CN113378992B - 一种基于位置识别的车辆定位方法及系统 - Google Patents
一种基于位置识别的车辆定位方法及系统 Download PDFInfo
- Publication number
- CN113378992B CN113378992B CN202110769740.1A CN202110769740A CN113378992B CN 113378992 B CN113378992 B CN 113378992B CN 202110769740 A CN202110769740 A CN 202110769740A CN 113378992 B CN113378992 B CN 113378992B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- module
- positioning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于位置识别的车辆定位方法及系统,包括用于对位置识别数据集进行特征的提取的特征提取模块,用于对特征提取网络提取到的特征进行输入图像的重构并与原始图像进行对比的自动编码,其用于对部分的位置识别数据集进行训练以初始化模型的聚类中心的聚类模块,用于特征提取模块提取到的最优特征进行池化处理,即将提取到的最优特征处理为可表示图像的二维特征描述子的定位模块,还包括特征库。本发明不仅可以在复杂的室外环境下工作,而且可以在无法使用GPS以及GNSS等定位技术的室内和障碍物较多的环境中工作,利用位置识别模型对各种街景图像进行训练,将实时检测到的街景图片与图像库里的图像进行对比,以此达到定位的目的。
Description
技术领域
本发明涉及车辆定位技术领域,具体涉及一种基于位置识别的车辆定位方法及系统。
背景技术
随着汽车行业的迅速发展和人们生活水平的不断提高,汽车变得越来越普及,已经成为人们日常生活中不可或缺的交通工具之一。但是随着城市中车辆的增多,道路交通也面临着巨大的挑战。近些年来,世界各地都开始研究一种新一代的智能交通系统。而智能交通系统的发展往往都离不开优异的车辆定位技术,只有在实现车辆精准、实时定位的前提下,才能有效的改善交通情况,保证车辆行驶安全。因此,实现道路交通车辆的精准定位对于避免交通事故和确保车辆的安全运行至关重要。
在现有技术中关于车辆的定位方法一般采用的都是全球定位系统(GPS)和全球卫星导航系统(GNSS)。但是它们都存在一定的局限性,比如GPS技术通常容易受气候、电磁波或对流层的影响而产生定位偏差,并且该相关技术仅仅适用于视野开阔、障碍物较少的新建区,当在地下车库或混乱的室外环境中以及通过长距离隧道的时候定位效果表现较差。此外,现有的GNSS技术由于卫星定位信号功率的有限以及高层建筑物和房屋墙壁等对卫星定位信号的遮挡,无法稳定地工作于高层建筑物较多的城市道路。
在过去的一段时间里,计算机视觉方法的出现导致了对基于图像的定位方法在非传感器系统中的新技术。与其它基于传感器定位技术的相比,基于图像位置识别的方法已经显示出低成本和低功耗等显着的优势。更重要的是,该方法还拥有在GPS和GNSS领域受限制的环境中工作的强大能力。因此,从计算机视觉技术作为出发点,发明了基于位置识别的车辆定位方法。
发明内容
为了解决上述现有技术中存在的问题,提供了一种基于位置识别的车辆定位方法及系统。
本发明解决其技术问题所采用的技术方案是:
本发明提出了一种基于位置识别的车辆定位方法,包括:
数据采集步骤:采集完成后的数据集首先经过特征提取模块进行特征提取,特征提取模块包括一系列神经网络模型;
数据处理步骤:特征提取模块对任意神经网络模型进行随机组合,然后将提取到的特征经自动编码器进行图像的重构,并与原始图像进行对比,当重构图像与原始图像最为相似时,则认定当前特征提取网络的组合为最优组合,并将当前组合的特征提取网络提取到的最优特征前向传播到定位模块进行特征的后续处理;
模型建立步骤:将上述特征经过定位模块训练后,将获得由图像关键描述子组成的特征库;
位置识别步骤:将需要定位的图像的特征描述子与经过定位模块训练后得到的特征库里的图像关键描述子进行匹配,最后,通过弱监督排序将正样本中距离查询图像最近的图片作为定位结果进行输出,以此达到车辆定位的目的。
优选的,采集完成后的数据集为位置识别数据集,所述位置识别数据集包括同一地点下不同视角和不同时间的图像数据,并统一对其添加GPS坐标或其他位置信息的标签。
优选的,自动编码器用来对特征提取网络提取到的特征进行输入图像的重构并与原始图像进行对比,所述对比方法包括:
S31:利用原始图像和重构图像获取到的多维特征平铺到一维上得到两个一维向量;
S32:然后将两个一维向量进行相减,再进行绝对值的求和,求取两个特征向量的L1范数,以此代表两个一维向量的距离即两者的相似程度;
S33:接着对求取到的距离再进行两次全连接,将第二次全连接层连接到一个神经元上,并对其结果取Sigmoid函数,使其值在分布于[0,1]之间,用于代表两个输入图片的相似程度;
