
- China
- Prior art keywords
- feature
- vehicle
- branch
- component alignment
- features
- 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.)
- Pending
Links
Images
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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本申请公开了一种车辆重识别方法、设备及存储装置,该方法包括获取待识别车辆图像;利用多分支部件对齐网络至少对待识别车辆图像进行局部特征提取,获得待识别车辆的局部特征;其中多分支部件对齐网络在提取局部特征的过程中,对局部特征进行了特征的对齐操作;至少计算待识别车辆的局部特征与数据库中图像的特征之间的相似度。通过上述方式,本申请能够提高车辆重识别特征的判别性。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及车辆重识别方法、设备及存储装置。
背景技术
随着人工智能技术的发展,车辆重识别(Vehicle Re-identification)在安防和智能交通领域有着重要的应用价值。作为数据结构化的重要一环,相较于车辆属性等分类任务,车辆重识别属于更细粒度的图像识别任务,其旨在大规模车辆数据库中实现跨摄像机下的车辆身份识别。在监控场景,图像采集设备由于视角固定且距离车辆较近,其往往可以获得较高清晰度的车辆图像和车牌信息,这使得车辆重识别技术落地具备了非常好的应用场景。
在面向车辆的重识别技术研究中,大多数方法基于车牌和车辆外观特征进行车辆身份的识别和匹配。本申请的发明人在长期的研发过程中,发现这些方法大多还难以取得较高的识别准确率,尤其在结合车牌信息的车辆重识别方法中,由于车牌信息识别往往需要经过车牌检测定位和字符分割识别等步骤,使得该类方法操作流程复杂,且无法应对违规套牌、车牌遮挡和不挂牌等情况。另外,考虑到现实环境中光照、姿态和遮挡等因素的影响,仅仅通过提取车辆的全局特征或结合车辆属性特征进行车辆重识别任务,仍难以描述车辆内在的判别性信息,导致获得的车辆外观特征不够鲁棒。
发明内容
本申请主要解决的技术问题是提供一种车辆重识别方法、设备及存储装置,能够提高车辆重识别特征的判别性。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种车辆重识别方法,该方法包括获取待识别车辆图像;利用多分支部件对齐网络至少对待识别车辆图像进行局部特征提取,获得待识别车辆的局部特征;其中多分支部件对齐网络在提取局部特征的过程中,对局部特征进行了特征的强制对齐操作;至少计算待识别车辆的局部特征与数据库中图像的特征之间的相似度。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种计算机设备,该计算机设备包括处理器,处理器用于执行指令以实现上述的车辆重识别方法。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种具有存储功能的装置,该装置存储有程序,所述程序被执行时实现上述的车辆重识别方法。
本申请的有益效果是:区别于现有技术的情况,本申请通过利用多分支部件对齐网络提取车辆的局部特征,且在提取局部特征的过程中,对局部特征进行了特征的强制对齐操作,能够应对识别中的遮挡和其它环境因素的干扰,提高车辆重识别特征的判别性。
附图说明
图1是本申请一实施方式中多分支部件对齐网络框架的结构示意图;
图2是本申请一实施方式中多分支部件对齐网络模型训练方法的流程示意图;
图3是本申请一实施方式中样本图像的示意图;
图4是本申请一实施方式中车辆重识别方法的流程示意图;
图5是本申请另一实施方式中车辆重识别方法的流程示意图;
图6是本申请一实施方式中车辆重识别装置的结构示意图;
图7是本申请一实施方式中计算机设备的结构示意图;
图8是本申请一实施方式中具有存储功能的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。
本申请提供一种多分支部件对齐网络,可应用于智能监控领域,其用于车辆重识别时,能够有效地提升车辆重识别特征判别性,且该网络模型和视频结构化的其他模块具有互补性,并具有很好的扩展性,能够满足用户对功能的个性化需求。本申请以将多分支部件对齐网络应用于车辆重识别方法中为例进行说明,但不限于此,还可以用于其他图像识别方法中。
请参阅图1,图1是本申请一实施方式中多分支部件对齐网络框架的结构示意图。该实施方式中,多分支部件对齐网络包括共享基础网络和多分支网络,多分支网络包括一个全局特征分支、至少一个条纹特征分支和至少一个部件对齐分支。
共享基础网络作为浅层网络,可用于提取图像中丰富的边缘、纹理等细节信息和较粗粒度的语义信息。共享基础网络输出的特征图可作为后面分支网络的输入,使得已经学习到的特征能够被后续分支利用,避免卷积层学习重复特征,减少信息冗余,降低网络训练难度,实现卷积操作共享。分支网络作为深层网络可综合浅层提取的低级特征,进一步提取更丰富的高级特征。
