CN114067293A - 基于双重属性的车辆重识别重排列方法、系统及电子设备 - Google Patents

基于双重属性的车辆重识别重排列方法、系统及电子设备 Download PDF

Info

Publication number
CN114067293A
CN114067293A CN202210046549.9A CN202210046549A CN114067293A CN 114067293 A CN114067293 A CN 114067293A CN 202210046549 A CN202210046549 A CN 202210046549A CN 114067293 A CN114067293 A CN 114067293A
Authority
CN
China
Prior art keywords
sample
vehicle
target
samples
space
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.)
Granted
Application number
CN202210046549.9A
Other languages
English (en)
Other versions
CN114067293B (zh
Inventor
叶刚
石超英
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.)
Wuhan Luoxin Technology Co ltd
Wuhan University WHU
Original Assignee
Wuhan Luoxin Technology 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 Wuhan Luoxin Technology Co ltd filed Critical Wuhan Luoxin Technology Co ltd
Priority to CN202210046549.9A priority Critical patent/CN114067293B/zh
Publication of CN114067293A publication Critical patent/CN114067293A/zh
Application granted granted Critical
Publication of CN114067293B publication Critical patent/CN114067293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本发明公开了一种基于双重属性的车辆重识别重排列方法、系统及电子设备，从多粒度特征空间的样本位置分布入手，从基于单特征空间的样本分布规律的重拍方法延伸至多特征空间，利用互近邻集合的强相似关系和多特征空间的辨识互补关系对车辆图像匹配结果进行了重新排列和优化。本发明在不增加新的数据信息和不改变特征学习模型的前提下，能够有效地提升检索结果的准确度，并且可以和绝大多数车辆重识别方法配套使用。

