CN112580569B - 一种基于多维特征的车辆重识别方法及装置 - Google Patents
一种基于多维特征的车辆重识别方法及装置 Download PDFInfo
- Publication number
- CN112580569B CN112580569B CN202011567772.5A CN202011567772A CN112580569B CN 112580569 B CN112580569 B CN 112580569B CN 202011567772 A CN202011567772 A CN 202011567772A CN 112580569 B CN112580569 B CN 112580569B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identification
- recognition
- features
- multidimensional
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于多维特征的车辆重识别方法及装置,包括如下步骤:通过监视摄像头获取含有目标车辆的图像帧;对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;求得第一识别域和第二识别域的交集得到目标车辆集。本申请采用车辆重识别和多维特征结合识别的方式,能够增加重识别的准确率,从而解决无车牌、车辆相似性很高的情况存在的问题。
Description
技术领域
本申请涉及一种基于多维特征的车辆重识别方法及装置。
背景技术
随着人民生活水平的不断提高,对于出行要求也越来越高,城市机动车保有量日益增多,车辆管理、有效通行的矛盾日趋突出。车辆重识别是指对不同监控相机下的车辆图片进行检索,在海量车辆图片、视频钟找到目标车辆的过程。车辆重识别对于如刑侦、高速收费稽查稽核、公共管理、智慧交通等有着重大意义。现有基于深度特征的重识别方法,大多数是只采用整幅图片的全局特征、部分显著特征或只使用孪生网络等模型进行车辆重识别,对于无车牌、车辆很相似的车辆识别准确率较低。
发明内容
为了解决上述问题,本申请一方面公开了一种基于多维特征的车辆重识别方法:包括如下步骤:通过监视摄像头获取含有目标车辆的图像帧;对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;求得第一识别域和第二识别域的交集得到目标车辆集。本申请采用车辆重识别和多维特征结合识别的方式,能够增加重识别的准确率,从而解决无车牌、车辆相似性很高的情况存在的问题,多维特征中存在车牌识别错误、不错在车牌、车型识别错误等问题,使用的是局部显著特征,车辆重识别模型是将整幅图片输入获取整幅图片的全局特征根据车辆重拾别模型得出结果,不会聚焦到具体的特征比如车型,车牌,因此二者结合可以解决二者单独使用时的不足,大大提高识别的准确率,且由于模糊识别的原因,具有结合相关车辆的行驶路线的基础,在此基础上,可以实现对于车辆的行驶路线的准确还原。
优选的,所述车辆重识别模型的骨干网络采用稀疏化Resnet101,损失函数采用三元损失函数。
优选的,还包括用于训练车辆重识别模型的训练集,所述车辆重识别训练集为三元组形式,所述三元组形式为每对训练数据包括两张不同监视摄像头拍摄的相同的车辆图像和一张与之不同的车辆图像。
优选的,所述车辆重识别模型的采用三元损失函数和梯度下降算法在车辆重识别训练集上计算梯度并更新网络参数,并利用测试集进行测试以选取识别准确率超过重识别阈值的模型,以得到最终的车辆重识别模型。
优选的,所述车辆重识别训练集还包括将图片归一化统一尺寸并进行去噪处理的过程;所述归一化及去噪处理采用opencv中直方图均衡化及双边滤波算法。
优选的,所述多维特征识别模型按照如下步骤训练得到:从获得的图像帧中建立车辆数据集,所述车辆数据集包括车辆图像和车辆真实信息;
按照车辆特征构建多维特征训练集和多维特征测试集;
所述多维特征识别模型主干网络采用Resnet101网络,作为基础特征提取网络,并加入注意力机制,基础特征提取网络作为其他的属性识别分支的起点,通过神经网络结构搜索技术构建的多分支车辆多属性识别网络,一次识别车辆的多维特征。
优选的,对待识别车辆利用多维特征识别模型获得的多维特征按照hash方式进行编码,得到待识别车辆的车辆结构化特征向量;
还包括一待识别数据库,所述待识别数据库包括目标车辆经过hash编码得到的目标车辆的车辆结构化特征向量;
计算待识别车辆的车辆结构化特征向量以及目标车辆的车辆结构化特征向量的余弦相似度,根据余弦相似度的大小排序得到最相似的若干识别结果形成第二识别域。本申请采用hash编码的方式可将多维特征(车牌、车型、品牌等等)映射到有限空间内,并对部分特征实现加权,从而避免只是用车牌识别的缺点,例如车牌识别错误、车牌未识别等。
优选的,通过监视摄像头获取含有目标车辆的图像帧包括如下步骤:通过监视摄像头获取目标车辆的监测视频;从监视摄像头的视频流中提取含有目标车辆的图像帧。
优选的,所述车辆特征包括车身颜色、车牌颜色、车型、车辆品牌、车牌、车身最大长度、车身最大宽度、前座人数、车尾类型、瑕疵特征、改装特征。
另一方面,一种基于多维特征的车辆重识别装置,包括:获取模块,用于通过监视摄像头获取含有目标车辆的图像帧;第一识别模块,用于对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;第二识别模块,用于对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;综合模块,用于求得第一识别域和第二识别域的交集得到目标车辆集。
