CN112784754A - 一种车辆再识别方法、装置、设备及存储介质 - Google Patents

一种车辆再识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112784754A
CN112784754A CN202110093958.XA CN202110093958A CN112784754A CN 112784754 A CN112784754 A CN 112784754A CN 202110093958 A CN202110093958 A CN 202110093958A CN 112784754 A CN112784754 A CN 112784754A
Authority
CN
China
Prior art keywords
vehicle
target
feature
vehicle image
layer
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.)
Withdrawn
Application number
CN202110093958.XA
Other languages
English (en)
Inventor
安达
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.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence 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 Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202110093958.XA priority Critical patent/CN112784754A/zh
Publication of CN112784754A publication Critical patent/CN112784754A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种车辆再识别方法、装置、设备及存储介质，涉及图像处理技术领域。该方法包括：将目标车辆图像以及至少一个待识别车辆图像分别输入车辆再识别模型中的特征提取层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征，该特征提取层中包括卷积神经网络层以及1*1卷积层；根据该1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对第一特征中的各特征值、各第二特征中的各特征值进行排序，得到满足预设要求的目标车辆图像的第一目标特征以及各待识别车辆图像的第二目标特征；将第一目标特征以及各第二目标特征分别输入车辆再识别模型中的全连接网络层，得到车辆再识别结果。提高了对车辆进行再识别时的效率。

Description

一种车辆再识别方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种车辆再识别方法、装置、设备及存储介质。
背景技术
车辆再识别技术主要用于解决车辆的跨相机追踪，实现场景匹配以及实现车辆的跨视场跟踪以及轨迹预测等。其中，使用机器学习模型进行车辆再识别，是目前主流的手段。使用机器学习模型进行车辆再识别时，首先需要提取车辆特征。
目前，主要通过将车辆图像输入模型的卷积网络后，得到图像对应的特征图，并在特征图上直接提取车辆特征。
然而，通过现有技术的方式提取车辆特征时，需要采用较大的维度向量表示车辆特征，这样不仅会增大车辆特征的存储空间，而且还会降低对车辆进行再识别时的效率。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种车辆再识别方法、装置、设备及存储介质，可以提高对车辆进行再识别时的效率。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种车辆再识别方法，所述方法包括：
将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，其中，所述特征提取层中包括卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
根据所述1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对所述第一特征中的各特征值、各所述第二特征中的各特征值进行排序，得到满足预设要求的所述目标车辆图像的第一目标特征以及各所述待识别车辆图像的第二目标特征；
将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，所述车辆再识别结果用于指示所述待识别车辆图像中与所述目标车辆图像对应同一车辆的待识别车辆图像。
可选地，所述将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，包括：
将所述目标车辆图像以及各所述待识别车辆图像分别输入所述特征提取层中的卷积神经网络层，得到所述目标车辆图像对应的第一特征图谱，以及各所述待识别车辆图像对应的第二特征图谱；
将所述目标车辆图像对应的第一特征图谱以及各所述待识别车辆图像对应的第二特征图谱分别输入所述特征提取层中的1*1卷积层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征。
可选地，所述1*1卷积层中包括n个1*1卷积核，每个1*1卷积核对应一个权重；
所述将所述目标车辆图像对应的第一特征图谱以及各所述待识别车辆图像对应的第二特征图谱分别输入所述特征提取层中的1*1卷积层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，包括：
利用各1*1卷积核对应的权重分别对所述第一特征图谱、各所述第二特征图谱进行加权平均处理，得到所述第一特征图谱对应的n个特征值以及各所述第二特征图谱对应的n个特征值；