其中,全局特征分支用于提取较粗粒度的车辆全局特征。条纹特征分支用于提取较细粒度的条纹分块局部特征;以使网络关注那些非明显但具有判别性的细粒度特征,充分挖掘车辆有效的表观特征信息。部件对齐分支用于提取具有语义信息的部件对齐特征;部件对齐特征是车辆某部件或某局部区域的特征,如车窗特征、车顶区域特征等,以检测车辆的详细属性,如车窗装饰、车内饰品、车座颜色等,获取到车辆的高级语义信息、捕捉更多具有明显判别性的特征。其中部件对齐分支在提取特征时,对特征进行了强制对齐操作,使得网络模型能够更好地应对遮挡等复杂的环境因素干扰。
该实施方式中,通过设置多分支网络结构,能够兼顾局部特征与整体特征,在保证特征提取效果的基础上含有较少的网络参数,进而提高效率和准确率,提取到更多的判别性信息。
在一实施方式中,多分支部件对齐网络的多分支网络包括一个全局特征分支、四个条纹特征分支和六个部件对齐分支。六个部件对齐分支包括三个来自车头视角的车头、车窗和车顶部件分支和三个来自车尾视角的车尾、车窗和车顶部件分支。能够获取车头、车尾和车窗等较大区域的特征,相较于只针对车牌或挂饰检测的部件检测算法,该网络检测区域尺度较大,较易于检测,且还能够从车头视角和车尾视角等不同视角获取更多的特征。
在一实施方式中,多分支部件对齐网络是端到端的多分支卷积神经网络,可以对多分支部件对齐网络进行端到端的多分支联合训练,使其能够同时学习较粗粒度的显著性全局特征、较细粒度的条纹局部特征和带有语义性信息的部件对齐特征,丰富的特征粒度能够提升特征的判别性。
请参阅图2,图2是本申请一实施方式中多分支部件对齐网络模型训练方法的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图2所示的流程顺序为限。如图2所示,本实施例包括:
S210:获取训练样本图像。
通常是选一系列具有便于区分及统计的标识特征的图像作为训练样本图像。如可搜集各类车辆图像。这些图像各式各样,可以是整个车辆的完整图,也可以是车辆的局部特征图;车辆类型、车辆颜色、车辆形状、车辆姿态等也不同;各图像的分辨率也不同。训练样本图像个数应足够多,可选用几万甚至几十万张样本图像。可把训练样本图像分为两部分,一部分用于模型训练,一部分用于验证和测试。
S220:对样本图像进行车牌遮挡处理。
将样本图像中携带的车牌信息进行遮挡,把遮挡车牌处理后的图像用于训练。通过对样本图像进行车牌遮挡处理,能够使模型在训练时可以关注除车牌之外的其它具有判别性的车辆表观信息,从而消除模型对车牌信息的过度学习,也使得模型能够很好地应对套牌、车牌遮挡和不挂牌车辆图像的识别,对套牌和不挂牌车辆仍适用。
S230:获取样本图像中部件对齐特征的位置坐标。
可将样本图像输入部件检测模型,提取各样本图像中各部件对齐特征的位置坐标信息。部件检测模型具体用于先提取目标候选区域,再通过分类获知候选区域的类别。即部件检测模型的输出包括部件对齐特征的位置坐标信息和部件对齐特征的类别信息,如可输出车头区域及车头区域的位置坐标信息。
部件检测模型可以是训练好的深度卷积神经网络模型,利用卷积神经网络算法能够更精准的对特征区域进行定位。该实施方式中,不限定部件检测模型的神经网络结构和训练方法,可利用任一可实现部件检测定位功能的模型。在其他实施方式中,还可以利用其他方式获取特征区域的位置坐标。
该实施方式中,可获取来自车头视角的车头、车窗和车顶部件特征的位置坐标,和来自车尾视角的车尾、车窗和车顶部件特征的位置坐标。如图3所示,图3是本申请一实施方式中样本图像的示意图。可以采集来自车头视角的车辆数据和车尾视角的车辆数据。同时可以对车牌信息进行遮挡,将处理后的样本图像用于网络模型训练。
其中,步骤S220、S230的执行顺序仅为示意,可以调换先后顺序或者同时进行。
S240:将处理后的样本图像输入多分支部件对齐网络,对训练样本图像进行特征提取。
请结合参阅图1,该实施方式中,多分支部件对齐网络包括共享基础网络和多分支网络,多分支网络包括1个全局特征分支、4个条纹特征分支和6个部件对齐分支。
其中,共享基础网络结构中可设置一层或多层卷积层(Conv),用于提取信息,得到基础特征图F1。每一层卷积层可以有多个卷积核(过滤器),可根据需要设置卷积核的大小、步长和个数。另外,共享基础网络结构中还可以设置一层或多层激活函数(ReLU)层和池化层,在此不做限定。
在一实施方式中,可对基础特征图F1进行池化操作得第二特征图F2,将第二特征图F2作为全局特征分支的输入。其中,可设置采样步长,使得基础特征图F1的尺寸与第二特征图F2的尺寸的比例是2:1。而输入条纹特征分支和部件对齐分支的特征图的尺寸与基础特征图的相同,通过给条纹特征分支和部件对齐分支输入更大尺寸的特征图,能够包含更多信息,从而有助于得到更多具有判别性的条纹特征和部件对齐特征。
在一实施方式中,条纹特征分支共4个,可对基础特征图F1进行4等分条纹分割,得各条纹特征分支的输入。
在一实施方式中,可将获取的各部件对齐特征的位置坐标映射到基础特征图F1上相应位置,通过在基础特征图F1上进行部件分割和自适应采样,得各部件对齐分支的输入。通过进行特征图上的位置映射,能够实现部件对齐特征的强制对齐,使得模型能够更好地应对遮挡等复杂的环境因素干扰。通过在特征图上映射检测的位置坐标,未给分支网络输入尺度化的图像,从而能够提升网络训练效率。
其中,每一分支网络结构中也可设置一层或多层卷积层(Conv)、激活函数层(ReLU)、池化层,用于分别提取全局特征、条纹特征和部件对齐特征。
S250:对多分支部件对齐网络进行训练。
将各分支网络获取的特征输入分类器中进行回归训练。
其中,可以对多分支部件对齐网络进行端到端的多分支联合训练。具体可联合全局特征损失、条纹特征损失和部件对齐特征损失得总损失,将总损失进行梯度反传,迭代更新各网络参数,进而得多分支部件对齐网络模型。