Description

基于双重属性的车辆重识别重排列方法、系统及电子设备
技术领域
本发明属于智慧交通及图像识别技术领域，涉及一种车辆重识别重排列方法、系统及电子设备，具体涉及一种基于双重属性的车辆重识别重排列方法、系统及电子设备。
背景技术
车辆重识别是一种基于图像语义内容的车辆图像搜索技术，对于给定的目标车辆图像，车辆重识别的目标及功能是检索出在图像库/视频库中与目标图像具有相同身份的车辆图像/视频片段，并将检索结果以一定的相似度顺序进行输出。车辆重识别对城市道路监控智能化管理，智慧城市全面建设等方面具有重要的实际意义。
车辆重识别的一般流程包括，图像预处理，图像特征表达，基于图像特征的相似度匹配，当前大多数的车辆重识别方法都专注于图像预处理和图像特征表达阶段的算法改进，在图像匹配阶段，通常采用简单的k近邻(k-Nearest Neighbor)算法，选取与目标图像距离最近的k个图像作为输出结果，忽视了特征空间样本类内类间的分布规律，无法准确的衡量图像对之间真实的相似/匹配关系，导致最终输出结果的准确度受限。
发明内容
为了解决上述技术问题，本发明提供的一种基于双重属性的车辆重识别重排列方法、系统及电子设备。
本发明的方法所采用的技术方案是：一种基于双重属性的车辆重识别重排列方法，包括以下步骤：
步骤1：根据已知车辆图像样本集合、已知车辆图像特征及匹配结果，构建车辆图像特征空间，包括根据车型特征向量构建车型特征空间，根据车辆个体特征向量构建车辆个体特征空间；
已知车辆图像样本集合
Figure 354092DEST_PATH_IMAGE001
，其中Ve i 表示第i个样 本，
Figure 474495DEST_PATH_IMAGE002
是该样本的车型特征向量，
Figure 441182DEST_PATH_IMAGE003
是该样本的个体特征向量， i 表示第i 个样本的车辆图像，
Figure 774075DEST_PATH_IMAGE004
是样本总数目；其中
Figure 276863DEST_PATH_IMAGE005
是通过机器学习方法根据车辆图像的 车型标签和车辆身份标签学习得到的；目标样本表示为p，待匹配样本集表示为
Figure 302587DEST_PATH_IMAGE006
；
采用欧几里得距离计算样本集中任意样本对在车辆个体特征空间的相似距离
Figure 756571DEST_PATH_IMAGE007
；同时利用欧几里得距离计算计算样本集中任意样本对在车型特 征空间的距离
Figure 893155DEST_PATH_IMAGE008
；
步骤2：计算车辆图像特征空间中与目标样本p距离前k近的样本集合
Figure 513098DEST_PATH_IMAGE009
，目 标样本p的k互近邻样本集合
Figure 444145DEST_PATH_IMAGE010
，利用目标样本p的车型特征空间和车辆个体特征空间 的互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 651005DEST_PATH_IMAGE011
；
步骤3：计算基于k近邻和k互近邻的Jaccard距离，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
本发明的系统所采用的技术方案是：一种基于双重属性的车辆重识别重排列系统，包括以下模块：
模块1，用于根据已知车辆图像样本集合、已知车辆图像特征及匹配结果，构建车辆图像特征空间，包括根据车型特征向量构建车型特征空间，根据车辆个体特征向量构建车辆个体特征空间；
已知车辆图像样本集合
Figure 591279DEST_PATH_IMAGE012
，其中Ve i 表示第i个样 本，
Figure 52347DEST_PATH_IMAGE002
是该样本的车型特征向量，
Figure 436186DEST_PATH_IMAGE013
是该样本的个体特征向量， i 表示第i 个样本的车辆图像，
Figure 615495DEST_PATH_IMAGE004
是样本总数目；其中
Figure 343148DEST_PATH_IMAGE005
是通过机器学习方法根据车辆图像的 车型标签和车辆身份标签学习得到的；目标样本表示为p，待匹配样本集表示为
Figure 924302DEST_PATH_IMAGE014
；
采用欧几里得距离计算样本集中任意样本对在车辆个体特征空间的相似距离
Figure 950814DEST_PATH_IMAGE015
；同时利用欧几里得距离计算计算样本集中任意样本对在车型特征 空间的距离
Figure 882998DEST_PATH_IMAGE016
；
模块2，用于计算车辆图像特征空间中与目标样本p距离前k近的样本集合
Figure 148763DEST_PATH_IMAGE017
，目标样本p的k互近邻样本集合
Figure 584423DEST_PATH_IMAGE010