将所述第一特征图谱对应的n个特征值作为所述目标车辆图像的第一特征；
将各所述第二特征图谱对应的n个特征值分别作为各所述待识别车辆图像的第二特征。
可选地，所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果之前，所述方法还包括：
将所述第一目标特征中的各特征值以及各所述第二目标特征中的各特征值分别进行十六进制转换，得到利用所述十六进制表示的第一目标特征以及各第二目标特征；
所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到目标待识别车辆，包括：
将利用所述十六进制表示的第一目标特征以及各第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到所述车辆再识别结果。
可选地，所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，包括：
将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，计算所述第一目标特征与各所述第二目标特征之间的相似度；
根据所述第一目标特征与各所述第二目标特征之间的相似度以及预设相似度要求，得到满足所述预设相似度要求的第二目标特征；
将满足所述预设相似度要求的第二目标特征对应的待识别车辆图像，确定与所述目标车辆图像对应的同一车辆的待识别车辆图像。
可选地，所述将目标车辆图像以及各待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层之前，所述方法还包括：
将预设的训练样本输入初始车辆再识别模型，得到实际识别结果，所述训练样本包括预设数量个车辆图像以及各车辆图像对应的车辆类别编号，其中，同一类别的车辆用相同车辆类别编号表示，不同类别的车辆用不同车辆类别编号表示，所述初始车辆再识别模型包括：特征提取层以及全连接网络层，所述特征提取层包括：卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
根据所述实际识别结果以及所述训练样本的车辆类别编号，使用预设的损失函数计算所述初始车辆再识别模型的损失信息；
利用所述损失信息修正所述初始车辆再识别模型的模型参数，并在所述损失信息满足训练停止条件时，将修正后的初始车辆再识别模型作为所述车辆再识别模型。
可选地，所述损失函数为三元组损失函数。
第二方面，本申请实施例还提供了一种车辆再识别装置，所述装置包括：
第一输入模块，用于将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，其中，所述特征提取层中包括卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
排序模块，用于根据所述1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对所述第一特征中的各特征值、各所述第二特征中的各特征值进行排序，得到满足预设要求的所述目标车辆图像的第一目标特征以及各所述待识别车辆图像的第二目标特征；
第二输入模块，用于将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，所述车辆再识别结果用于指示所述待识别车辆图像中与所述目标车辆图像对应同一车辆的待识别车辆图像。
可选地，所述第一输入模块，具体用于将所述目标车辆图像以及各所述待识别车辆图像分别输入所述特征提取层中的卷积神经网络层，得到所述目标车辆图像对应的第一特征图谱，以及各所述待识别车辆图像对应的第二特征图谱；将所述目标车辆图像对应的第一特征图谱以及各所述待识别车辆图像对应的第二特征图谱分别输入所述特征提取层中的1*1卷积层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征。
可选地，所述1*1卷积层中包括n个1*1卷积核，每个1*1卷积核对应一个权重；
所述第一输入模块，还具体用于利用各1*1卷积核对应的权重分别对所述第一特征图谱、各所述第二特征图谱进行加权平均处理，得到所述第一特征图谱对应的n个特征值以及各所述第二特征图谱对应的n个特征值；将所述第一特征图谱对应的n个特征值作为所述目标车辆图像的第一特征；将各所述第二特征图谱对应的n个特征值分别作为各所述待识别车辆图像的第二特征。
可选地，所述装置还包括：
转换模块，用于将所述第一目标特征中的各特征值以及各所述第二目标特征中的各特征值分别进行十六进制转换，得到利用所述十六进制表示的第一目标特征以及各第二目标特征；
相应地，所述第二输入模块，还用于将利用所述十六进制表示的第一目标特征以及各第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到所述车辆再识别结果。
可选地，所述第二输入模块，具体用于将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，计算所述第一目标特征与各所述第二目标特征之间的相似度；根据所述第一目标特征与各所述第二目标特征之间的相似度以及预设相似度要求，得到满足所述预设相似度要求的第二目标特征；将满足所述预设相似度要求的第二目标特征对应的待识别车辆图像，确定与所述目标车辆图像对应的同一车辆的待识别车辆图像。
可选地，所述装置还包括：
第三输入模块，用于将预设的训练样本输入初始车辆再识别模型，得到实际识别结果，所述训练样本包括预设数量个车辆图像以及各车辆图像对应的车辆类别编号，其中，同一类别的车辆用相同车辆类别编号表示，不同类别的车辆用不同车辆类别编号表示，所述初始车辆再识别模型包括：特征提取层以及全连接网络层，所述特征提取层包括：卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
计算模块，用于根据所述实际识别结果以及所述训练样本的车辆类别编号，使用预设的损失函数计算所述初始车辆再识别模型的损失信息；
修正模块，用于利用所述损失信息修正所述初始车辆再识别模型的模型参数，并在所述损失信息满足训练停止条件时，将修正后的初始车辆再识别模型作为所述车辆再识别模型。