本申请能够带来如下有益效果:
1、本申请采用车辆重识别和多维特征结合识别的方式,能够增加重识别的准确率,从而解决无车牌、车辆相似性很高的情况存在的问题,多维特征中存在车牌识别错误、不错在车牌、车型识别错误等问题,使用的是局部显著特征,车辆重识别模型是将整幅图片输入获取整幅图片的全局特征根据车辆重拾别模型得出结果,不会聚焦到具体的特征比如车型,车牌,因此二者结合可以解决二者单独使用时的不足,大大提高识别的准确率,且由于模糊识别的原因,具有结合相关车辆的行驶路线的基础,在此基础上,可以实现对于车辆的行驶路线的准确还原;
2、本申请采用hash编码的方式可将多维特征(车牌、车型、品牌等等)映射到有限空间内,并对部分特征实现加权,从而避免只是用车牌识别的缺点,例如车牌识别错误、车牌未识别等。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为第一个实施例的示意图;
图2为第一个实施例中hash编码的示意图;
图3为第二个实施例的示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本申请进行详细阐述。
在第一个实施例中,如图1所示,一种基于多维特征的车辆重识别方法,包括如下步骤:
S101.通过监视摄像头获取含有目标车辆的图像帧;包括如下步骤:
通过监视摄像头获取目标车辆的监测视频;
从监视摄像头的视频流中提取含有目标车辆的图像帧。
S102.对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;
所述车辆重识别模型的骨干网络采用稀疏化Resnet101,损失函数采用三元损失函数;还包括用于训练车辆重识别模型的训练集,所述车辆重识别训练集为三元组形式,所述三元组形式为每对训练数据包括两张不同监视摄像头拍摄的相同的车辆图像和一张与之不同的车辆图像;所述车辆重识别模型的采用三元损失函数和梯度下降算法在车辆重识别训练集上计算梯度并更新网络参数,并利用测试集进行测试以选取识别准确率超过重识别阈值的模型,以得到最终的车辆重识别模型;所述车辆重识别训练集还包括将图片归一化统一尺寸并进行去噪处理的过程;所述归一化及去噪处理采用opencv中直方图均衡化及双边滤波算法。
S103.对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;
所述多维特征识别模型按照如下步骤训练得到:从获得的图像帧中建立车辆数据集,所述车辆数据集包括车辆图像和车辆真实信息;
按照车辆特征构建多维特征训练集和多维特征测试集;
所述多维特征识别模型主干网络采用Resnet101网络,作为基础特征提取网络,并加入注意力机制,基础特征提取网络作为其他的属性识别分支的起点,通过神经网络结构搜索技术构建的多分支车辆多属性识别网络,一次识别车辆的多维特征。
如图2所示,对待识别车辆利用多维特征识别模型获得的多维特征按照hash方式进行编码,得到待识别车辆的车辆结构化特征向量;比如蓝牌鲁A33333,白色哈弗SUV H62019款,车身长宽度为1.8米:首先将特征映射成相应特征码,比如蓝色对应0,然后使用hash算法将特征码进行编码加权形成车辆结构化特征向量。
还包括一待识别数据库,所述待识别数据库包括目标车辆经过hash编码得到的目标车辆的车辆结构化特征向量;
计算待识别车辆的车辆结构化特征向量以及目标车辆的车辆结构化特征向量的余弦相似度,根据余弦相似度的大小排序得到最相似的若干识别结果形成第二识别域。
所述车辆特征包括车身颜色、车牌颜色、车型、车辆品牌、车牌、车身最大长度、车身最大宽度、前座人数、车尾类型、瑕疵特征、改装特征。
S104.求得第一识别域和第二识别域的交集得到目标车辆集。
在第二个实施例中,如图3所示,一种基于多维特征的车辆重识别装置,包括:
获取模块201,用于通过监视摄像头获取含有目标车辆的图像帧;
第一识别模块202,用于对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;
第二识别模块203,用于对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;
综合模块204,用于求得第一识别域和第二识别域的交集得到目标车辆集。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种基于多维特征的车辆重识别方法,其特征在于:包括如下步骤:
通过监视摄像头获取含有目标车辆的图像帧;
对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;
对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;
求得第一识别域和第二识别域的交集得到目标车辆集;
多维特征识别模型按照如下步骤训练得到:从获得的图像帧中建立车辆数据集,所述车辆数据集包括车辆图像和车辆真实信息;
按照车辆特征构建多维特征训练集和多维特征测试集;
所述多维特征识别模型主干网络采用Resnet101网络,作为基础特征提取网络,并加入注意力机制,基础特征提取网络作为其他的属性识别分支的起点,通过神经网络结构搜索技术构建的多分支车辆多属性识别网络,一次识别车辆的多维特征;
对待识别车辆利用多维特征识别模型获得的多维特征映射成相应特征码,按照hash方式将所述特征码进行编码加权,得到待识别车辆的车辆结构化特征向量;