，利用目标样本p的车型特征空间和车辆个体特征 空间的互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 44486DEST_PATH_IMAGE011
；
模块3，用于计算基于k近邻和k互近邻的Jaccard距离，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
本发明提供的一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一项所述的基于双重属性的车辆重识别重排列方法。
本发明在图像相似度匹配阶段，根据样本在不同特征空间的分布情况，从两个特征空间(车型特征空间和车辆个体特征空间)考查样本对之间的双向k近邻关系，同时利用样本对之间的多阶相似关系综合衡量样本对的相似关系。
本发明的有益效果包括：
（1）本发明能够在不改进车辆特征表达方法的前提下，仅使用样本的特征空间分布规律，即可有效地提升车辆重识别的准确度。
（2）本发明在不增加新的数据信息和不改变特征学习模型的前提下，能够有效地提升检索结果的准确度，并且可以和绝大多数车辆重识别方法配套使用。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明是在已知车辆图像特征的前提下对匹配结果进行优化，请见图1，本发明提供的一种基于双重属性的车辆重识别重排列方法，包括以下步骤：
步骤1：根据已知车辆图像样本集合、已知车辆图像特征及匹配结果，构建车辆图像特征空间，包括根据车型特征向量构建车型特征空间，根据车辆个体特征向量构建车辆个体特征空间；
本实施例中，车型特征空间是指以车型信息为相似标准构建的度量空间，如两辆都是同一款的不同身份的车辆图像样本会被归为同一类样本点，个体特征空间是指以车辆身份为相似标准构建的度量空间，只有具有相同ID的车辆图像样本被定义为同一类样本。两个度量空间本质上是两种不同特征粒度的分类空间，车型度量空间属于粗粒度车辆特征表达空间，个体特征空间属于细粒度车辆特征表达空间。同样的车辆图像数据集在两个特征空间中具有不同的分布，两个空间的样本间的距离都表示了样本间的相似/匹配程度。
本实施例中，已知车辆图像样本集合
Figure 198387DEST_PATH_IMAGE018
，其 中Ve i 表示第i个样本，
Figure 18575DEST_PATH_IMAGE019
是该样本的车型特征向量，
Figure 558010DEST_PATH_IMAGE013
是该样本的个体特征 向量， i 表示第i个样本的车辆图像，
Figure 703820DEST_PATH_IMAGE004
是样本总数目；其中
Figure 92820DEST_PATH_IMAGE005
是通过机器学习方法 根据车辆图像的车型标签和车辆身份标签学习得到的；目标样本表示为p，待匹配样本集表 示为
Figure 451120DEST_PATH_IMAGE020
；
本实施例中，采用欧几里得距离(Euclidean Distance)计算样本集中任意样本对 在车辆个体特征空间的相似距离
Figure 376220DEST_PATH_IMAGE021
；同时利用欧几里得距离计算 计算样本集中任意样本对在车型特征空间的距离
Figure 692932DEST_PATH_IMAGE022
；
步骤2：计算车辆图像特征空间中与目标样本p距离前k近的样本集合
Figure 555845DEST_PATH_IMAGE009
，目 标样本p的k互近邻样本集合
Figure 734148DEST_PATH_IMAGE023
，利用目标样本p的车型特征空间和车辆个体特征空间 的互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 733328DEST_PATH_IMAGE011
；
本实施例中，步骤2的具体实现包括以下子步骤：
步骤2.1：计算样本的k近邻集合；
定义
Figure 470209DEST_PATH_IMAGE024
表示车辆图像特征空间中与目标样本p距离前k近的样本集合，即为 目标样本p的k近邻集合，
Figure 820419DEST_PATH_IMAGE025
；目标样本p在车型特征空间和车辆个 体特征空间的k近邻集合分别表示为
Figure 793623DEST_PATH_IMAGE026
和
Figure 912889DEST_PATH_IMAGE027
；
步骤2.2：计算样本的k互近邻集合；
定义目标样本p的k互近邻样本集合
Figure 305824DEST_PATH_IMAGE028
是由目标样本p的k近邻集中特定的 样本组成的，这些样本必须满足目标样本p在这些样本的k近邻集中，
Figure 392598DEST_PATH_IMAGE029
；目标样本p在车型特征空间和车辆个体特 征空间的k互近邻集合分别表示为