可选地，所述损失函数为三元组损失函数。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面的所述车辆再识别方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面的所述车辆再识别方法的步骤。
本申请的有益效果是：
本申请实施例提供一种车辆再识别方法、装置、设备及存储介质，该方法包括：将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征，其中，该特征提取层中包括卷积神经网络层以及1*1卷积层，该卷积神经网络层为该特征提取层的首层，该卷积神经网络层与该1*1卷积层连接；根据该1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对第一特征中的各特征值、各第二特征中的各特征值进行排序，得到满足预设要求的该目标车辆图像的第一目标特征以及各待识别车辆图像的第二目标特征；将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到车辆再识别结果，该车辆再识别结果用于指示该待识别车辆图像中与该目标车辆图像对应同一车辆的待识别车辆图像。
采用本申请实施例提供的车辆再识别方法，利用包含卷积神经网络以及1*1卷积层的特征提取网络对目标车辆图像以及至少一个待识别车辆图像进行特征提取，得到该目标车辆图像的第一特征以及各待识别车辆图像的第二特征；该目标车辆图像的第一特征上包含的特征值个数以及各待识别车辆图像的第二特征上包含的特征值个数与1*1卷积层上包含的卷积核个数相对应；基于该1*1卷积层上包含的卷积核对应的权重绝对值，对第一特征上包含的特征值进行排序，根据预设要求得到该目标车辆图像的第一目标特征，也就是说，该第一目标特征上包含的特征值对应的权重绝对值都较大，相当于是对第一特征进行压缩，用较小维度的特征向量(即第一目标特征)表征目标车辆图像的特征。同理，也可以得到各待识别车辆图像的第二目标特征。最后基于该第一目标特征、各第二目标特征以及全连接网络，可得到该待识别车辆图像中与该目标车辆图像对应同一车辆的待识别车辆图像，这样不仅可以减小存储车辆特征的空间，而且还可以提高对车辆进行再识别时的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种车辆再识别模型的结构示意图；
图2为本申请实施例提供的一种车辆再识别方法的流程示意图；
图3为本申请实施例提供的另一种车辆再识别方法的流程示意图；
图4为本申请实施例提供的又一种车辆再识别方法的流程示意图；
图5为本申请实施例提供的再一种车辆再识别方法的流程示意图；
图6为本申请实施例提供的一种初始车辆再识别模型训练方法的流程示意图；
图7为本申请实施例提供的一种车辆再识别装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在对本申请实施例进行详细解释之前，首先对本申请的应用场景进行介绍。该应用场景可以为对车辆进行再识别的场景，当然也可以类似到对其他对象进行再识别的场景，如对行人进行再识别的场景，需要说明的是，本申请只是以车辆为例对再识别场景进行说明，对于其他类似的再识别场景技术方案也属于本申请所保护的范围。车辆再识别问题是指在一个特征范围内的交通监控场景下，判断非重叠区域内拍摄的车辆图像是否属于同一辆车，车辆再识别(ReID)技术在侦查领域的智能视频监控中有极高的应用价值，而且利用车辆再识别技术还可以计算公共场所的人流数据，以此帮助优化交通系统的设计和改进，还可以在其他方面进行研究，如驾驶员行为建模。虽然车牌识别是区分不同车辆最简单直接的方法，但是在很多情况下仅依靠车牌信息无法完成再识别任务。首先，交通监控系统存在拍摄视角变化、天气影响、光照变化和图像分辨率低等问题，从而导致车牌像素模糊、车牌信息不完整，这会在很大程度上降低车牌识别的准确率。其次，在一些交通场景下，车牌有可能被遮挡、移除甚至造假，这极大地提升了寻找目标车辆的难度。因此以车辆的特征为基础进行车辆身份的检索和匹配成为一个具体任务，并且具有重大的研究意义和良好的应用前景。
在车辆再识别场景中，具有一定处理能力的设备(如服务器)可从目标拍摄图像出检测出至少一个待识别车辆图像，目标车辆图像也可从目标拍摄图像中获取，还可以直接获取该目标车辆图像，本申请不对其进行限定。该设备可根据数据集(如VeRi)预先训练得到车辆再识别模型，该车辆再识别模型结构可如图1所示，从图1中可以看出，该车辆再识别模型结构可包括特征提取层101、全连接网络层102，并且特征提取层101中包括卷积神经网络层以及1*1卷积层，需要说明的是，该车辆再识别模型的结构除了图1中的各层外，还可以包括其他层，本申请不对该车辆再识别模型的具体结构进行限定。
该设备将获取到的目标车辆图像以及各待识别车辆图像分别输入该车辆再识别模型中，通过该车辆再识别模型中的特征提取层101分别提取该目标车辆图像对应的第一特征，以及各待识别车辆图像的第二特征，根据该1*1卷积层上每个1*1卷积核的权重绝对值以及预设要求，可得到该目标车辆图像的第一目标特征以及各待识别车辆图像的第二目标特征，最后将第一目标特征以及各第二目标特征分别输入全连接网络层102上的输入层，通过全连接网络层102可得到第一目标特征与各第二目标特征之间的相似度，相似度越高，代表着该第二目标特征对应的待识别车辆与目标车辆越相似。
如下结合附图对本申请所提到的车辆再识别方法进行示例说明。图2为本申请实施例提供的一种车辆再识别方法的流程示意图。如图2所示，该方法可包括：
S201、将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征。
其中，该特征提取层中包括卷积神经网络层以及1*1卷积层，该卷积神经网络层为该特征提取层的首层，该卷积神经网络层与该1*1卷积层连接。该车辆再识别模型的内部结构可参考图1，从图1中可以看出，该内部结构中的首层为特征提取层，该特征提取层与全连接网络层连接。该特征提取层的内部可包括卷积神经网络层以及1*1卷积层，该卷积神经网络层作为该特征提取层的首层，该1*1卷积层作为该特征提取层的尾层，一般情况下，该卷积神经网络层与该1*1卷积层连接。
