CN114067293B - 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
CN114067293B
CN114067293B CN202210046549.9A CN202210046549A CN114067293B CN 114067293 B CN114067293 B CN 114067293B CN 202210046549 A CN202210046549 A CN 202210046549A CN 114067293 B CN114067293 B CN 114067293B
Authority
CN
China
Prior art keywords
sample
vehicle
feature space
target sample
samples
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
Application number
CN202210046549.9A
Other languages
English (en)
Other versions
CN114067293A (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 DEST_PATH_IMAGE002
，其中Ve i 表示第i个样本，
Figure DEST_PATH_IMAGE004
是该样本的车型特征向量，
Figure DEST_PATH_IMAGE006
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， QUOTE
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE008A
是样本总数目，
Figure DEST_PATH_IMAGE010
是该样本的车型特征向量集合，
Figure DEST_PATH_IMAGE012
是该样本的个体特征向量集合；其中
Figure DEST_PATH_IMAGE014
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 DEST_PATH_IMAGE016
；
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 DEST_PATH_IMAGE018
；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 DEST_PATH_IMAGE020
；
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 DEST_PATH_IMAGE022
，目标样本p的k互近邻样本集合
Figure DEST_PATH_IMAGE024
，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 DEST_PATH_IMAGE026
；
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 DEST_PATH_IMAGE028
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 DEST_PATH_IMAGE030
；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 DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE034
；g i 0表示集合
Figure DEST_PATH_IMAGE035
中的元素，g i M表示集合
Figure DEST_PATH_IMAGE037
中的元素，g i V表示集合
Figure DEST_PATH_IMAGE039
中的元素，其中，1≤i≤k；
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 DEST_PATH_IMAGE041
是由目标样本p的k近邻集中特定的样本组成的，
Figure DEST_PATH_IMAGE043
；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 DEST_PATH_IMAGE045
和
Figure DEST_PATH_IMAGE047
；
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 DEST_PATH_IMAGE049
；
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 888531DEST_PATH_IMAGE002
，其中Ve i 表示第i个样本，
Figure 744621DEST_PATH_IMAGE004
是该样本的车型特征向量，
Figure 711309DEST_PATH_IMAGE006
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， QUOTE
Figure DEST_PATH_IMAGE008AA
Figure DEST_PATH_IMAGE008AAA
是样本总数目，
Figure 27889DEST_PATH_IMAGE010
是该样本的车型特征向量集合，
Figure 29212DEST_PATH_IMAGE012
是该样本的个体特征向量集合；其中
Figure 789358DEST_PATH_IMAGE014
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 DEST_PATH_IMAGE050
；
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 915446DEST_PATH_IMAGE018
；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 301297DEST_PATH_IMAGE020
；
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 DEST_PATH_IMAGE051
，目标样本p的k互近邻样本集合
Figure DEST_PATH_IMAGE052
，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 DEST_PATH_IMAGE053
；
模块2包括以下子模块：
模块2.1，用于计算样本的k近邻集合；
定义
Figure 694144DEST_PATH_IMAGE035
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 608879DEST_PATH_IMAGE030
；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 DEST_PATH_IMAGE054
和
Figure 222263DEST_PATH_IMAGE034
；g i 0表示集合
Figure 896958DEST_PATH_IMAGE035
中的元素，g i M表示集合
Figure 341715DEST_PATH_IMAGE037
中的元素，g i V表示集合
Figure 709242DEST_PATH_IMAGE039
中的元素，其中，1≤i≤k；
模块2.2，用于计算样本的k互近邻集合；
定义目标样本p的k互近邻样本集合
Figure 137818DEST_PATH_IMAGE041
是由目标样本p的k近邻集中特定的样本组成的，
Figure 350625DEST_PATH_IMAGE043
；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 DEST_PATH_IMAGE055
和
Figure DEST_PATH_IMAGE056
；
模块2.3，用于目标样本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 40101DEST_PATH_IMAGE049
；
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 DEST_PATH_IMAGE057
，其中Ve i 表示第i个样本，
Figure 234322DEST_PATH_IMAGE004
是该样本的车型特征向量，
Figure 878756DEST_PATH_IMAGE006
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， QUOTE
Figure DEST_PATH_IMAGE008AAAA
Figure DEST_PATH_IMAGE008_5A
是样本总数目，
Figure 878942DEST_PATH_IMAGE010
是该样本的车型特征向量集合，
Figure 298291DEST_PATH_IMAGE012
是该样本的个体特征向量集合；其中
Figure 991309DEST_PATH_IMAGE014
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 145210DEST_PATH_IMAGE016
；
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 DEST_PATH_IMAGE058