S34:当两个图片的相似程度达到最大时,即代表当前神经网络模型的组合提取到的特征为最优特征,将提取到的最优特征前向传播到定位模块进行特征的后续处理。
优选的,还包括,聚类模块,所述聚类模块用于对部分的位置识别数据集进行训练以初始化模型的聚类中心。
优选的,所述聚类中心作为定位模块中的可训练参数,即根据已知图像数据的类别进行训练,将属于同一物体的特征聚合在一起,使模型学习到更好的聚类中心,让最终特征库里代表图像的描述子更有区分度。
优选的,所述定位模块获得由图像关键描述子组成的特征库的方法包括:
S61:首先对特征提取模块提取到的最优特征进行L2归一化处理,将其视为一个密度描述符提取器;
S62:将被提取出来的描述符池化为固定的图像表示,然后前向传播到模型中的聚合模块进行处理,被提取出来的描述符池化层为GhostVLAD层,GhostVLAD网络模块将多个位置特征聚合成固定维数的特征矩阵,并且其参数可通过向后传播进行学习;
S63:将特征矩阵前向传播到FC和L2归一化层,将其归一化为紧凑鉴别的向量,再被用于当作是图像的表示。
优选的,所述步骤S61中,为了使得后续描述子足够简洁并节约内存和减少运算时间,在归一化层后面加入全连接层,使得输出维度从2048降为256。
优选的,所述步骤S62中,将贡献程度较低的图像单独作为一类进行簇的划分,并使其不参与到网络的权重更新中,通过端到端的训练方法,让模型自动提取贡献程度较低的图像,且该图像不再作为学习和训练的特征。
一种基于位置识别的车辆定位系统,包括:
特征提取模块,其用于对位置识别数据集进行特征的提取;
自动编码器,其用于对特征提取网络提取到的特征进行输入图像的重构并与原始图像进行对比;
聚类模块,其用于对部分的位置识别数据集进行训练以初始化模型的聚类中心;
定位模块,其用于特征提取模块提取到的最优特征进行池化处理,即将提取到的最优特征处理为可表示图像的二维特征描述子;
特征库,对位置识别数据集采集到的数据通过自动编码器、聚类模块和定位模块进行训练后,将训练好的模型作为特征库,特征库将实时采集到的街景图像和特征库里的图像进行对比,以此达到车辆定位的目的。
与现有技术相比,本发明的有益效果是:
1.本发明将深度学习与车辆定位技术相结合,采用位置识别的思想,实现行进中车辆的实时定位,实现了基于图像的定位方法在非传感器系统中的新应用。相比之前传统的全球定位和全球卫星导航定位技术,本发明中基于位置识别的车辆定位方法开发和维护成本较低,并且在工作过程中可以达到无功耗的显着优势。此外,本发明不受气候、电磁波以及信号强弱等因素的影响。不仅可以在复杂的、高层建筑物较多的室外环境下进行工作,而且可以在无法使用GPS和GNSS等标准定位技术的室内和信号较差的山区以及隧道下工作。弥补了传统定位技术的不足,将定位技术推向智能化领域。
2.本发明中还采用随机组合的新思想,将不同的神经网络模型随机组合进行特征的提取,并采用自编码器作为提取特征是否优良的衡量标准。将提取到的优异特征进一步处理成可以代替图像的描述子,并对其添加GPS坐标或者其他位置信息的标签,本方法可充分挖掘每个模型的潜力。
3.本发明中将传统定位模型中的K-means聚类替换成模糊C均值聚类,进行聚类中心的初始化,使各个描述子的簇间相似度降低以此达到提高定位效果的目的。对采集到的同一地点下不同视角和不同时间的图像作为数据集进行模型的训练。将训练好的模型作为特征库,将实时采集到的街景图像和特征库里的图像进行对比,以此达到定位的目的。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明的步骤流程图;
图2是本发明的基于位置识别的车辆定位系统模型架构。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
实施例一
如图1-2所示,本实施例提出了一种基于位置识别的车辆定位方法,包括:
数据采集步骤:采集完成后的数据集首先经过特征提取模块进行特征提取,特征提取模块包括一系列神经网络模型;
数据处理步骤:特征提取模块对任意神经网络模型进行随机组合,然后将提取到的特征经自动编码器进行图像的重构,并与原始图像进行对比,当重构图像与原始图像最为相似时,则认定当前特征提取网络的组合为最优组合,并将当前组合的特征提取网络提取到的最优特征前向传播到定位模块进行特征的后续处理;
模型建立步骤:将上述特征经过定位模块训练后,将获得由图像关键描述子组成的特征库;
位置识别步骤:将需要定位的图像的特征描述子与经过定位模块训练后得到的特征库里的图像关键描述子进行匹配,最后,通过弱监督排序将正样本中距离查询图像最近的图片作为定位结果进行输出,以此达到车辆定位的目的。
基于位置识别的车辆定位方法主要由特征提取和定位网络两部分组成。具体的,整个车辆定位模型在经过预训练后投入使用,用于检测实时输入进模型中的街景图像或视频。
采集完成后的数据集为位置识别数据集,所述位置识别数据集包括同一地点下不同视角和不同时间的图像数据,并统一对其添加GPS坐标或其他位置信息的标签。