具体的，目标车辆图像为人为规定的需要进行重识别(再识别)任务的车辆的图像，如在车辆追踪场景中，该目标车辆图像为被追踪的车辆的图像。该待识别车辆图像可从目标拍摄图像中获取，该目标拍摄图像可根据实际需求从相应的图像采集设备(如监控)中提取。该目标拍摄图像中可包括至少一个待识别车辆图像，在获取到各待识别车辆图像后，可将各待识别车辆图像与对应的图像采集设备编号进行相关联存储，这样可识别出该目标车辆在哪些图像采集设备的视野中出现，进而得到该目标车辆的运动轨迹。
该特征提取层中的卷积神经网络一般以残差网络(ResNet，Residual Network)为主干网络，具体可以以浅层残差网络或者深层残差网络为主干网络，其中，该浅层残差网络可包括ResNet18、ResNet34，该深层残差网络可包括ResNet50、ResNet101、ResNet152，可以看出，该卷积神经网络中可包括输入层、卷积层、激励层、池化层需要说明的是，本申请不对作为该卷积神经网络的主干网络的具体深度进行限定，即本申请不对该卷积神经网络中的卷积层、激励层、池化层的层数进行限定。
该特征提取层中的1*1卷积层中可包括多个1*1卷积核，该1*1卷积核的个数一般为2的P次方，P为整数。每个1*1卷积核上的数值表示各1*1卷积核的权重，每个1*1卷积核的权重在训练阶段作为训练参数进行训练，其中，1*1卷积核对应的权重越大，代表着对应得到的特征值越重要。
这里以目标车辆图像为例进行说明，待识别车辆图像类似，不再进行详细解释。该目标车辆图像的结构可为(3*224*224)，该结构表示该目标车辆图像为3通道，即彩色图像，长和宽为(224*224)。将该目标车辆图像输入该车辆再识别模型中的特征提取层中的卷积神经网络层上的输入层，该输入层一般对该目标车辆图像进行去均值、归一化等操作，该输入层对该目标车辆图像进行处理后，可通过该卷积神经网络层上的其他层(如卷积层、激励曾、池化层)对处理后的目标车辆图像进行卷积以及池化操作，得到特征图谱，最后根据该特征图谱上包含的特征图以及该1*1卷积层上的各1*1卷积核，可得到该目标图像对应的第一特征。
S202、根据该1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对该第一特征中的各特征值、各该第二特征中的各特征值进行排序，得到满足预设要求的该目标车辆图像的第一目标特征以及各待识别车辆图像的第二目标特征。
该1*1卷积层上包含的1*1卷积核的个数和上述得到的特征图谱中包含的特征图个数相对应，一般情况下为2的P次方，P为整数。每个1*1卷积核对应一个权重，根据每个1*1卷积核的权重以及目标车辆对应的特征图谱中的各特征图上的特征值可得到该第一特征中的各特征值，同理，根据每个1*1卷积核的权重以及各待识别车辆对应的特征图谱中的各特征图上的特征值可得到各第二特征中的各特征值。这里还是以目标车辆图像为例，待识别车辆图像类似，不再进行详细解释。该第一特征中的各特征值与1*1卷积层上各1*1卷积核的权重相对应，根据各1*1卷积核对应的权重绝对值顺序(如从大到小的顺序)，对该第一特征中的各特征值进行排序，若预设要求为取前1024个特征值，那么可将前1024个特征值作为该目标车辆的第一目标特征。
S203、将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到车辆再识别结果。
其中，该车辆再识别结果用于指示该待识别车辆图像中与该目标车辆图像对应同一车辆的待识别车辆图像。每个待识别车辆图像都对应一个图像采集设备编号，一个图像采集设备编号可对应一个待识别车辆图像，也可对应多个待识别车辆图像，本申请不对其进行限定。
可将该第一目标特征以及各第二目标特征分别输入该全连接网络层的输入层，该全连接网络层可通过预先训练得到的权重矩阵计算出各第二目标特征与该第一目标特征之间的欧式距离，两者之间的欧式距离越小表示两者之间的相似性越大。也就是说，与该第一目标特征之间相似度越大的第二目标特征越有可能对应的待识别车辆是目标车辆。
综上所述，本申请提供的车辆再识别方法中，利用包含卷积神经网络以及1*1卷积层的特征提取网络对目标车辆图像以及至少一个待识别车辆图像进行特征提取，得到该目标车辆图像的第一特征以及各待识别车辆图像的第二特征；该目标车辆图像的第一特征上包含的特征值个数以及各待识别车辆图像的第二特征上包含的特征值个数与1*1卷积层上包含的卷积核个数相对应；基于该1*1卷积层上包含的卷积核对应的权重绝对值，对第一特征上包含的特征值进行排序，根据预设要求得到该目标车辆图像的第一目标特征，也就是说，该第一目标特征上包含的特征值对应的权重绝对值都较大，相当于是对第一特征进行压缩，用较小维度的特征向量(即第一目标特征)表征目标车辆图像的特征。同理，也可以得到各待识别车辆图像的第二目标特征。最后基于该第一目标特征、各第二目标特征以及全连接网络，可得到该待识别车辆图像中与该目标车辆图像对应同一车辆的待识别车辆图像，这样不仅可以减小存储车辆特征的空间，而且还可以提高对车辆进行再识别时的效率。
图3为本申请实施例提供的另一种车辆再识别方法的流程示意图。如图3所示，可选地，上述将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征，包括：
S301、将该目标车辆图像以及各待识别车辆图像分别输入该特征提取层中的卷积神经网络层，得到该目标车辆图像对应的第一特征图谱，以及各该待识别车辆图像对应的第二特征图谱。
其中，该卷积神经网络层上的卷积层、池化层对目标车辆图像进行特征图提取，得到第一特征图谱。一般情况下，该卷积神经网络层输出的第一特征图谱结构为(2048*7*7)，该结构表示有2048个第一特征图，每个第一特征图的长和宽为(7*7)。该1*1卷积层上包含的1*1卷积核个数与该卷积神经网络层输出的第一特征图谱中包含的第一特征图的个数相对应。比如该卷积神经网络层输出的第一特征图谱中包含的第一特征图个数为2048个，那么该1*1卷积层上包含的1*1卷积核个数也为2048个。同理，该卷积神经网络层上的卷积层、池化层对各待识别车辆图像进行特征图提取，得到各第二特征图谱，与第一特征图谱结构类似，各第二特征图谱中包含的第二特征图的个数与该1*1卷积层上包含的1*1卷积核个数相对应，其他内容可参考目标车辆图像的描述内容，此处不再进行详细描述。