还包括一待识别数据库,所述待识别数据库包括目标车辆经过hash编码得到的目标车辆的车辆结构化特征向量;
计算待识别车辆的车辆结构化特征向量以及目标车辆的车辆结构化特征向量的余弦相似度,根据余弦相似度的大小排序得到最相似的若干识别结果形成第二识别域;
所述车辆重识别模型的骨干网络采用稀疏化Resnet101,损失函数采用三元损失函数;
还包括用于训练车辆重识别模型的训练集,所述车辆重识别训练集为三元组形式,所述三元组形式为每对训练数据包括两张不同监视摄像头拍摄的相同的车辆图像和一张与之不同的车辆图像;
所述车辆重识别模型的采用三元损失函数和梯度下降算法在车辆重识别训练集上计算梯度并更新网络参数,并利用测试集进行测试以选取识别准确率超过重识别阈值的模型,以得到最终的车辆重识别模型;
所述车辆重识别训练集还包括将图片归一化统一尺寸并进行去噪处理的过程;
所述归一化及去噪处理采用opencv中直方图均衡化及双边滤波算法;
所述车辆特征包括车身颜色、车牌颜色、车型、车辆品牌、车牌、车身最大长度、车身最大宽度、前座人数、车尾类型、瑕疵特征、改装特征。
2.根据权利要求1所述的一种基于多维特征的车辆重识别方法,其特征在于:通过监视摄像头获取含有目标车辆的图像帧包括如下步骤:
通过监视摄像头获取目标车辆的监测视频;
从监视摄像头的视频流中提取含有目标车辆的图像帧。
3.一种基于多维特征的车辆重识别装置,其特征在于:包括:
获取模块,用于通过监视摄像头获取含有目标车辆的图像帧;
第一识别模块,用于对图像帧进行车辆重识别模型的识别:从图像帧中利用车辆重识别模型进行车辆识别得到第一识别域;
第二识别模块,用于对图像帧进行多维特征模型的识别:从图像帧中利用多维特征模型获取车辆的多维特征,并且对多维特征进行编码,基于编码之后的多维特征进行匹配得到第二识别域;多维特征识别模型按照如下步骤训练得到:从获得的图像帧中建立车辆数据集,所述车辆数据集包括车辆图像和车辆真实信息;按照车辆特征构建多维特征训练集和多维特征测试集;所述多维特征识别模型主干网络采用Resnet101网络,作为基础特征提取网络,并加入注意力机制,基础特征提取网络作为其他的属性识别分支的起点,通过神经网络结构搜索技术构建的多分支车辆多属性识别网络,一次识别车辆的多维特征;对待识别车辆利用多维特征识别模型获得的多维特征映射成相应特征码,按照hash方式将所述特征码进行编码加权,得到待识别车辆的车辆结构化特征向量;还包括一待识别数据库,所述待识别数据库包括目标车辆经过hash编码得到的目标车辆的车辆结构化特征向量;计算待识别车辆的车辆结构化特征向量以及目标车辆的车辆结构化特征向量的余弦相似度,根据余弦相似度的大小排序得到最相似的若干识别结果形成第二识别域;
所述车辆重识别模型的骨干网络采用稀疏化Resnet101,损失函数采用三元损失函数;还包括用于训练车辆重识别模型的训练集,所述车辆重识别训练集为三元组形式,所述三元组形式为每对训练数据包括两张不同监视摄像头拍摄的相同的车辆图像和一张与之不同的车辆图像;所述车辆重识别模型的采用三元损失函数和梯度下降算法在车辆重识别训练集上计算梯度并更新网络参数,并利用测试集进行测试以选取识别准确率超过重识别阈值的模型,以得到最终的车辆重识别模型;所述车辆重识别训练集还包括将图片归一化统一尺寸并进行去噪处理的过程;所述归一化及去噪处理采用opencv中直方图均衡化及双边滤波算法;所述车辆特征包括车身颜色、车牌颜色、车型、车辆品牌、车牌、车身最大长度、车身最大宽度、前座人数、车尾类型、瑕疵特征、改装特征;
综合模块,用于求得第一识别域和第二识别域的交集得到目标车辆集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567772.5A CN112580569B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多维特征的车辆重识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567772.5A CN112580569B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多维特征的车辆重识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580569A CN112580569A (zh) | 2021-03-30 |
CN112580569B true CN112580569B (zh) | 2023-06-09 |
Family
ID=75140676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011567772.5A Active CN112580569B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多维特征的车辆重识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580569B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627477A (zh) * | 2021-07-07 | 2021-11-09 | 武汉魅瞳科技有限公司 | 车辆多属性识别方法及系统 |