准备完毕的数据集首先经过特征提取模块进行特征提取,其中特征提取模块是由一系列优秀的神经网络模型组成的,为了充分挖掘每一个模型的潜力,每次对特征提取网络模型进行随机选取,将任意组合的神经网络模型提取到的特征经自动编码器进行图像的重构,并与原始图像进行对比,当原始图像与重构图像最为相似时,则认定当前特征提取网络的组合为最优组合,并将当前组合的特征提取网络提取到的最优特征前向传播到定位模块进行特征的后续处理,并将提取到的特征前向传播到定位模型进行训练。
在其经过定位模型训练后将获得由图像关键描述子组成的特征库。将查询图像的特征描述子与经过位置识别数据集训练得到的特征库里的带有GPS标签的描述子进行匹配。最后,通过弱监督排序将正样本中距离查询图像最近的图片作为定位结果进行输出。
基于位置识别的车辆定位方法主要由特征提取模块、自动编码器、聚类模块、定位模块和特征库五个部分组成。整个基于位置识别的车辆定位方法是在模型预训练完成之后投入使用的。其输入可以是任意数量的图片也可以是视频。
其中:
特征提取模块是由一系列优秀的神经网络模型组成的,主要用来对位置识别数据集进行特征的提取。具体的,特征提取网络是随机进行组合的,利用每次进行随机组合后的特征提取网络提取到的特征进行图像的重构,并将重构图像与原始图像进行对比,当原始图像与重构图像最为相似时,则认定当前特征提取网络的组合为最优组合,并将当前组合的特征提取网络提取到的最优特征前向传播到定位模块进行特征的后续处理。
判定相似不相似就是根据损失值作为判断依据的,损失值越低相似度越高,损失值是深度学习里的判定标准,损失值越低网络训练效果越好,一般情况下网络训练时间越久,损失值越低。
自动编码器用来对特征提取网络提取到的特征进行输入图像的重构并与原始图像进行对比,所述对比方法包括,
S31:利用原始图像和重构图像获取到的多维特征平铺到一维上得到两个一维向量;
S32:然后将两个一维向量进行相减,再进行绝对值的求和,求取两个特征向量的L1范数,以此代表两个一维向量的距离即两者的相似程度;
S33:接着对求取到的距离再进行两次全连接,将第二次全连接层连接到一个神经元上,并对其结果取Sigmoid函数,使其值在分布于[0,1]之间,用于代表两个输入图片的相似程度;
S34:当两个图片的相似程度达到最大时,即代表当前神经网络模型的组合提取到的特征为最优特征,将提取到的最优特征前向传播到定位模块进行特征的后续处理。
聚类模块采用模糊C均值进行聚类,主要负责对部分的位置识别数据集进行训练以初始化模型的聚类中心。与传统的无监督学习有所区别,本发明将聚类中心/>作为定位模块中的可训练参数,即根据已知图像数据的类别进行训练,将属于同一物体的特征聚合在一起而不是划分到其他类别,使模型学习到更好的聚类中心,让最终特征库里代表图像的描述子更有区分度。
聚类模块根据根据同一物体的特征聚合进行分类,提取到太多特征点、这些特征点可以看做具体的数值,对这些特征进行聚类,可以提高算法的性能。
定位模块主要负责对特征提取模块提取到的最优特征进行池化处理,即将提取到的最优特征处理为可表示图像的维(表示图像的二维)特征描述子。具体的,定位模块采用GhostVLAD来生成输入图像的全局特征表示(具体称为特征描述符),并将其与带有地理标记的数据库里的代表图像集合的特征描述符进行匹配。这些地理标签信息可以是室外环境中的GPS坐标,也可以是室内环境中的位置ID(例如,房间ID)。最佳匹配的数据库图像的关联地理位置信息将用作输入图像的定位结果。具体的,为了能够在图片之间进行对比,输出必须是一个拥有固定长度的描述子向量。并且输出的描述子必须足够简洁,这样在进行对比的时候可以达到节约内存和运行时间的目的。另一方面提取的特征库存储的描述子必须有足够的辨识度,使得类内相似性远远大于类间相似性。
所述定位模块获得由图像关键描述子组成的特征库的方法包括:
S61:首先对特征提取模块提取到的最优特征进行L2归一化处理,将其视为一个密度描述符提取器;
S62:将被提取出来的描述符池化为固定的图像表示,然后前向传播到模型中的聚合模块进行处理,被提取出来的描述符池化层为GhostVLAD层,GhostVLAD网络模块将多个位置特征聚合成固定维数的特征矩阵,并且其参数可通过向后传播进行学习;
S63:将特征矩阵前向传播到FC和L2归一化层,将其归一化为紧凑鉴别的向量,再被用于当作是图像的表示。
所述步骤S61中,为了使得后续描述子足够简洁并节约内存和减少运算时间,在归一化层后面加入全连接层,使得输出维度从2048降为256。
所述步骤S62中,将贡献程度较低的图像单独作为一类进行簇的划分,并使其不参与到网络的权重更新中,通过端到端的训练方法,让模型自动提取贡献程度较低的图像,且该图像不再作为学习和训练的特征。
提取贡献程度较低的图像即为,较为模糊的、信息量较低的图像。其中,贡献程度较低的图像,就不将它们作为学习和训练的特征了,因为它们的价值很低而且会干扰模型的性能。
其中,步骤S62中所提到的向后传播进行学习,为神经网络里的反向传播,用来求偏导,优化训练参数,可以看做是网络的不断优化和学习的过程。