S302、将该目标车辆图像对应的第一特征图谱以及各待识别车辆图像对应的第二特征图谱分别输入该特征提取层中的1*1卷积层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征。
可选地，该1*1卷积层中包括n个1*1卷积核，每个1*1卷积核对应一个权重；利用各1*1卷积核对应的权重分别对该第一特征图谱、各第二特征图谱进行加权平均处理，得到该第一特征图谱对应的n个特征值以及各第二特征图谱对应的n个特征值；将该第一特征图谱对应的n个特征值作为该目标车辆图像的第一特征；将各第二特征图谱对应的n个特征值分别作为各待识别车辆图像的第二特征。
其中，第一特征图谱中包含的第一特征图的个数和1*1卷积层上的1*1卷积核的个数相对应，即第一特征图谱中包含的第一特征图的个数为n，每个第一特征图上的值与其对应的1*1卷积核上的权重进行加权平均处理，那么一个第一特征图与对应的1*1卷积核上的权重进行加权平均处理后，得到一个特征值，最后可得到n个特征值，该n个特征值组成该目标车辆图像的第一特征。同理，可参考上述描述，得到各所述待识别车辆图像的第二特征，具体内容不再进行详细描述。
图4为本申请实施例提供的又一种车辆再识别方法的流程示意图。如图4所示，可选地，上述将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到车辆再识别结果之前，该方法还可以包括：
S401、将该第一目标特征中的各特征值以及各该第二目标特征中的各特征值分别进行十六进制转换，得到利用该十六进制表示的第一目标特征以及各第二目标特征。
S402、将利用该十六进制表示的第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到该车辆再识别结果。
其中，1*1卷积层输出的第一特征中的各特征值以及各第二特征中的特征值都是用浮点数表示的，进而根据权重筛选得到的第一目标特征中的各特征值以及各第二目标特征中的各特征值也都是用浮点数表示的。一般情况下，单精度浮点数使用32位(4字节)来储存一个浮点数，双精度浮点数使用64位(8字节)来储存一个浮点数，而十六进制数用4位(0.5个字节)来储存一个十六进制，则将用浮点数表示的第一目标特征中的各特征值、各第二目标特征中的各特征值分别映射到十六进制(0-F)上，这样可以进一步减小车辆特征的存储空间，具体的，可减小到原来的1/8或1/16。
将利用十六进制表示的第一目标特征以及各第二目标特征分别输入该全连接网络层中的输入层上，该全连接网络层可对计算出各第二目标特征分别与第一目标特征之间的相似度，根据相似度以及预设相似度要求可得到车辆再识别结果，即得到各待识别车辆图像中为目标车辆图像的图像，将为目标车辆图像的待识别车辆图像对应的待识别车辆作为目标车辆。这样可以更快的得到车辆再识别结果。
图5为本申请实施例提供的再一种车辆再识别方法的流程示意图。如图5所示，上述将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到车辆再识别结果，包括：
S501、将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，计算该第一目标特征与各第二目标特征之间的相似度。
利用该全连接网络层上预先训练得到的权重网络以及激活函数得到各第二目标特征分别与该第一目标特征之间的相似度，相似度表示各第二目标特征与该第一目标特征的匹配程度，相似度越高，表示第二目标特征越靠近该第一目标特征，也就是说，该第二目标特征对应的待识别车辆为该第一目标特征对应的目标车辆的可能性越大。
S502、根据该第一目标特征与各第二目标特征之间的相似度以及预设相似度要求，得到满足该预设相似度要求的第二目标特征。
S503、将满足该预设相似度要求的第二目标特征对应的待识别车辆图像，确定与该目标车辆图像对应的同一车辆的待识别车辆图像。
其中，该预设相似度要求具体可以为大于相似度阈值，那么可将大于该相似度阈值的第二目标特征对应的待识别车辆图像作为该目标车辆图像，即该待识别车辆图像对应的待识别车辆为该目标车辆图像对应的目标车辆，并且，还可根据该待识别车辆图像与图像采集设备编号之间的存储关系，可得到该目标车辆的行驶轨迹。该预设相似度要求也可以为取按照相似度从大到小的顺序进行排序后的前10名相似度对应的第二目标特征作为车辆再识别结果，具体的，可将这10个第二目标特征分别对应的待识别车辆图像中的待识别车辆作为目标车辆。
下述实施例对初始车辆再识别模型的训练过程进行说明。
图6为本申请实施例提供的一种初始车辆再识别模型训练方法的流程示意图。如图6所示，上述将目标车辆图像以及各待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层之前，该方法还包括：
S601、将预设的训练样本输入初始车辆再识别模型，得到实际识别结果，该训练样本包括预设数量个车辆图像以及各车辆图像对应的车辆类别编号。
其中，同一类别的车辆用相同类别编号表示，不同类别的车辆用不同类别编号表示，该初始车辆再识别模型包括：特征提取层以及全连接网络层，该特征提取层包括：卷积神经网络层以及1*1卷积层，该卷积神经网络层为该特征提取层的首层，该卷积神经网络层与该1*1卷积层连接。
该预设的训练样本可从VeRi数据集中获取，一般情况下，通常利用VeRi数据集中的VeRi776数据集构建训练样本。具体的，可从该VeRi776数据集中获取预设数量个车辆图像集，将该车辆图像集中属于同一类别的车辆用相同车辆类别编号表示，将该车辆图像集中属于不同类别的车辆用不同车辆类别编号表示。如车辆图像1和车辆图像2都属于车辆A，则车辆图像1和车辆图像2的车辆类别编号为车辆A，车辆图像3属于车辆B，则车辆图像3的车辆类别编号为车辆B。