Figure 896391DEST_PATH_IMAGE030
和
Figure 152054DEST_PATH_IMAGE031
；
步骤2.3：目标样本p的特征互近邻集是由其车型特征空间和车辆个体特征空间的 互近邻集组成，利用两个互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 450312DEST_PATH_IMAGE032
。
Figure 289961DEST_PATH_IMAGE033
充分考虑了样本在两个分辩 粒度不同的特征空间中的分布规律，同时利用了样本间的互包含关系对样本的近邻集合进 行描述，能够更好地反应样本间潜在的近邻关系。
步骤3：计算基于k近邻和k互近邻的Jaccard距离，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果；
Jaccard距离是图网络研究领域中间接度量两节点相似度的常用方法，其核心思想是通过比对两节点k近邻集的相似度来衡量两节点的潜在距离关系。
本实施例中，步骤2的具体实现包括以下子步骤：
步骤3.1：根据步骤2.1中计算得到的车辆个体特征空间中目标样本p的k近邻集合
Figure 597445DEST_PATH_IMAGE034
，计算目标样本p与待匹配集合GSet中任一样本
Figure 173527DEST_PATH_IMAGE035
的Jaccard 距离；
Figure 908265DEST_PATH_IMAGE036
；
其中，
Figure 969630DEST_PATH_IMAGE037
在特征表达维度衡量了目标样本p与样本
Figure 80806DEST_PATH_IMAGE035
之间的相似度，具有 相似个体特征向量的样本对对应了更大的d l ；
Figure 779903DEST_PATH_IMAGE038
表示集合的元素个数；
步骤3.2：根据步骤2.3中计算得到的特征互近邻集
Figure 951121DEST_PATH_IMAGE039
，计算目标样本p与样 本
Figure 984936DEST_PATH_IMAGE035
基于互近邻的Jaccard距离；
Figure 149070DEST_PATH_IMAGE040
；
其中，
Figure 951941DEST_PATH_IMAGE041
在样本拓扑结构维度衡量了目标样本p与样本
Figure 782143DEST_PATH_IMAGE035
之间的相似度，
Figure 568834DEST_PATH_IMAGE042
结合两个特征空间的样本分布情况和样本间的强相关关系对样本间距离进行了度 量，具有真实相似关系的样本对对应了更大的
Figure 271080DEST_PATH_IMAGE043
，反之亦然。本专利使用两个维度的度量 标准d l 与
Figure 194036DEST_PATH_IMAGE043
对样本间相似关系进行综合度量。
步骤3.3：考虑到在车辆个体特征向量获取的过程中，由于受光照条件，拍摄视角 变化或特征提取算法自身的限制，所得到的特征向量可能无法精确表达车辆间的身份差 异，此时的d l 无法准确反应样本对之间的相似关系。考虑到上述情况，本专利根据
Figure 707057DEST_PATH_IMAGE044
和
Figure 466197DEST_PATH_IMAGE045
计算
Figure 722866DEST_PATH_IMAGE042
的匹配可信度，获取更准确的特征相似度度量。具有 相同身份(ID)的车辆图像一定具有相同的车型特征，具有不同车型特征的图像必然不具备 相同的身份(ID)，利用上述事实，本发明定义目标样本p特征表达置信度
Figure 749597DEST_PATH_IMAGE046
；pb越大表示d l 在最终的相似度度量中所占的比重越大；
步骤3.4：计算目标样本p与待匹配集合GSet中任一样本
Figure 433519DEST_PATH_IMAGE035
间的相似性
Figure 411446DEST_PATH_IMAGE047
；
Figure 471806DEST_PATH_IMAGE048
；
其中c是一个常参数，用以调节
Figure 369354DEST_PATH_IMAGE049
与d l 的权重关系，默认取值为1；
步骤3.5：利用公式
Figure 207866DEST_PATH_IMAGE050
计算出目标样本p与所有带匹配样本间的相似关系， 根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