本发明将深度学习与车辆定位技术相结合,采用位置识别的思想,实现行进中车辆的实时定位。采用随机组合的新思想,将不同的神经网络模型随机组合进行特征的提取,并采用自编码器作为提取特征是否优良的衡量标准。将提取到的优异特征进一步处理成可以代替图像的描述子,并对其添加GPS坐标或者其他位置信息的标签。同时将传统定位模型中的K-means聚类替换成模糊C均值聚类,进行聚类中心的初始化,使各个描述子的簇间相似度降低以此达到提高定位效果的目的。对采集到的同一地点下不同视角和不同时间的图像作为数据集进行模型的训练。将训练好的模型作为特征库,将实时采集到的街景图像和特征库里的图像进行对比,以此达到定位的目的。
本发明将深度学习与定位技术相结合,实现了基于图像的定位方法在非传感器系统中的新应用。相比之前传统的全球定位和全球卫星导航定位技术,基于位置识别的车辆定位方法开发和维护成本较低,并且在工作过程中可以达到无功耗的显着优势。此外,本发明不受气候、电磁波以及信号强弱等因素的影响。不仅可以在复杂的、高层建筑物较多的室外环境下进行工作,而且可以在无法使用GPS和GNSS等标准定位技术的室内和信号较差的山区以及隧道下工作。弥补了传统定位技术的不足,将定位技术推向智能化领域。
实施例二,
本实例中的目的是提供一种基于位置识别的车辆定位系统。包括:
特征提取模块,其用于对位置识别数据集进行特征的提取;
自动编码器,其用于对特征提取网络提取到的特征进行输入图像的重构并与原始图像进行对比;
聚类模块,其用于对部分的位置识别数据集进行训练以初始化模型的聚类中心;
定位模块,其用于特征提取模块提取到的最优特征进行池化处理,即将提取到的最优特征处理为可表示图像的二维特征描述子;
特征库,对位置识别数据集采集到的数据通过自动编码器、聚类模块和定位模块进行训练后,将训练好的模型作为特征库,特征库将实时采集到的街景图像和特征库里的图像进行对比,以此达到车辆定位的目的。
本发明利用深度学习方法进行位置识别,从而实现车辆的定位。将街景图像作为模型的输入,利用位置识别模型对各种街景图像进行训练,将实时检测到的街景图片与图像库里的图像进行对比,进而输出当前所在街景的GPS位置信息,以此达到定位的目的。本发明无需外部传感器就可以仅通过街景图像进行车辆的定位,不仅可以在复杂的室外环境下工作,而且可以在无法使用GPS以及GNSS等定位技术的室内和障碍物较多的环境中工作。避免了传统定位系统容易受气候、电磁波等因素影响而产生定位偏差的情况。
最后将整个模型看做是一个特征提取函数,则整个基于位置识别的定位任务具体流程如下所示:对于一个需要定位的查询图像/>和训练得到的特征库/>,将所有正样本集合的特征距离进行弱监督排序,则特征库里正样本中距离最近的图像即为检索图片。最后将距离最近的图像的GPS坐标或者位置ID进行输出,以此达到车辆定位的目的。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于位置识别的车辆定位方法,其特征在于,包括:
数据采集步骤:采集完成后的数据集首先经过特征提取模块进行特征提取,特征提取模块包括一系列神经网络模型;
数据处理步骤:特征提取模块对任意神经网络模型进行随机组合,然后将提取到的特征经自动编码器进行图像的重构,并与原始图像进行对比,对比方法包括:
S31:利用原始图像和重构图像获取到的多维特征平铺到一维上得到两个一维向量;
S32:然后将两个一维向量进行相减,再进行绝对值的求和,求取两个特征向量的L1范数,代表两个一维向量的距离即原始图像和重构图像的相似程度;
S33:接着对求取到的距离再进行两次全连接,将第二次全连接层连接到一个神经元上,并对其结果取Sigmoid函数,使其值在分布于[0,1]之间,用于代表两个输入图片的相似程度;
S34:当重构图像与原始图像最为相似时,则认定当前特征提取网络的组合为最优组合,并将当前组合的特征提取网络提取到的最优特征前向传播到定位模块进行特征的后续处理;
模型建立步骤:将上述特征经过定位模块训练后,将获得由图像关键描述子组成的特征库,具体方法包括:
S61:首先对特征提取模块提取到的最优特征进行L2归一化处理,将其视为一个密度描述符提取器;
S62:将被提取出来的描述符池化为固定的图像表示,然后前向传播到模型中的聚合模块进行处理,被提取出来的描述符池化层为GhostVLAD层,GhostVLAD网络模块将多个位置特征聚合成固定维数的特征矩阵,并且其参数可通过向后传播进行学习;
S63:将特征矩阵前向传播到FC和L2归一化层,将其归一化为紧凑鉴别的向量,再被用于当作是图像的表示;
位置识别步骤:将需要定位的图像的特征描述子与经过定位模块训练后得到的特征库里的图像关键描述子进行匹配,最后,通过弱监督排序将正样本中距离查询图像最近的图片作为定位结果进行输出,完成车辆定位。
2.根据权利要求1所述的一种基于位置识别的车辆定位方法,其特征在于,采集完成后的数据集为位置识别数据集,所述位置识别数据集包括同一地点下不同视角和不同时间的图像数据,并统一对其添加GPS坐标或其他位置信息的标签。
3.根据权利要求2所述的一种基于位置识别的车辆定位方法,其特征在于,还包括,聚类模块,所述聚类模块用于对部分的位置识别数据集进行训练以初始化模型的聚类中心;所述聚类中心作为定位模块中的可训练参数,即根据已知图像数据的类别进行训练,将属于同一物体的特征聚合在一起。