该初始车辆再识别模型的结构包括特征提取层以及全连接网络层，该特征提取层为该初始车辆再识别模型的首层，该特征提取层与该全连接网络层连接，该特征提取层中包括该卷积神经网络层以及该1*1卷积层，该卷积神经网络层与该1*1卷积层连接，且该卷积神经网络层为该特征提取层的首层。其中，对初始车辆再识别模型进行训练，主要是为了训练得到该卷积神经网络层中的卷积神经网络参数、该1*1卷积层中的各1*1卷积核对应的权重、该全连接网络层中的权重矩阵中的参数，在进行训练之前，卷积神经网络参数、1*1卷积核对应的权重、权重矩阵中的参数都对应有相应的初始值。将标签为车辆类别编号的车辆图像分别输入该初始车辆再识别模型中，该初始车辆再识别模型输出预设样本中各车辆图像对应的车辆类别编号，即实际识别结果。
S602、根据该实际识别结果以及该训练样本的车辆类别编号，使用预设的损失函数计算该初始车辆再识别模型的损失信息。
S603、利用该损失信息修正该初始车辆再识别模型的模型参数，并在该损失信息满足训练停止条件时，将修正后的初始车辆再识别模型作为该车辆再识别模型。
其中，该预设的损失函数可为三元组损失函数(Triplet loss)，该三元组损失函数如下：
L＝max(d(a,p)-d(a,n)+margin，0)
其中，L表示损失函数值(损失信息)，a为上述车辆图像集中的任何一个车辆图像，作为一个样本，p为正样本，表示与样本a属于相同车辆类别编号的车辆图像，n为负样本，表示a属于不同车辆类别编号的车辆图像；d(a,p)表示样本a与正样本p之间的距离，d(a,n)表示样本a与负样本n之间的距离，margin是一个大于0的常数。训练该初始车辆再识别模型的目的就是为了使d(a,p)越来越小，d(a,n)越来越大。
在损失函数L没有达到预设阈值(最小为0)时，迭代修订卷积神经网络参数、1*1卷积核对应的权重、权重矩阵中的参数等其他参数，当损失函数L达到预设阈值时，代表着已满足训练停止条件，则卷积神经网络参数、1*1卷积核对应的权重、权重矩阵中的参数目前达到最优，则满足训练停止条件的初始车辆再识别模型为该车辆再识别模型。
图7为本申请实施例提供的一种车辆再识别装置的结构示意图。如图7所示，该装置可以包括：
第一输入模块701，用于将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到该目标车辆图像的第一特征，以及各待识别车辆图像的第二特征；
排序模块702，用于根据该1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对该第一特征中的各特征值、各该第二特征中的各特征值进行排序，得到满足预设要求的该目标车辆图像的第一目标特征以及各待识别车辆图像的第二目标特征；
第二输入模块703，用于将该第一目标特征以及各第二目标特征分别输入该车辆再识别模型中的全连接网络层，得到车辆再识别结果。
可选地，第一输入模块701，具体用于将目标车辆图像以及各待识别车辆图像分别输入特征提取层中的卷积神经网络层，得到目标车辆图像对应的第一特征图谱，以及各待识别车辆图像对应的第二特征图谱；将目标车辆图像对应的第一特征图谱以及各待识别车辆图像对应的第二特征图谱分别输入特征提取层中的1*1卷积层，得到目标车辆图像的第一特征，以及各待识别车辆图像的第二特征。
可选地，1*1卷积层中包括n个1*1卷积核，每个1*1卷积核对应一个权重；
第一输入模块701，还具体用于利用各1*1卷积核对应的权重分别对第一特征图谱、各第二特征图谱进行加权平均处理，得到第一特征图谱对应的n个特征值以及各第二特征图谱对应的n个特征值；将第一特征图谱对应的n个特征值作为目标车辆图像的第一特征；将各第二特征图谱对应的n个特征值分别作为各待识别车辆图像的第二特征。
可选地，该装置还包括：
转换模块，用于将第一目标特征中的各特征值以及各第二目标特征中的各特征值分别进行十六进制转换，得到利用十六进制表示的第一目标特征以及各第二目标特征；
相应地，第二输入模块703，还用于将利用十六进制表示的第一目标特征以及各第二目标特征分别输入车辆再识别模型中的全连接网络层，得到车辆再识别结果。
可选地，第二输入模块703，具体用于将第一目标特征以及各第二目标特征分别输入车辆再识别模型中的全连接网络层，计算第一目标特征与各第二目标特征之间的相似度；根据第一目标特征与各第二目标特征之间的相似度以及预设相似度要求，得到满足预设相似度要求的第二目标特征；将满足预设相似度要求的第二目标特征对应的待识别车辆图像，确定与目标车辆图像对应的同一车辆的待识别车辆图像。
可选地，该装置还包括：第三输入模块，用于将预设的训练样本输入初始车辆再识别模型，得到实际识别结果，训练样本包括预设数量个车辆图像以及各车辆图像对应的车辆类别编号，其中，同一类别的车辆用相同车辆类别编号表示，不同类别的车辆用不同车辆类别编号表示，初始车辆再识别模型包括：特征提取层以及全连接网络层，特征提取层包括：卷积神经网络层以及1*1卷积层，卷积神经网络层为特征提取层的首层，卷积神经网络层与1*1卷积层连接；
计算模块，用于根据实际识别结果以及训练样本的车辆类别编号，使用预设的损失函数计算初始车辆再识别模型的损失信息；
修正模块，用于利用损失信息修正初始车辆再识别模型的模型参数，并在损失信息满足训练停止条件时，将修正后的初始车辆再识别模型作为车辆再识别模型。
可选地，损失函数为三元组损失函数。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图8为本申请实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器801、存储介质802和总线803，存储介质802存储有处理器801可执行的机器可读指令，当该电子设备运行时，处理器801与存储介质802之间通过总线803通信，处理器801执行机器可读指令，以执行上述车辆再识别方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述车辆再识别方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述单元的划分，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，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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种车辆再识别方法，其特征在于，所述方法包括：