在一实施方式中,各分支网络独立计算损失,可采用交叉熵函数,分别计算各分支网络的损失。联合训练时,将各分支网络的损失进行加权求和得总损失,如可对各分支的损失进行均等加权得到总的损失。
在一实施方式中,各分支网络独立接受标签监督信号进行学习。每一个分支学习车辆的一种特征,并对车辆特征进行识别,通过这种方式,能够形成较强的约束,通过强约束的监督信号帮助网络模型关注语义区域内的判别性区域,直观且可操作性强,有助于各局部特征提取分支学习细粒度的判别性信息。
在一实施方式中,检测不到的部件对齐特征认为是样本图像中不含有该部件对齐特征,在联合训练中,缺乏该部件对齐特征坐标的样本不参与部件对齐特征相应分支的损失值计算和梯度反传。
该实施方式中,全局特征分支可得到较粗粒度的显著特征,条纹特征分支可得到非显著性的局部特征,部件对齐分支可得到具有语义信息约束的细粒度局部特征,以上特征具有多样性,在联合训练过程中,各分支具有互相促进的作用,使得网络学习到更本质的判别性信息,进而使所得模型具有丰富的表观特征表达。
该实施方式中,通过对样本图像进行车牌遮挡预处理,使得模型能够应对违规套牌、车牌遮挡和不挂牌等情况。通过引入部件对齐特征的强对齐机制,使得模型提取部件对齐特征时能够更好地应对遮挡等复杂的环境因素干扰,提高鲁棒性。通过设置条纹特征分支和部件对齐分支,使得模型能够提取更多细粒度判别性特征;相对由多个模型组成的局部特征提取和多特征融合方法,多分支部件对齐网络模型具有较好的实用性和扩展性。且该模型较简单,易于部署和优化;还能够和视频结构化的其他模块具有互补性、强关联性和弱耦合性,满足用户对功能的个性化需求。
在一实施方式中,上述多分支部件对齐网络模型可用于车辆重识别中。请参阅图4,图4是本申请一实施方式中车辆重识别方法的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图4所示的流程顺序为限。如图4所示,本实施例包括:
S410:获取待识别车辆图像。
其中,待识别车辆图像可以是包含车辆整体的全局图像,也可以是只有车辆局部的局部图像。可以是从监控设备中调取的,也可以是其他方式拍摄获取的。
S420:利用多分支部件对齐网络至少对待识别车辆图像进行局部特征提取,获得待识别车辆的局部特征。
其中多分支部件对齐网络在提取局部特征的过程中,对局部特征进行了特征的强制对齐操作。具体地,多分支部件对齐网络至少利用部件对齐分支对待识别车辆图像进行部件对齐特征提取,获得待识别车辆的部件对齐特征;部件对齐分支在提取部件对齐特征的过程中,对部件对齐特征进行了特征的强制对齐操作,详细操作过程请参阅上述实施方式的描述,在此不再赘述。
S430:至少计算待识别车辆的局部特征与数据库中图像的特征之间的相似度。
其中,数据库中的图像可以是包括车辆整体的整体图像,也可以是只有车辆局部的局部图像。如果是整体图像时,应获取图像中与待识别车辆局部特征对应的特征进行比较。如,获取的是待识别车辆车顶的特征,那么也应获取数据库中图像中的车顶部分进行比较。
可获取待识别车辆图像的特征的特征向量和数据库中图像特征的特征向量,对特征向量进行相似度度量,得到车辆重识别结果。
在一实施方式中,可计算特征向量之间的余弦距离作为相似度得分。
该实施方式中,通过利用多分支部件对齐网络提取车辆的局部特征,且在提取局部特征的过程中,对局部特征进行特征的强制对齐,能够应对遮挡和其它环境因素的干扰,提高车辆重识别特征的判别性。
在一实施方式中,可以利用多分支部件对齐网络对待识别车辆图像进行条纹特征和部件对齐特征提取,获得待识别车辆的条纹特征和部件对齐特征;并对部件对齐特征进行强制对齐,计算待识别车辆的条纹特征和部件对齐特征与数据库中图像的条纹特征和部件对齐特征的相似度。
其中,多分支部件对齐网络可输出一个全局特征,四个条纹特征和六个部件对齐特征。但全局特征分支只用于训练阶段,辅助训练,提高模型对特征的识别性能。在测试阶段,全分支得到的全局特征不予采用,仅保存和应用条纹特征和部件对齐特征。
其中,多分支部件对齐网络模型中,全局特征分支和条纹特征分支可构成网络基础模型,其本身已具有较好的车辆识别性能。部件对齐分支的引入可进一步增强模型的性能,提高识别性能。
在一实施方式中,为更进一步地提升特征的判别性,可对特征进行融合,如将各条纹特征进行级联融合;或将条纹特征与部件对齐特征进行级联融合。
具体可对多个条纹特征进行级联和归一化操作,得待识别车辆的条纹特征向量,得到的特征向量用于相似度的计算。和/或对多个部件对齐特征进行级联和归一化操作,得待识别车辆的部件对齐特征向量;和/或对多个条纹特征和多个部件对齐特征进行级联和归一化操作,得待识别车辆的联合特征向量。具体可根据需要进行特征之间的级联融合,在此不作限定。
在一实施方式中,除了特征融合,相似度的融合也能够提高特征判别性。如可融合部件对齐特征相似度和条纹特征相似度得融合相似度,利用融合相似度得车辆重识别结果,提高识别性能。
在一实施方式中,将条纹特征相似度和部件对齐特征相似度进行线性加权可得融合相似度。具体可利用如下公式进行相似度得分融合:
该实施方式中,通过特征级联和相似度得分融合,能够有效提高特征判别性。
在一实施方式中,多分支部件对齐网络中引入部件对齐分支能够满足用户对以图搜图功能的个性化需求。例如,在刑侦案件中,用户需要从数据库检索出某嫌疑车辆的图片信息进行分析时,用户可以根据车辆存在的明显判别性特征(如车窗内的挂饰,车尾的货物)进行标记,模型接受用户所指定的判别区域,进行特征的组合和增强,将用户关注的车辆区域信息给予较高置信度,从而返回具有个性化的搜索结果。