对于车辆重识别问题，车辆图像的精确匹配一直是该领域的研究重点和难点，除了车辆特征学习方法的改进，利用特征空间中样本的分布规律对匹配结果进行优化也是一个能够有效提升匹配精度的途径，现有车辆重识别算法/专利对此类重排列的方法涉及甚少。本发明提出了一种基于双重属性的车辆重识别重排列方法，从多粒度特征空间的样本位置分布入手，从基于单特征空间的样本分布规律的重拍方法延伸至多特征空间，利用互近邻集合的强相似关系和多特征空间的辨识互补关系对车辆图像匹配结果进行了重新排列和优化。本发明在不增加新的数据信息和不改变特征学习模型的前提下，能够有效地提升检索结果的准确度，并且可以和绝大多数车辆重识别方法配套使用。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于双重属性的车辆重识别重排列方法，其特征在于，包括以下步骤：
步骤1：根据已知车辆图像样本集合、已知车辆图像特征及匹配结果，构建车辆图像特征空间，包括根据车型特征向量构建车型特征空间，根据车辆个体特征向量构建车辆个体特征空间；
已知车辆图像样本集合
Figure 472406DEST_PATH_IMAGE001
，其中Ve i 表示第i个 样本，
Figure 805298DEST_PATH_IMAGE002
是该样本的车型特征向量，
Figure 541042DEST_PATH_IMAGE003
是该样本的个体特征向量，img i 表示 第i个样本的车辆图像，
Figure 832346DEST_PATH_IMAGE004
是样本总数目；其中
Figure 37062DEST_PATH_IMAGE005
是通过机器学习方法根据车辆图像 的车型标签和车辆身份标签学习得到的；目标样本表示为p，待匹配样本集表示为
Figure 921448DEST_PATH_IMAGE006
；
采用欧几里得距离计算样本集中任意样本对在车辆个体特征空间的相似距离
Figure 528010DEST_PATH_IMAGE007
；同时利用欧几里得距离计算计算样本集中任意样本对在车型 特征空间的距离
Figure 239483DEST_PATH_IMAGE008
；
步骤2：计算车辆图像特征空间中与目标样本p距离前k近的样本集合
Figure 931495DEST_PATH_IMAGE009
，目标样本p的k互近邻样本集合
Figure 622502DEST_PATH_IMAGE010
，利用目标样本p的车型特征空间和车辆个体特征空间的互近 邻集的非对称并集作为目标样本p的特征互近邻集
Figure 83570DEST_PATH_IMAGE011
；
步骤3：计算基于k近邻和k互近邻的Jaccard距离，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
2.根据权利要求1所述的基于双重属性的车辆重识别重排列方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：计算样本的k近邻集合；
定义
Figure 434786DEST_PATH_IMAGE012
表示车辆图像特征空间中与目标样本p距离前k近的样本集合，即为目标 样本p的k近邻集合，
Figure 348516DEST_PATH_IMAGE013
；目标样本p在车型特征空间和车辆个体 特征空间的k近邻集合分别表示为
Figure 568845DEST_PATH_IMAGE014
和
Figure 149999DEST_PATH_IMAGE015
；
步骤2.2：计算样本的k互近邻集合；
定义目标样本p的k互近邻样本集合
Figure 937695DEST_PATH_IMAGE016
是由目标样本p的k近邻集中特定的样本组 成的，
Figure 338721DEST_PATH_IMAGE017
；目标样本p在车型特征空间和车辆个 体特征空间的k互近邻集合分别表示为
Figure 105951DEST_PATH_IMAGE018
和
Figure 807190DEST_PATH_IMAGE019
；
步骤2.3：目标样本p的特征互近邻集是由其车型特征空间和车辆个体特征空间的互近 邻集组成，利用两个互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 500209DEST_PATH_IMAGE020
。
3.根据权利要求2所述的基于双重属性的车辆重识别重排列方法，其特征在于，步骤3的具体实现包括以下子步骤：
步骤3.1：根据步骤2.1中计算得到的车辆个体特征空间中目标样本p的k近邻集合
Figure 654110DEST_PATH_IMAGE021
，计算目标样本p与待匹配集合GSet中任一样本
Figure 739877DEST_PATH_IMAGE022
的Jaccard 距离；
Figure 777847DEST_PATH_IMAGE023
；
其中，
Figure 658078DEST_PATH_IMAGE024
在特征表达维度衡量了目标样本p与样本
Figure 548543DEST_PATH_IMAGE022
之间的相似度，具有相似 个体特征向量的样本对对应了更大的d l ；