将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，其中，所述特征提取层中包括卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
根据所述1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对所述第一特征中的各特征值、各所述第二特征中的各特征值进行排序，得到满足预设要求的所述目标车辆图像的第一目标特征以及各所述待识别车辆图像的第二目标特征；
将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，所述车辆再识别结果用于指示所述待识别车辆图像中与所述目标车辆图像对应同一车辆的待识别车辆图像。
2.根据权利要求1所述的方法，其特征在于，所述将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，包括：
将所述目标车辆图像以及各所述待识别车辆图像分别输入所述特征提取层中的卷积神经网络层，得到所述目标车辆图像对应的第一特征图谱，以及各所述待识别车辆图像对应的第二特征图谱；
将所述目标车辆图像对应的第一特征图谱以及各所述待识别车辆图像对应的第二特征图谱分别输入所述特征提取层中的1*1卷积层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征。
3.根据权利要求2所述的方法，其特征在于，所述1*1卷积层中包括n个1*1卷积核，每个1*1卷积核对应一个权重；
所述将所述目标车辆图像对应的第一特征图谱以及各所述待识别车辆图像对应的第二特征图谱分别输入所述特征提取层中的1*1卷积层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，包括：
利用各1*1卷积核对应的权重分别对所述第一特征图谱、各所述第二特征图谱进行加权平均处理，得到所述第一特征图谱对应的n个特征值以及各所述第二特征图谱对应的n个特征值；
将所述第一特征图谱对应的n个特征值作为所述目标车辆图像的第一特征；
将各所述第二特征图谱对应的n个特征值分别作为各所述待识别车辆图像的第二特征。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果之前，所述方法还包括：
将所述第一目标特征中的各特征值以及各所述第二目标特征中的各特征值分别进行十六进制转换，得到利用所述十六进制表示的第一目标特征以及各第二目标特征；
所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到目标待识别车辆，包括：
将利用所述十六进制表示的第一目标特征以及各第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到所述车辆再识别结果。
5.根据权利要求1所述的方法，其特征在于，所述将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，包括：
将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，计算所述第一目标特征与各所述第二目标特征之间的相似度；
根据所述第一目标特征与各所述第二目标特征之间的相似度以及预设相似度要求，得到满足所述预设相似度要求的第二目标特征；
将满足所述预设相似度要求的第二目标特征对应的待识别车辆图像，确定与所述目标车辆图像对应的同一车辆的待识别车辆图像。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述将目标车辆图像以及各待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层之前，所述方法还包括：
将预设的训练样本输入初始车辆再识别模型，得到实际识别结果，所述训练样本包括预设数量个车辆图像以及各车辆图像对应的车辆类别编号，其中，同一类别的车辆用相同车辆类别编号表示，不同类别的车辆用不同车辆类别编号表示，所述初始车辆再识别模型包括：特征提取层以及全连接网络层，所述特征提取层包括：卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
根据所述实际识别结果以及所述训练样本的车辆类别编号，使用预设的损失函数计算所述初始车辆再识别模型的损失信息；
利用所述损失信息修正所述初始车辆再识别模型的模型参数，并在所述损失信息满足训练停止条件时，将修正后的初始车辆再识别模型作为所述车辆再识别模型。
7.根据权利要求6所述的方法，其特征在于，所述损失函数为三元组损失函数。
8.一种车辆再识别装置，其特征在于，所述装置包括：
第一输入模块，用于将目标车辆图像以及至少一个待识别车辆图像分别输入预先训练得到的车辆再识别模型中的特征提取层，得到所述目标车辆图像的第一特征，以及各所述待识别车辆图像的第二特征，其中，所述特征提取层中包括卷积神经网络层以及1*1卷积层，所述卷积神经网络层为所述特征提取层的首层，所述卷积神经网络层与所述1*1卷积层连接；
排序模块，用于根据所述1*1卷积层上每个1*1卷积核对应的权重绝对值顺序，分别对所述第一特征中的各特征值、各所述第二特征中的各特征值进行排序，得到满足预设要求的所述目标车辆图像的第一目标特征以及各所述待识别车辆图像的第二目标特征；
第二输入模块，用于将所述第一目标特征以及各所述第二目标特征分别输入所述车辆再识别模型中的全连接网络层，得到车辆再识别结果，所述车辆再识别结果用于指示所述待识别车辆图像中与所述目标车辆图像对应同一车辆的待识别车辆图像。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任一项所述车辆再识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述车辆再识别方法的步骤。
CN202110093958.XA 2021-01-22 2021-01-22 一种车辆再识别方法、装置、设备及存储介质 Withdrawn CN112784754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093958.XA CN112784754A (zh) 2021-01-22 2021-01-22 一种车辆再识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093958.XA CN112784754A (zh) 2021-01-22 2021-01-22 一种车辆再识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112784754A true CN112784754A (zh) 2021-05-11

Family

ID=75758813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093958.XA Withdrawn CN112784754A (zh) 2021-01-22 2021-01-22 一种车辆再识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112784754A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538735A (zh) * 2021-09-13 2021-10-22 蜂巢能源科技有限公司 一种车辆用途识别方法及装置
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
CN117456314A (zh) * 2023-12-25 2024-01-26 深圳须弥云图空间科技有限公司 目标再识别模型的训练方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538735A (zh) * 2021-09-13 2021-10-22 蜂巢能源科技有限公司 一种车辆用途识别方法及装置
CN113538735B (zh) * 2021-09-13 2021-12-07 蜂巢能源科技有限公司 一种车辆用途识别方法及装置
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
CN117456314A (zh) * 2023-12-25 2024-01-26 深圳须弥云图空间科技有限公司 目标再识别模型的训练方法及装置
CN117456314B (zh) * 2023-12-25 2024-04-16 深圳须弥云图空间科技有限公司 目标再识别模型的训练方法及装置

Similar Documents

Publication Publication Date Title
EP3327583B1 (en) Method and device for searching a target in an image
CN107153817B (zh) 行人重识别数据标注方法和装置
CN108197326B (zh) 一种车辆检索方法及装置、电子设备、存储介质
CN112784754A (zh) 一种车辆再识别方法、装置、设备及存储介质
CN109472209B (zh) 一种图像识别方法、装置和存储介质
CN107622489B (zh) 一种图像篡改检测方法及装置
CN110765954A (zh) 一种车辆重识别方法、设备及存储装置
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN111582178B (zh) 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
CN112580480B (zh) 一种高光谱遥感影像分类方法及装置
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN114255403A (zh) 基于深度学习的光学遥感图像数据处理方法及系统
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN109543546B (zh) 基于深度序分布回归的步态年龄估计方法
CN112668662B (zh) 基于改进YOLOv3网络的野外山林环境目标检测方法
CN115984671A (zh) 模型在线更新方法、装置、电子设备及可读存储介质
Yin et al. Combining pyramid representation and AdaBoost for urban scene classification using high-resolution synthetic aperture radar images
CN115496948A (zh) 一种基于深度学习的网络监督细粒度图像识别方法和系统
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
CN114842478A (zh) 文本区域的识别方法、装置、设备及存储介质
Huang et al. Boosting scheme for detecting region duplication forgery in digital images
CN112749731A (zh) 一种基于深度神经网络的票据数量识别方法及系统
CN110942179A (zh) 一种自动驾驶路线规划方法、装置及车辆
Shri et al. Video Analysis for Crowd and Traffic Management
CN112990133B (zh) 一种基于多任务的深度卷积神经网络身份证信息识别方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210511

WW01 Invention patent application withdrawn after publication