请参阅图5,图5是本申请另一实施方式中车辆重识别方法的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图5所示的流程顺序为限。如图5所示,本实施例包括:
S501:获取待识别车辆图像。
待识别车辆图像可以是超速摄像头、天网监控、电子警察等具有拍摄功能的监控设备直接拍摄得到待识别的车辆图像,也可以是各种个人计算机、笔记本电脑、智能手机或平板电脑等具有存储功能的智能终端设备存储的车辆图像。待识别车辆图像可以是包含完整车辆的图像,也可以是只有车辆局部区域的图像。待识别车辆图像中还可以携带标记信息,凸显用户输入的感兴趣区域。
S502:获取待识别车辆图像的条纹特征和/或部件对齐特征。
将待识别车辆图像输入多分支部件对齐网络模型。多分支部件对齐网络模型是利用上述任一实施方式训练得到的。该实施方式中,可以将网络模型输出的4个条纹特征进行级联和归一化操作,得到一个总的条纹特征向量fbase;可以将网络模型输出的6个部件对齐特征分别进行归一化操作,得到6个部件对齐特征向量;也可以将网络模型输出的6个部件对齐特征分别进行级联和归一化操作,得到一个总的部件对齐特征向量。
在一实施方式中,可以将用户输入的标记区域ds通过判别函数Fc得到对应的特征向量fi=Fc(ds),fi是来自于车头、车尾、车窗和车顶等六个部件对齐特征之一或者它们之间的级联组合并归一化的特征。该实施方式中,将用户感兴趣区域的特征作为部件对齐特征,对特征进行强制对齐。
S503:计算待识别车辆特征与数据库中图像特征之间的相似度。
该实施方式中,可以将条纹特征的相似度得分与部件对齐特征的相似度得分进行加权融合,以提升特征的判别性。可利用上文公式进行相似度得分融合,具体请参阅上文描述。
S504:对匹配结果进行排序及可视化。
可根据步骤S503的相似度得分对检索结果排序并记录,并将与待识别图像匹配的排序结果和得分进行可视化。
该实施方式中,能够满足用户对以图搜图功能的个性化需求,引入用户感兴趣区域,以便获得高区分度的局部特征,且通过采用特征级联和相似度得分加权融合,能够提升特征判别性,可以提升产品竞争力和用户体验。
以上实施方案,能够解决车牌信息的车辆重识别方法无法应对违规套牌、车牌遮挡和不挂牌等问题,还能解决基于车辆表观特征的行人重识别方法存在提取的特征不够鲁棒、可扩展性差和模型较复杂等问题。本申请所提供的基于多分支部件对齐网络的车辆重识别方法,其可以有效地提升车辆重识别特征判别性,且具有很好的扩展性,能够满足用户对功能的个性化需求。
请参阅图6,图6是本申请一实施方式中车辆重识别装置的结构示意图。该实施方式中,车辆重识别装置60包括第一获取模块610、第二获取模块620和运算模块630。
其中,第一获取模块610用于获取待识别车辆图像。第二获取模块620用于利用多分支部件对齐网络至少对待识别车辆图像进行局部特征提取,获得待识别车辆的局部特征;其中多分支部件对齐网络在提取局部特征的过程中,对局部特征进行了特征的强制对齐操作。运算模块630用于至少计算待识别车辆的局部特征与数据库中图像的特征之间的相似度。
在一实施方式中,第二获取模块620用于利用多分支部件对齐网络的部件对齐分支对待识别车辆图像进行部件对齐特征提取,获得待识别车辆的部件对齐特征;部件对齐分支在提取部件对齐特征的过程中,对部件对齐特征进行了特征的强制对齐操作。
在一实施方式中,第二获取模块620还可以用于利用多分支部件对齐网络的条纹特征分支对待识别车辆图像进行条纹特征提取,获得待识别车辆的条纹特征。
在一实施方式中,运算模块630用于计算待识别车辆的部件对齐特征与数据库中图像的部件对齐特征的相似度;和/或用于计算待识别车辆的条纹特征与数据库中图像的条纹特征的相似度。
在一实施方式中,运算模块630包括融合单元,用于融合部件对齐特征相似度和条纹特征相似度得融合相似度,利用融合相似度得车辆重识别结果。
在一实施方式中,将条纹特征相似度和部件对齐特征相似度进行线性加权得融合相似度,条纹特征相似度的加权系数为平衡因子,部件对齐特征相似度的加权系数为条纹特征相似度。
在一实施方式中,车辆重识别装置60还可以包括训练模块,用于训练多分支部件对齐网络模型,具体训练过程请参阅上述实施方式的描述。在另一实施方式中,也可以利用另外的装置训练得多分支部件对齐网络模型,车辆重识别装置则直接调用,在此不做限定。
请参阅图7,图7是本申请一实施方式中计算机设备的结构示意图。该实施方式中,计算机设备800包括处理器8001。
处理器8001还可以称为CPU(Central Processing Unit,中央处理单元)。处理器8001可能是一种集成电路芯片,具有信号的处理能力。处理器8001还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。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。
计算机设备800可以进一步包括存储器(图中未示出),用于存储处理器8001运行所需的指令和数据。
处理器8001用于执行指令以实现上述本申请车辆重识别方法任一实施例及任意不冲突的组合所提供的方法。还可以用于多分支部件对齐网络模型的训练。