Figure 906843DEST_PATH_IMAGE025
表示集合的元素个数；
步骤3.2：根据步骤2.3中计算得到的特征互近邻集
Figure 333407DEST_PATH_IMAGE026
，计算目标样本p与样本
Figure 118961DEST_PATH_IMAGE022
基于互近邻的Jaccard距离；
Figure 231142DEST_PATH_IMAGE027
；
其中，
Figure 658712DEST_PATH_IMAGE028
在样本拓扑结构维度衡量了目标样本p与样本
Figure 677134DEST_PATH_IMAGE022
之间的相似度，具有 真实相似关系的样本对对应了更大的
Figure 164747DEST_PATH_IMAGE029
；
步骤3.3：定义目标样本p特征表达置信度
Figure 514957DEST_PATH_IMAGE030
； pb越大表示d l 在最终的相似度度量中所占的比重越大；
步骤3.4：计算目标样本p与待匹配集合GSet中任一样本
Figure 729906DEST_PATH_IMAGE022
间的相似性
Figure 583593DEST_PATH_IMAGE031
；
Figure 727260DEST_PATH_IMAGE032
；
其中c是一个常参数，用以调节
Figure 564766DEST_PATH_IMAGE029
与d l 的权重关系；
步骤3.5：计算出目标样本p与所有带匹配样本间的相似关系，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
4.一种基于双重属性的车辆重识别重排列系统，其特征在于，包括以下模块：
模块1，用于根据已知车辆图像样本集合、已知车辆图像特征及匹配结果，构建车辆图像特征空间，包括根据车型特征向量构建车型特征空间，根据车辆个体特征向量构建车辆个体特征空间；
已知车辆图像样本集合
Figure 583407DEST_PATH_IMAGE001
，其中Ve i 表示第i个 样本，
Figure 822758DEST_PATH_IMAGE002
是该样本的车型特征向量，
Figure 134398DEST_PATH_IMAGE003
是该样本的个体特征向量，img i 表示 第i个样本的车辆图像，
Figure 724779DEST_PATH_IMAGE004
是样本总数目；其中
Figure 15952DEST_PATH_IMAGE005
是通过机器学习方法根据车辆图像 的车型标签和车辆身份标签学习得到的；目标样本表示为p，待匹配样本集表示为
Figure 109810DEST_PATH_IMAGE006
；
采用欧几里得距离计算样本集中任意样本对在车辆个体特征空间的相似距离
Figure 110127DEST_PATH_IMAGE007
；同时利用欧几里得距离计算计算样本集中任意样本对在车型 特征空间的距离
Figure 407378DEST_PATH_IMAGE008
；
模块2，用于计算车辆图像特征空间中与目标样本p距离前k近的样本集合
Figure 518554DEST_PATH_IMAGE009
，目标 样本p的k互近邻样本集合
Figure 981765DEST_PATH_IMAGE010
，利用目标样本p的车型特征空间和车辆个体特征空间的 互近邻集的非对称并集作为目标样本p的特征互近邻集
Figure 152983DEST_PATH_IMAGE011
；
模块3，用于计算基于k近邻和k互近邻的Jaccard距离，根据从大到小的顺序进行排列，排名前L个样本即是前L个匹配结果。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任一项所述的基于双重属性的车辆重识别重排列方法。
CN202210046549.9A 2022-01-17 2022-01-17 基于双重属性的车辆重识别重排列方法、系统及电子设备 Active CN114067293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046549.9A CN114067293B (zh) 2022-01-17 2022-01-17 基于双重属性的车辆重识别重排列方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046549.9A CN114067293B (zh) 2022-01-17 2022-01-17 基于双重属性的车辆重识别重排列方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN114067293A true CN114067293A (zh) 2022-02-18
CN114067293B CN114067293B (zh) 2022-04-22

Family

ID=80231042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046549.9A Active CN114067293B (zh) 2022-01-17 2022-01-17 基于双重属性的车辆重识别重排列方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN114067293B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294401A1 (en) * 2007-05-21 2008-11-27 Siemens Corporate Research, Inc. Active Shape Model for Vehicle Modeling and Re-Identification
CN107622229A (zh) * 2017-08-29 2018-01-23 中山大学 一种基于融合特征的视频车辆重识别方法与系统
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
CN108647595A (zh) * 2018-04-26 2018-10-12 华中科技大学 基于多属性深度特征的车辆重识别方法
US10176405B1 (en) * 2018-06-18 2019-01-08 Inception Institute Of Artificial Intelligence Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN109508731A (zh) * 2018-10-09 2019-03-22 中山大学 一种基于融合特征的车辆重识别方法、系统及装置
CN109740653A (zh) * 2018-12-25 2019-05-10 北京航空航天大学 一种融合视觉表观与时空约束的车辆再识别方法
CN110309770A (zh) * 2019-06-28 2019-10-08 华侨大学 一种基于四元组损失度量学习的车辆再辨识方法
CN111382690A (zh) * 2020-03-05 2020-07-07 南京理工大学 基于多损失融合模型的车辆再识别方法
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
CN111797700A (zh) * 2020-06-10 2020-10-20 南昌大学 一种基于细粒度判别网络与二阶重排序的车辆重识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294401A1 (en) * 2007-05-21 2008-11-27 Siemens Corporate Research, Inc. Active Shape Model for Vehicle Modeling and Re-Identification
CN107622229A (zh) * 2017-08-29 2018-01-23 中山大学 一种基于融合特征的视频车辆重识别方法与系统
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
CN108647595A (zh) * 2018-04-26 2018-10-12 华中科技大学 基于多属性深度特征的车辆重识别方法
US10176405B1 (en) * 2018-06-18 2019-01-08 Inception Institute Of Artificial Intelligence Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN109508731A (zh) * 2018-10-09 2019-03-22 中山大学 一种基于融合特征的车辆重识别方法、系统及装置
CN109740653A (zh) * 2018-12-25 2019-05-10 北京航空航天大学 一种融合视觉表观与时空约束的车辆再识别方法
CN110309770A (zh) * 2019-06-28 2019-10-08 华侨大学 一种基于四元组损失度量学习的车辆再辨识方法
CN111382690A (zh) * 2020-03-05 2020-07-07 南京理工大学 基于多损失融合模型的车辆再识别方法
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
CN111797700A (zh) * 2020-06-10 2020-10-20 南昌大学 一种基于细粒度判别网络与二阶重排序的车辆重识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NA JIANG 等: "Multi-Attribute Driven Vehicle Re-Identification with Spatial-Temporal Re-Ranking", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
尹响: "基于深度学习多模型融合的车辆重识别方法研究", 《万方学术期刊》 *

Also Published As

Publication number Publication date
CN114067293B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
Lynen et al. Placeless place-recognition
Unar et al. Detected text‐based image retrieval approach for textual images
Cheraghian et al. Zero-shot learning on 3d point cloud objects and beyond
CN104239553A (zh) 一种基于Map-Reduce框架的实体识别方法
CN111444342A (zh) 一种基于多重弱监督集成的短文本分类方法
Volkov et al. Coresets for visual summarization with applications to loop closure
Li et al. A divide-and-unite deep network for person re-identification
CN114169442A (zh) 基于双原型网络的遥感图像小样本场景分类方法
CN113255573A (zh) 基于混合簇中心标签学习的行人重识别方法和存储介质
CN113065409A (zh) 一种基于摄像分头布差异对齐约束的无监督行人重识别方法
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
CN113723558A (zh) 基于注意力机制的遥感图像小样本舰船检测方法
Zhao et al. Safe semi-supervised classification algorithm combined with active learning sampling strategy
Liao et al. Depthwise grouped convolution for object detection
Kong et al. Collaborative model tracking with robust occlusion handling
Zhang et al. An efficient class-constrained DBSCAN approach for large-scale point cloud clustering
CN114067293B (zh) 基于双重属性的车辆重识别重排列方法、系统及电子设备
WO2023000725A1 (zh) 电力计量的命名实体识别方法、装置和计算机设备
Su et al. Deep supervised hashing with hard example pairs optimization for image retrieval
CN115659239A (zh) 基于特征提取强化的高鲁棒性异质图节点分类方法及系统
Zhang et al. Self-paced uncertainty estimation for one-shot person re-identification
CN111091198A (zh) 一种数据处理方法及装置
Su et al. Hard Example Guided Hashing for Image Retrieval

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
TR01 Transfer of patent right

Effective date of registration: 20230529

Address after: 430000 No. 58, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Patentee after: Wuhan Luoxin Technology Co.,Ltd.

Patentee after: WUHAN University

Address before: 430000 No. 58, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Patentee before: Wuhan Luoxin Technology Co.,Ltd.

TR01 Transfer of patent right