CN114067286A (zh) * | 2022-01-18 | 2022-02-18 | 松立控股集团股份有限公司 | 基于序列化可形变注意力机制的高位相机车辆重识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166685A (zh) * | 2014-07-24 | 2014-11-26 | 北京捷成世纪科技股份有限公司 | 一种检测视频片段的方法和装置 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN107885764A (zh) * | 2017-09-21 | 2018-04-06 | 银江股份有限公司 | 基于多任务深度学习快速哈希车辆检索方法 |
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 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
-
2020
- 2020-12-25 CN CN202011567772.5A patent/CN112580569B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166685A (zh) * | 2014-07-24 | 2014-11-26 | 北京捷成世纪科技股份有限公司 | 一种检测视频片段的方法和装置 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN107885764A (zh) * | 2017-09-21 | 2018-04-06 | 银江股份有限公司 | 基于多任务深度学习快速哈希车辆检索方法 |
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 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
Non-Patent Citations (3)
Title |
---|
Domain is of the Essence: Data Deployment for City-Scale Multi-Camera Vehicle Re-Identification;Mark Schutera et.al;《 2019 16th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS)》;20191125;第2-5页 * |
基于改进DRDL 模型的车辆再识别算法;杨飚 等;《现代计算机》;20191031;第34-38页 * |
多任务分段紧凑特征的车辆检索方法;何霞 等;《中国图象图形学报》;20181231;第23卷(第12期);第1803-1810页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580569A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN111652293B (zh) | 一种多任务联合判别学习的车辆重识别方法 | |
CN111353395A (zh) | 一种基于长短期记忆网络的换脸视频检测方法 | |
CN112580569B (zh) | 一种基于多维特征的车辆重识别方法及装置 | |
CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
CN105787466B (zh) | 一种车辆类型的精细识别方法及系统 | |
CN108830254B (zh) | 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法 | |
CN111507413B (zh) | 一种基于字典学习的城市管理案件图像识别方法 | |
CN108345900B (zh) | 基于颜色纹理分布特征的行人重识别方法及其系统 | |
CN113486886B (zh) | 一种自然场景下的车牌识别方法和装置 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
CN115188066A (zh) | 基于协同注意力和多尺度融合的运动目标检测系统及方法 | |
CN113139615A (zh) | 一种基于嵌入式设备的无人驾驶环境目标检测方法 | |
CN110866435B (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
Xia et al. | Abnormal event detection method in surveillance video based on temporal CNN and sparse optical flow | |
CN112070714A (zh) | 一种基于局部三元计数特征的翻拍图像检测方法 | |
CN110738167A (zh) | 一种基于多域空间属性关联分析的行人辨识方法 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 | |
CN115393802A (zh) | 一种基于小样本学习的铁路场景不常见入侵目标识别方法 | |
CN113139496A (zh) | 一种基于时序多尺度融合的行人重识别方法及系统 | |
CN114882007A (zh) | 一种基于记忆网络的图像异常检测方法 | |
CN114627493A (zh) | 一种基于步态特征的身份识别方法及系统 |
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 |