请参阅图8,图8为本申请一实施方式中具有存储功能的装置的结构示意图。本申请实施例的具有存储功能的装置900存储有指令,该指令被执行时实现本申请车辆重识别方法任一实施例以及任意不冲突的组合所提供的方法。其中,该指令可以形成程序文件以软件产品的形式存储在上述具有存储功能的装置中,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(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的具有存储功能的装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,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,例如多个单元或组件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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (19)
1.一种车辆重识别方法,其特征在于,包括:
获取待识别车辆图像;
利用多分支部件对齐网络至少对所述待识别车辆图像进行局部特征提取,获得所述待识别车辆的局部特征;其中所述多分支部件对齐网络在提取所述局部特征的过程中,对所述局部特征进行了特征的强制对齐操作;
至少计算所述待识别车辆的局部特征与数据库中图像的特征之间的相似度。
2.根据权利要求1所述的车辆重识别方法,其特征在于,所述多分支部件对齐网络包括共享基础网络和多分支网络,所述多分支网络至少包括一个部件对齐分支,所述部件对齐分支用于提取部件对齐特征;所述至少对待识别车辆图像进行局部特征提取,对局部特征进行特征的强制对齐操作包括:
至少利用所述部件对齐分支对所述待识别车辆图像进行部件对齐特征提取,获得所述待识别车辆的部件对齐特征;所述部件对齐分支在提取所述部件对齐特征的过程中,对所述部件对齐特征进行了特征的强制对齐操作。
3.根据权利要求2所述的车辆重识别方法,其特征在于,所述多分支网络还包括一个全局特征分支和至少一个条纹特征分支,所述全局特征分支用于提取车辆全局特征,所述条纹特征分支用于提取条纹分块局部特征,所述至少对待识别车辆图像进行局部特征提取还包括:
至少利用所述条纹特征分支对所述待识别车辆图像进行条纹分块局部特征提取,获得所述待识别车辆的条纹特征。
4.根据权利要求3所述的车辆重识别方法,其特征在于,所述利用多分支部件对齐网络至少对所述待识别车辆图像进行局部特征提取之前包括:
获取训练样本图像;
对所述训练样本图像进行预处理;
将预处理之后的训练样本图像输入所述多分支部件对齐网络,对所述多分支部件对齐网络进行训练,得多分支部件对齐网络模型。
5.根据权利要求4所述的车辆重识别方法,其特征在于,所述对多分支部件对齐网络进行训练包括:
将各部件对齐特征的位置坐标映射到基础特征图上的相应位置,对所述基础特征图进行特征区域分割和自适应采样,得各所述部件对齐分支的输入;所述基础特征图是所述共享基础网络的输出。
6.根据权利要求4所述的车辆重识别方法,其特征在于,所述对多分支部件对齐网络进行训练包括:
对基础特征图进行池化操作得第二特征图,将所述第二特征图作为所述全局特征分支的输入,其中设置所述池化操作的采样步长,使得所述基础特征图尺寸与所述第二特征图尺寸的比例为2:1,所述基础特征图是所述共享基础网络的输出。
7.根据权利要求4所述的车辆重识别方法,其特征在于,所述条纹特征分支为四个,所述对多分支部件对齐网络进行训练包括:
对基础特征图进行四等分条纹分割,得各所述条纹特征分支的输入,所述基础特征图是所述共享基础网络的输出。
8.根据权利要求4所述的车辆重识别方法,其特征在于,所述对多分支部件对齐网络进行训练包括:
采用交叉熵损失函数分别独立计算各分支网络的损失;
将所述各分支网络的损失进行加权求和得总损失;
将所述总损失进行梯度反传,更新网络参数,得所述多分支部件对齐网络模型。
9.根据权利要求4所述的车辆重识别方法,其特征在于,所述对多分支部件对齐网络进行训练包括:
各分支网络独立接受标签监督。
10.根据权利要求4所述的车辆重识别方法,其特征在于,所述对多分支部件对齐网络进行训练包括:
若所述训练样本图像中不包含某部件对齐特征,则缺乏某部件对齐特征的样本图像不参与该部件对齐特征所对应部件对齐分支的损失值计算和梯度反传。
11.根据权利要求4所述的车辆重识别方法,其特征在于,所述对训练样本图像进行预处理包括:
遮挡所述训练样本图像中的车牌信息;和/或
获取所述训练样本图像中部件对齐特征的位置坐标信息。
12.根据权利要求3所述的车辆重识别方法,其特征在于,所述至少计算待识别车辆的局部特征与数据库中图像的特征之间的相似度包括:
计算所述待识别车辆的部件对齐特征与所述数据库中图像的部件对齐特征的相似度;和/或
计算所述待识别车辆的条纹特征与所述数据库中图像的条纹特征的相似度。
13.根据权利要求12所述的车辆重识别方法,其特征在于,所述方法还包括:
将所述条纹特征相似度和所述部件对齐特征相似度进行线性加权得融合相似度,利用所述融合相似度得车辆重识别结果。
14.根据权利要求13所述的车辆重识别方法,其特征在于,所述条纹特征相似度的加权系数为平衡因子,所述部件对齐特征相似度的加权系数为所述条纹特征相似度。
15.根据权利要求3所述的车辆重识别方法,其特征在于,所述方法还包括:
对多个条纹特征进行级联和归一化操作,得所述待识别车辆的条纹特征向量;和/或
对多个部件对齐特征进行级联和归一化操作,得所述待识别车辆的部件对齐特征向量;和/或
对多个条纹特征和多个部件对齐特征进行级联和归一化操作,得所述待识别车辆的联合特征向量。
16.根据权利要求2所述的车辆重识别方法,其特征在于,所述多分支网络包括一个全局特征分支、四个条纹特征分支和六个部件对齐分支;