4.根据权利要求1所述的一种基于位置识别的车辆定位方法,其特征在于,所述S61中,在归一化层后面加入全连接层,使得输出维度从2048降为256。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769740.1A CN113378992B (zh) | 2021-07-07 | 2021-07-07 | 一种基于位置识别的车辆定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769740.1A CN113378992B (zh) | 2021-07-07 | 2021-07-07 | 一种基于位置识别的车辆定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378992A CN113378992A (zh) | 2021-09-10 |
CN113378992B true CN113378992B (zh) | 2023-11-21 |
Family
ID=77581405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769740.1A Active CN113378992B (zh) | 2021-07-07 | 2021-07-07 | 一种基于位置识别的车辆定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378992B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018867A (zh) * | 2022-05-17 | 2022-09-06 | 苏州光格科技股份有限公司 | 电缆隧道定位方法、装置、计算机设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN108846323A (zh) * | 2018-05-28 | 2018-11-20 | 哈尔滨工程大学 | 一种面向水下目标识别的卷积神经网络优化方法 |
CN109359684A (zh) * | 2018-10-17 | 2019-02-19 | 苏州大学 | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 |
CN109815953A (zh) * | 2019-01-30 | 2019-05-28 | 电子科技大学 | 一种基于车辆年检标的车辆识别匹配系统 |
CN110751027A (zh) * | 2019-09-09 | 2020-02-04 | 华中科技大学 | 一种基于深度多示例学习的行人重识别方法 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN112819103A (zh) * | 2021-03-04 | 2021-05-18 | 吉林大学 | 基于图神经网络的特征识别方法、装置、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11182612B2 (en) * | 2019-10-28 | 2021-11-23 | The Chinese University Of Hong Kong | Systems and methods for place recognition based on 3D point cloud |
-
2021
- 2021-07-07 CN CN202110769740.1A patent/CN113378992B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN108846323A (zh) * | 2018-05-28 | 2018-11-20 | 哈尔滨工程大学 | 一种面向水下目标识别的卷积神经网络优化方法 |
CN109359684A (zh) * | 2018-10-17 | 2019-02-19 | 苏州大学 | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 |
CN109815953A (zh) * | 2019-01-30 | 2019-05-28 | 电子科技大学 | 一种基于车辆年检标的车辆识别匹配系统 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
CN110751027A (zh) * | 2019-09-09 | 2020-02-04 | 华中科技大学 | 一种基于深度多示例学习的行人重识别方法 |
CN112819103A (zh) * | 2021-03-04 | 2021-05-18 | 吉林大学 | 基于图神经网络的特征识别方法、装置、存储介质及终端 |
Non-Patent Citations (3)
Title |
---|
基于OpenCV的行驶车辆车牌定位实现;程挥竣;应捷;;电子科技(第06期);全文 * |