；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 DEST_PATH_IMAGE059
；
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 DEST_PATH_IMAGE060
，目标样本p的k互近邻样本集合
Figure DEST_PATH_IMAGE061
，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 667196DEST_PATH_IMAGE026
；
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 957363DEST_PATH_IMAGE028
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 92721DEST_PATH_IMAGE030
；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 468339DEST_PATH_IMAGE032
和
Figure 810327DEST_PATH_IMAGE034
；
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 204268DEST_PATH_IMAGE041
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 989822DEST_PATH_IMAGE043
；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 102003DEST_PATH_IMAGE045
和
Figure 998415DEST_PATH_IMAGE047
；g i 0表示集合
Figure 981283DEST_PATH_IMAGE035
中的元素，g i M表示集合
Figure 452585DEST_PATH_IMAGE037
中的元素，g i V表示集合
Figure 537216DEST_PATH_IMAGE039
中的元素，其中，1≤i≤k；
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 752165DEST_PATH_IMAGE049
。
Figure DEST_PATH_IMAGE063
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 DEST_PATH_IMAGE065
，计算目标样本p与待匹配集合GSet中任一样本
Figure DEST_PATH_IMAGE067
的Jaccard距离；
Figure DEST_PATH_IMAGE069
；
其中，
Figure DEST_PATH_IMAGE071
在特征表达维度衡量了目标样本p与样本
Figure 528490DEST_PATH_IMAGE067
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 DEST_PATH_IMAGE073
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 DEST_PATH_IMAGE075
，计算目标样本p与样本
Figure DEST_PATH_IMAGE076
基于互近邻的Jaccard距离；
Figure DEST_PATH_IMAGE078
；
其中，
Figure DEST_PATH_IMAGE080
在样本拓扑结构维度衡量了目标样本p与样本
Figure 560905DEST_PATH_IMAGE076
之间的相似度，
Figure DEST_PATH_IMAGE082
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 DEST_PATH_IMAGE084
，反之亦然。本专利使用两个维度的度量标准d l 与
Figure DEST_PATH_IMAGE085
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 DEST_PATH_IMAGE087
和
Figure DEST_PATH_IMAGE089
计算
Figure 293019DEST_PATH_IMAGE082
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 DEST_PATH_IMAGE091
；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 DEST_PATH_IMAGE092
间的相似性
Figure DEST_PATH_IMAGE094
；
Figure DEST_PATH_IMAGE096
；
其中c是一个常参数，用以调节
Figure DEST_PATH_IMAGE097
与d l 的权重关系，默认取值为1；
步骤3.5：利用公式
Figure DEST_PATH_IMAGE099
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 (4)

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 FDA0003529377670000011
Vei＝(imgi，Mi，Vi)，其中Vei表示第i个样本，Mi∈RL是该样本的车型特征向量，Vi∈RT是该样本的个体特征向量，imgi表示第i个样本的车辆图像，N是样本总数目，RL是该样本的车型特征向量集合，RT是该样本的个体特征向量集合；其中{Mi，Vi}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GSet＝TrSet＝{Vej|j＝1，2，…，N}；
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dv(imgi，imgj)＝||Vi-Vj||；同时利用欧几里得距离计算样本集中任意样本对在车型特征空间的距离dm(imgi，imgj)＝||Mi-Mj||；
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N(p，k)，目标样本p的k互近邻样本集合R(p，k)，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Rf(p，k)；
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N(p，k)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 FDA0003529377670000012
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 FDA0003529377670000021
和
Figure FDA0003529377670000022
Figure FDA0003529377670000029
表示集合N(p，k)中的元素，
Figure FDA0003529377670000027
表示集合NM(p，k)中的元素，
Figure FDA0003529377670000028
l示集合NV(p，k)中的元素，其中，1≤i≤k；
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R(p，k)是由目标样本p的k近邻集中样本组成的，R(p，k)＝{gi|(gi∈N(p，k))∧(p∈N(gi，k))}；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 FDA0003529377670000023
和
Figure FDA0003529377670000024
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Rf(p，k)，Rf(p，k)＝RM(p，k/2)∪RV(p，k)；
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 FDA0003529377670000025
计算目标样本p与待匹配集合GSet中任一样本gj的Jaccard距离；
Figure FDA0003529377670000026
其中，dl(p，gj)在特征表达维度衡量了目标样本p与样本gj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dl；|·|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Rf(p，k)，计算目标样本p与样本gj基于互近邻的Jaccard距离；
Figure FDA0003529377670000031
其中，dg(p，gj)在样本拓扑结构维度衡量了目标样本p与样本gj之间的相似度，具有真实相似关系的样本对对应了更大的dg；
步骤3.3：定义目标样本p特征表达置信度
Figure FDA0003529377670000032
pb越大表示dl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gj间的相似性d(p，gj)；
d(p，gj)＝c·dg(p，gj)+pb·dl(p，gj)；
其中c是一个常参数，用以调节dg与dl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。
3.一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 FDA0003529377670000033
Vei＝(imgi，Mi，Vi)，其中Vei表示第i个样本，Mi∈RL是该样本的车型特征向量，Vi∈RT是该样本的个体特征向量，imgi表示第i个样本的车辆图像，N是样本总数目，RL是该样本的车型特征向量集合，RT是该样本的个体特征向量集合；其中{Mi，Vi}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GSet＝TrSet＝{Vej|j＝1，2，…，N}
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dv(imgi，imgj)＝||Vi-Vj||；同时利用欧几里得距离计算样本集中任意样本对在车型特征空间的距离dm(imgi，imgj)＝||Mi-Mj||；
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N(p，k)，目标样本p的k互近邻样本集合R(p，k)，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Rf(p，k)；
模块2包括以下子模块：
模块2.1，用于计算样本的k近邻集合；
定义N(p，k)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 FDA0003529377670000041
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 FDA0003529377670000042
和
Figure FDA0003529377670000043
Figure FDA0003529377670000044
表示集合N(p，k)中的元素，
Figure FDA0003529377670000045
表示集合NM(p，k)中的元素，
Figure FDA0003529377670000046
表示集合NV(p，k)中的元素，其中，1≤i≤k；
模块2.2，用于计算样本的k互近邻集合；
定义目标样本p的k互近邻样本集合R(p，k)是由目标样本p的k近邻集中样本组成的，R(p，k)＝{gi|(gi∈N(p，k))∧(p∈N(gi，k))}；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 FDA0003529377670000051
和
Figure FDA0003529377670000052
模块2.3，用于目标样本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Rf(p，k)，Rf(p，k)＝RM(p，k/2)∪RV(p，k)；
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。
4.一种电子设备，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2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 CN114067293A (zh) 2022-02-18
CN114067293B true 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8212812B2 (en) * 2007-05-21 2012-07-03 Siemens Corporation Active shape model for vehicle modeling and re-identification
CN107622229B (zh) * 2017-08-29 2021-02-02 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
CN109740653B (zh) * 2018-12-25 2020-10-09 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
Multi-Attribute Driven Vehicle Re-Identification with Spatial-Temporal Re-Ranking;Na Jiang 等;《2018 25th IEEE International Conference on Image Processing (ICIP)》;20180930;全文 *
基于深度学习多模型融合的车辆重识别方法研究;尹响;《万方学术期刊》;20211222;全文 *

Also Published As

Publication number Publication date
CN114067293A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Liu et al. Stochastic attraction-repulsion embedding for large scale image localization
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
Lynen et al. Placeless place-recognition
CN104573130A (zh) 基于群体计算的实体解析方法及装置
Volkov et al. Coresets for visual summarization with applications to loop closure
Thoma et al. Soft contrastive learning for visual localization
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
Yu et al. Deep regression for LiDAR-based localization in dense urban areas
Sun et al. Trajectory-user link with attention recurrent networks
Wang et al. Person re-identification based on graph relation learning
Zhang et al. An efficient class-constrained DBSCAN approach for large-scale point cloud clustering
Zheng et al. A siamese pedestrian alignment network for person re-identification
Liao et al. Depthwise grouped convolution for object detection
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
Wu et al. Prior knowledge-based automatic object-oriented hierarchical classification for updating detailed land cover maps
CN116166977A (zh) 一种基于时序图神经网络的物联网服务聚类方法
Su et al. Deep supervised hashing with hard example pairs optimization for image retrieval
CN115601745A (zh) 一种面向应用端的多视图三维物体识别方法
Jin et al. Improved deep distance learning for visual loop closure detection in smart city
Huang et al. Web usage prediction and recommendation based on Web session graph embedded analysis
Song A personalized active method for 3D shape classification
Liu et al. Matchable image retrieval for large-scale UAV images: an evaluation of SfM-based reconstruction
Su et al. Hard Example Guided Hashing for Image Retrieval
Liu et al. Accurate estimation of feature points based on individual projective plane in video sequence
Liao et al. Coordinate feature fusion networks for fine-grained image classification

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
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.