所述部件对齐分支包括三个来自车头视角的车头、车窗和车顶特征分支和三个来自车尾视角的车尾、车窗和车顶特征分支。
17.根据权利要求1所述的车辆重识别方法,其特征在于,所述相似度为特征向量之间的余弦距离。
18.一种计算机设备,其特征在于,包括处理器,所述处理器用于执行指令以实现如权利要求1-17任一项所述的车辆重识别方法。
19.一种具有存储功能的装置,其特征在于,所述装置存储有程序,所述程序被执行时能够实现如权利要求1-17任一项所述的车辆重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018597.1A CN110765954A (zh) | 2019-10-24 | 2019-10-24 | 一种车辆重识别方法、设备及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018597.1A CN110765954A (zh) | 2019-10-24 | 2019-10-24 | 一种车辆重识别方法、设备及存储装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765954A true CN110765954A (zh) | 2020-02-07 |
Family
ID=69333356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018597.1A Pending CN110765954A (zh) | 2019-10-24 | 2019-10-24 | 一种车辆重识别方法、设备及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765954A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444840A (zh) * | 2020-03-26 | 2020-07-24 | 中科海微(北京)科技有限公司 | 一种套牌车辆自动检测方法及系统 |
CN111582178A (zh) * | 2020-05-09 | 2020-08-25 | 山东建筑大学 | 基于多方位信息和多分支神经网络车辆重识别方法及系统 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111814857A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111860431A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 图像中对象的识别方法和装置、存储介质及电子装置 |
CN112818837A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 |
CN112990152A (zh) * | 2021-05-10 | 2021-06-18 | 中国科学院自动化研究所 | 基于关键点检测和局部特征对齐的车辆重识别方法 |
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113378984A (zh) * | 2021-07-05 | 2021-09-10 | 国药(武汉)医学实验室有限公司 | 一种医学图像分类方法、系统、终端以及存储介质 |
CN113435333A (zh) * | 2021-06-28 | 2021-09-24 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
WO2022001034A1 (en) * | 2020-06-29 | 2022-01-06 | Zhejiang Dahua Technology Co., Ltd. | Target re-identification method, network training method thereof, and related device |
WO2023024790A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海商汤智能科技有限公司 | 车辆识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574494A (zh) * | 2015-12-11 | 2016-05-11 | 清华大学 | 一种多分类器姿势识别方法及装置 |
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 |
CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和系统 |
CN108960331A (zh) * | 2018-07-10 | 2018-12-07 | 重庆邮电大学 | 一种基于行人图像特征聚类的行人再识别方法 |
CN109344841A (zh) * | 2018-08-10 | 2019-02-15 | 北京华捷艾米科技有限公司 | 一种服装识别方法及装置 |
CN110084139A (zh) * | 2019-04-04 | 2019-08-02 | 长沙千视通智能科技有限公司 | 一种基于多分支深度学习的车辆重识别方法 |
CN110097068A (zh) * | 2019-01-17 | 2019-08-06 | 北京航空航天大学 | 相似车辆的识别方法和装置 |