基于可变形卷积神经网络的遥感影像密集区域车辆检测方法;高鑫;李慧;张义;闫梦龙;张宗朔;孙显;孙皓;于泓峰;;电子与信息学报(第12期);全文 * |
基于深度学习的室内视觉位置识别技术;朱会平;钱久超;朱肖光;应忍冬;;信息技术(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378992A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | An improved deep network-based scene classification method for self-driving cars | |
Silva et al. | An extended center-symmetric local binary pattern for background modeling and subtraction in videos | |
Chen et al. | Vehicle detection in high-resolution aerial images via sparse representation and superpixels | |
Alvarez et al. | Combining priors, appearance, and context for road detection | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
CN103578119A (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN109753959B (zh) | 基于自适应多尺度特征融合的路面交通标志检测方法 | |
CN110119726A (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
Xie et al. | Deep learning-based computer vision for surveillance in its: Evaluation of state-of-the-art methods | |
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 | |
Mao et al. | Learning to fuse multiscale features for visual place recognition | |
CN114926469A (zh) | 语义分割模型训练方法、语义分割方法、存储介质及终端 | |
CN114022726A (zh) | 一种基于胶囊网络的人员车辆监控方法及系统 | |
CN117011883A (zh) | 一种基于金字塔卷积和Transformer双分支的行人重识别方法 | |
CN113378992B (zh) | 一种基于位置识别的车辆定位方法及系统 | |
Tao et al. | Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns | |
Zhang et al. | Road marking segmentation based on siamese attention module and maximum stable external region | |
Han et al. | A novel loop closure detection method with the combination of points and lines based on information entropy | |
Zhang et al. | A dual attention neural network for airborne LiDAR point cloud semantic segmentation | |
Zhang et al. | Visual loop closure detection with instance segmentation and image inpainting in dynamic scenes using wearable camera | |
CN106650814B (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
Dongtao et al. | Traffic sign detection method of improved ssd based on deep learning | |
CN114581841A (zh) | 一种复杂交通环境下利用深度学习法检测弱小目标的方法 | |
Zou et al. | Research on human movement target recognition algorithm in complex traffic environment |
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 |