-
2019
- 2019-10-24 CN CN201911018597.1A patent/CN110765954A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574494A (zh) * | 2015-12-11 | 2016-05-11 | 清华大学 | 一种多分类器姿势识别方法及装置 |
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 |
CN108681707A (zh) * | 2018-05-15 | 2018-10-19 | 桂林电子科技大学 | 基于全局和局部特征融合的大角度车型识别方法和系统 |
CN108960331A (zh) * | 2018-07-10 | 2018-12-07 | 重庆邮电大学 | 一种基于行人图像特征聚类的行人再识别方法 |
CN109344841A (zh) * | 2018-08-10 | 2019-02-15 | 北京华捷艾米科技有限公司 | 一种服装识别方法及装置 |
CN110097068A (zh) * | 2019-01-17 | 2019-08-06 | 北京航空航天大学 | 相似车辆的识别方法和装置 |
CN110084139A (zh) * | 2019-04-04 | 2019-08-02 | 长沙千视通智能科技有限公司 | 一种基于多分支深度学习的车辆重识别方法 |
Non-Patent Citations (1)
Title |
---|
XUAN ZHANG ET AL: "AlignedReID: Surpassing Human-Level Performance in Person Re-Identification", 《ARXIV》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444840A (zh) * | 2020-03-26 | 2020-07-24 | 中科海微(北京)科技有限公司 | 一种套牌车辆自动检测方法及系统 |
CN111582178A (zh) * | 2020-05-09 | 2020-08-25 | 山东建筑大学 | 基于多方位信息和多分支神经网络车辆重识别方法及系统 |
CN111582178B (zh) * | 2020-05-09 | 2021-06-18 | 山东建筑大学 | 基于多方位信息和多分支神经网络车辆重识别方法及系统 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
WO2022001034A1 (en) * | 2020-06-29 | 2022-01-06 | Zhejiang Dahua Technology Co., Ltd. | Target re-identification method, network training method thereof, and related device |
CN111814857A (zh) * | 2020-06-29 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
EP4136580A4 (en) * | 2020-06-29 | 2024-01-17 | Zhejiang Dahua Technology Co | TARGET REIDENTIFICATION METHOD, NETWORK TRAINING METHOD THEREFOR AND ASSOCIATED APPARATUS |
CN111814857B (zh) * | 2020-06-29 | 2021-07-06 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111860431A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 图像中对象的识别方法和装置、存储介质及电子装置 |
CN111860431B (zh) * | 2020-07-30 | 2023-12-12 | 浙江大华技术股份有限公司 | 图像中对象的识别方法和装置、存储介质及电子装置 |
CN112818837A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 |
CN112818837B (zh) * | 2021-01-29 | 2022-11-11 | 山东大学 | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 |
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN112990152B (zh) * | 2021-05-10 | 2021-07-30 | 中国科学院自动化研究所 | 基于关键点检测和局部特征对齐的车辆重识别方法 |
CN112990152A (zh) * | 2021-05-10 | 2021-06-18 | 中国科学院自动化研究所 | 基于关键点检测和局部特征对齐的车辆重识别方法 |
CN113435333A (zh) * | 2021-06-28 | 2021-09-24 | 深圳市商汤科技有限公司 | 一种数据处理方法、装置、计算机设备和存储介质 |
CN113378984A (zh) * | 2021-07-05 | 2021-09-10 | 国药(武汉)医学实验室有限公司 | 一种医学图像分类方法、系统、终端以及存储介质 |
CN113378984B (zh) * | 2021-07-05 | 2023-05-02 | 国药(武汉)医学实验室有限公司 | 一种医学图像分类方法、系统、终端以及存储介质 |
WO2023024790A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海商汤智能科技有限公司 | 车辆识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765954A (zh) | 一种车辆重识别方法、设备及存储装置 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
US11232318B2 (en) | Methods and apparatuses for vehicle appearance feature recognition, methods and apparatuses for vehicle retrieval, storage medium, and electronic devices | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
Liu et al. | Two-stage copy-move forgery detection with self deep matching and proposal superglue | |
Mathur et al. | Crosspooled FishNet: transfer learning based fish species classification model | |
Aung et al. | Face detection in real time live video using yolo algorithm based on Vgg16 convolutional neural network | |
Xia et al. | Loop closure detection for visual SLAM using PCANet features | |
Wang et al. | Deep sub-region network for salient object detection | |
CN111178251A (zh) | 一种行人属性识别方法及系统、存储介质及终端 | |
Ye et al. | A two-stage real-time YOLOv2-based road marking detector with lightweight spatial transformation-invariant classification | |
CN111985367A (zh) | 一种基于多尺度特征融合的行人重识别特征提取方法 | |
Lin et al. | Application research of neural network in vehicle target recognition and classification | |
He et al. | Aggregating local context for accurate scene text detection | |
Ahmed et al. | Symmetric image contents analysis and retrieval using decimation, pattern analysis, orientation, and features fusion | |
Najibi et al. | Towards the success rate of one: Real-time unconstrained salient object detection | |
Zhang et al. | Re-abstraction and perturbing support pair network for few-shot fine-grained image classification | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN112861776A (zh) | 一种基于密集关键点的人体姿态分析方法和系统 | |
CN110148133B (zh) | 基于特征点及其结构关系的电路板残片图像识别方法 | |
Mu et al. | Finding autofocus region in low contrast surveillance images using CNN-based saliency algorithm | |
Liu et al. | Remote sensing image vehicle detection based on pre-training and random-initialized fusion network | |
CN112241736A (zh) | 一种文本检测的方法及装置 | |
Dong et al. | Scene-oriented hierarchical classification of blurry and noisy images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |