CN114463707A - 车辆重识别方法、装置、存储介质及电子设备 - Google Patents
车辆重识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114463707A CN114463707A CN202210124381.9A CN202210124381A CN114463707A CN 114463707 A CN114463707 A CN 114463707A CN 202210124381 A CN202210124381 A CN 202210124381A CN 114463707 A CN114463707 A CN 114463707A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- features
- unknown
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims description 61
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种车辆重识别方法、装置、存储介质及电子设备,涉及计算机视觉技术领域,用以解决相关技术中在模型训练过程中,由于标注数据缺乏导致车辆重识别结果准确率不高的问题。涉及的车辆重识别方法包括:获取未知车辆图像;基于自监督学习算法学习所述未知车辆图像的特征;使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。本公开实施例可提高车辆重识别的精度。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种车辆重识别方法、装置、存储介质及电子设备。
背景技术
近年来,计算机视觉飞速发展,已应用在很多领域。然而在车辆重识别技术的实际应用方面,效果仍有待提高。在不同的交通摄像头下,即使是同一个辆车,也会因为光照、角度、分辨率的不同而产生不同的图像。目前,训练模型所需的标注数据的成本较高,且在多变的交通车辆环境下,数据繁多,很难实现对所有类型数据的标注。而目前的有监督学习模型主要依赖于标注数据进行训练,模型在基于训练范围之外的数据进行预测时,效果较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆重识别方法、装置、存储介质及电子设备,至少在一定程度上克服车辆重识别技术中,由于训练模型所需的标注数据缺乏导致车辆重识别结果准确率不高的问题。
根据本公开的第一个方面,提供了一种车辆重识别方法,包括:获取未知车辆图像;基于自监督学习算法学习所述未知车辆图像的特征;使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。
可选的,所述车辆重识别方法还包括:在基于自监督学习算法学习所述未知车辆图像的特征之后,根据所述未知车辆图像的特征,构建车辆重识别属性知识库;其中,所述车辆重识别属性知识库中包括以下至少一种车辆特征:车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志。
可选的,所述车辆重识别方法包括:在基于自监督学习算法学习所述未知车辆图像的特征之后,对所述部分特征进行标注,得到所述对应于所述部分特征中各特征的标签,所述标签包括车辆标识以及以上至少一种所述车辆特征。
可选的,在基于自监督学习算法学习所述未知车辆图像的特征的过程中通过噪声对比估计算法确定所述未知车辆图像的特征中的噪声数据以及真实数据。
可选的,基于自监督学习算法学习所述未知车辆图像的特征,包括:在基于自监督学习算法学习所述未知车辆图像的特征的过程中,将学习到的车辆图像的特征存储在预先建立的内存银行中离散的内存块中;在每次计算所述未知车辆图像的特征对所述未知车辆图像的概率时,从所述离散的内存块中获取所述未知车辆图像的特征;根据从所述离散的内存块中获取的各未知车辆图像的特征计算各未知车辆图像的特征对应于所述未知车辆图像的概率;根据所述概率确定各未知车辆图像的特征为噪声数据或真实数据。
可选的,所述车辆重识别模型,包括:全局特征检测网络、局部特征检测网络以及属性特征检测网络;使用所述车辆重识别模型对待检测车辆图像进行识别,以从所述待检测车辆图像中识别出目标车辆的图像,包括:将所述待检测图像输入所述车辆重识别模型;得到所述全局特征检测网络输出的第一分类检索结果,所述局部特征检测网络输出的第二分类检索结果以及所述属性特征检测网络输出的第三分类检索结果;将所述第一分类检索结果、所述第二分类检索结果以及所述第三分类检索结果进行融合,得到所述车辆识别结果。
可选的,获取未知车辆图像,包括:获取不同交通摄像头采集的未知车辆图像。
根据本公开的第二个方面,还提供了一种车辆重识别装置,包括:获取模块,用于获取未知车辆图像;学习模块,用于基于自监督学习算法学习所述未知车辆图像的特征;训练模块,用于使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;识别模块,用于使用所述车辆重识别模型对待检测车辆图像进行识别,以从所述待检测车辆图像中识别出目标车辆的图像。
根据本公开的第三个方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行本公开实施例提供的任意一种车辆重识别方法。
根据本公开的第四个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本公开实施例提供的任意一种车辆重识别方法。
本公开实施例的车辆重识别方法、装置、存储介质及电子设备,通过自监督学习算法学习未知车辆图像的特征,可直接使用无标注的车辆数据进行实例学习,学习到车辆有意义的视觉特征,用以辨别车辆间视觉特征的相似性和不同性,可提取到车辆的高质量特征。使用未知车辆图像的特征中的部分特征以及该部分特征的标签训练车辆重识别模型,可使用较少量的标注数据训练得到车辆重识别模型,使用训练好的车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,从所述待检测车辆图像中识别出目标车辆的图像,提升车辆重识别精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1是本公开一示例性实施例中的一种车辆重识别方法的流程图;
图2是本公开一示例性实施例中的一种车辆重识别方法的流程图;
图3是本公开一示例性实施例中的一种车辆重识别方法的流程图;
图4是本公开一示例性实施例中的一种车辆重识别模型的训练过程的示意图;
图5是本公开一示例性实施例中的一种车辆重识别装置的结构示意图;和
图6是本公开一示例性实施例中的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在对本公开的车辆重识别方法进行说明之前,首先对本公开中涉及的车辆重识别技术进行说明。
车辆重识别(Vehicle re-identification)指在不同摄像头拍摄的图像中找到指定车辆的技术,在智能视频监控系统中有很强的应用场景,能够跟踪目标的轨迹而找到目标的位置。
自监督学习,自监督学习主要是利用辅助任务(pretext)从大规模的无监督数据中挖掘自身的监督信息,通过这种构造的监督信息对网络进行训练,从而可以学习到对下游任务有价值的表征。
目前,在车辆重识别技术中,除了由于训练模型所需的标注数据缺乏给车辆重识别带来的发展阻碍,模型训练时所需的硬件大小,也阻碍了模型的训练。当训练图像类别非常多时,如达到百万级车辆图像时,有参训练所需的内存将会非常大,这就需要更多昂贵的硬件设备以满足模型训练需求,例如百万级别数据,这在很多情况下是很难实现的。此外,自监督学习在车辆重识别领域的应用多为聚类,准确度也远远无法达到实际使用需求。最后,在相关技术中,还存在使用无监督学习标注数据,再用来迁移学习的方式,但目前无监督标注的数据质量还有待提升,且错误标注会影响后续有监督学习模型的训练效果,仍然无法提高车辆重识别效果。
基于如上问题,本公开实施例提供了一种车辆重识别方法,图1是本公开一示例性实施例中的一种车辆重识别方法的流程图。如图1所示,本公开实施例提供的方法可以包括如下步骤。
在步骤S102中,获取未知车辆图像;
在本公开实施例中,未知车辆图像可包括由不同交通摄像头采集到的图像,这些图像中可能包括多个车辆,也可能包括一个车辆或不包括任何车辆,本公开实施例旨在基于获取到的这些图像识别出包含某一目标车辆的图像。在本公开实施例中,未知车辆图像即可以是由不同的交通摄像头采集到的无标签的图像。
在步骤S104中,基于自监督学习算法学习所述未知车辆图像的特征;
在本公开的实施例中,自监督学习算法以对比学习算法为例,其中,对比学习算法并不一定关注到样本的每一个细节,但要学习到能与其他样本进行区分的特征(即本公开实施例中的未知车辆图像的特征)。对比学习的核心是学习到一个映射f,将样本x编码成其表示f(x),使这个f满足如下关系式式(1):
s(f(x),f(x+))>>s(f(x),f(x-)) (1)
上式中,x+是与x类似的样本,x-是与x不相似的样本,s(.,.)是使一个度量样本之间相似度的函数。在本公开后续的实施例中,与待识别目标相似的样本称为“真实数据”与待识别目标不相似的样本称为“噪声数据”。
在本公开实施例中,自监督模型是基于实例级别的学习,而不是有监督学习中基于类别的学习。可将每个车辆图像看成独特的一个实例,去学习它与其他实例之间的相似和不同。利用这种自监督学习的方式,基于大量无标签车辆图像,可使模型自主学习到车辆数据间的相似性特征和不同性特征,学习到车辆在视觉上的高质量特征。
在示例性实施例中,可选择SOTA(state-of-the-art)卷积神经网络作为表征学习提取器,学习高质量特征。如,可选择Vit-G/14作为特征提取器,以达到较好的特征提取效果。
在步骤S106中,使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;
在示例性实施例中,可通过对自监督学习得到的未知车辆图像的特征中的少量特征进行人工标注,得到标注好的车辆数据,使用标注好的车辆数据进行有监督车辆重识别模型的训练,得到训练好的车辆重识别模型。
在步骤S108中,使用所述车辆重识别模型对待检测车辆图像进行识别,以从所述待检测车辆图像中识别出目标车辆的图像。
其中,待检测车辆图像中包括目标车辆的图像。车辆重识别的目的就是要从多个车辆的图像中将目标车辆的图像识别出来。在本公开的实施例中,可将待检测车辆图像输入训练好的车辆重识别模型,得到车辆重识别模型输出的车辆识别结果,其中,车辆识别结果中可包括目标车辆的图像的分类,以及非目标车辆图像的分类,或者,识别结果中还可进一步包括车辆的属性信息,示例性的,车辆的属性信息可包括车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志中的一种或多种。
本公开实施例的车辆重识别方法,通过自监督学习算法学习未知车辆图像的特征,可直接使用无标注的车辆数据进行实例学习,学习到车辆有意义的视觉特征,用以辨别车辆间视觉特征的相似性和不同性,可提取到车辆的高质量特征。使用未知车辆图像的特征中的部分特征以及该部分特征的标签训练车辆重识别模型,可使用较少量的标注数据训练得到车辆重识别模型,使用训练好的车辆重识别模型对待检测车辆图像进行识别,从所述待检测车辆图像中识别出目标车辆的图像,提升车辆重识别精度。
图2是本公开一示例性实施例的车辆重识别方法的流程图,如图2所示,该方法在图1所示的方法的基础上,还可进一步包括:
在步骤S202中,在基于自监督学习算法学习所述未知车辆图像的特征之后,根据所述未知车辆图像的特征,构建车辆重识别属性知识库;
在本公开的实施例中,可根据车辆的不同特征,对车辆的属性进行详细划分,创建针对车辆的属性知识库。
其中,所述车辆重识别属性知识库中可包括以下至少一种车辆特征:车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志。
需要说明的是,以上车辆特征仅为一种示例,本公开实施例中的车辆特征还可包括车辆的其他属性特征,此处不再一一进行列举。
在本公开的一个或多个实施例中,车辆重识别方法还可包括:在基于自监督学习算法学习所述未知车辆图像的特征之后,对所述部分特征进行标注,得到所述对应于所述部分特征中各特征的标签,所述标签包括车辆标识以及以上至少一种所述车辆特征。
在示例性实施例中,用于训练车辆重识别模型的部分特征的标签可仅包括车辆标识,又或者,该部分特征的标签可包括车辆标识以及以上至少一种所述车辆特征。
在示例性实施例中,基于无监督学习算法学习到大量未知车辆图像的特征之后,可仅对该大量特征中的少量特征进行人工标注,如,可仅标注出该少量特征所属的车辆ID(标识),基于此,基于标注好的车辆数据训练得到的车辆重识别模型在对未知车辆图像进行检测时,模型的输出可包括车辆标识。或者,还可进一步标注出该少量特征对应的车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志中的至少一种车辆特征,基于此,基于标注好的车辆数据训练得到的车辆重识别模型在对未知车辆图像进行检测时,模型的输出除了包括车辆标识之外,还可包括以上至少一种车辆特征。
在示例性实施例中,在训练车辆重识别模型过程中,使用标注好的车辆数据以及车辆属性知识库中的车辆特征进行有监督车辆重识别模型的训练,可使得在使用车辆重识别模型对待检测车辆图像进行检测时,在从待检测车辆图像中识别出目标车辆的图像的基础上,还可进一步得到车辆的属性信息。
在传统的有监督学习中,利用softmax函数(归一化指数函数)进行分类,用wi作为类的权重,当类n的数量非常大时,例如在类n为数百万的规模下,在每轮的训练中,均需基于如下式(2)计算概率P(i|v),softmax都将计算超百万级参数,这样内存占用成本是非常大。
在上式(2)中,i事件发生的概率为P(i|v),其中,v表示输入图像特征,w表示权重,n表示样本个数。
在示例性实施例中,为了减少训练过程中参数的计算,可采用NCE(Noise-Contrastive Estimation,噪声对比估计)算法将多分类任务转化为一系列二分类任务。在本公开的一个或多个实施例中,该二分类任务用于判断样本是来自于真实数据还是噪声数据,即,二分类任务用于区分目标数据的相似性特征以及非目标数据的特征,其中,噪声数据指非目标数据的特征。使用NCE算法可将实例级别的分类看作度量学习问题,其中,实例之间的距离(相似度)可以非参数方式直接从特征中计算得到。也就是说,每个实例的特征都可存储在离散的内存块中,而不是网络中的权重。具体来说,可不再使用权重参数w,而是使用特征表示v对应于第i个实例的概率,NCE公式如下式(3)所示:
在上式(3)中,i事件发生的概率为P(i|v),其中,v表示输入图像特征,n表示样本个数,τ表示温度参数。
在本公开一个或多个实施例中,在基于自监督学习算法学习所述未知车辆图像的特征的过程中可通过NCE算法确定所述未知车辆图像的特征中的噪声数据以及真实数据。
图3是本公开一示例性实施例的车辆重识别方法的流程图,如图3所示,在本公开的一个或多个实施例中,基于自监督学习算法学习所述未知车辆图像的特征,可包括:
在步骤S1042中,在基于自监督学习算法学习所述未知车辆图像的特征的过程中,将学习到的车辆图像的特征存储在预先建立的内存银行中离散的内存块中;
在步骤S1044中,在每次计算所述未知车辆图像的特征对所述未知车辆图像的概率时,从所述离散的内存块中获取所述未知车辆图像的特征;
在步骤S1046中,根据从所述离散的内存块中获取的各未知车辆图像的特征计算各未知车辆图像的特征对应于所述未知车辆图像的概率;
在步骤S1048中,根据所述概率确定各未知车辆图像的特征为噪声数据或真实数据。
在示例性实施例中,由于在计算各未知车辆图像的特征对应于未知车辆图像的概率P(i|v)时,每次都需要使用所有图像的特征v。为了避免在每次计算概率P(i|v)时,均需要计算每个图像的特征v,可预先建立memory bank(特征银行,为上述车辆特征属性知识库的一个示例)去存储每个图像的特征v。在模型训练的每个迭代过程中,可通过随机梯度下降优化学习特征fi以及网络参数θ。然后在其相对应的实例下去更新特征银行,可选的,可初始化特征银行中的特征为随机的单元向量。
在计算各未知车辆图像的特征对应于未知车辆图像的概率时,从预先建立的内存银行中的离散的内存块中获取未知车辆图像的特征,可避免在使用参数和训练时每次网络更新均需计算所有图像的特征,大大减小了模型训练所需内存。如,在百万级图像下,进行模型训练仅需要百兆级的内存。
在本公开的一个或多个实施例中,所述车辆重识别模型,可包括:
全局特征检测网络(GFN,Global Feature Network)、局部特征检测网络(PFN,Part Feature Network)以及属性特征检测网络(AFN,Attribute Feature Network);
在示例性实施例中,全局特征检测网络负责车辆整体鉴别任务,如可根据输入图像,利用图像的全局信息,检索出包含目标车辆数据的图像;局部特征检测网络负责将全局图像分块,以对图像的局部区域进行检测,如,提取车辆局部特征,检索出包含目标车辆数据的图像;属性特征检测网络负责车辆的关键属性检测任务,如,根据车辆的属性信息,输出车辆的分类信息。
在本公开的实施例中,可将基于自监督学习得到的车辆图像的特征生成特征图,分别输入到全局特征检测网络、局部特征检测网络以及属性特征检测网络,以对全局特征检测网络、局部特征检测网络以及属性特征检测网络进行训练。
在示例性实施例中,还可将上述特征图以及预先建立的车辆属性特征知识库中的车辆特征中的部分或全部一并输入到全局特征检测网络、局部特征检测网络以及属性特征检测网络,以对全局特征检测网络、局部特征检测网络以及属性特征检测网络进行训练。
使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像,可包括:
将所述待检测车辆图像输入所述车辆重识别模型;如,分别将所述待检测车辆图像输入所述全局特征检测网络、所述局部特征检测网络以及所述属性特征检测网络。
得到所述全局特征检测网络输出的第一分类检索结果,所述局部特征检测网络输出的第二分类检索结果以及所述属性特征检测网络输出的第三分类检索结果;
将所述第一分类检索结果、所述第二分类检索结果以及所述第三分类检索结果进行融合,得到所述车辆识别结果。
在示例性实施例中,全局特征检测网络、局部特征检测网络以及属性特征检测网络,分别输出一个分类检索结果,将全局特征检测网络、局部特征检测网络以及属性特征检测网络分别输出的分类检索结果进行整合,可得出最终的车辆识别结果,从众多待检测车辆图像中识别出目标车辆的图像。
在本公开的实施例中,车辆重识别模型得到的最终的分类结果可包括目标车辆的图像所属的类,以及非目标车辆图像所属的类。
示例性的,在将第一分类检索结果、第二分类检索结果以及第三分类检索结果进行融合时,可引入同方差不确定性为各检测结果分配权重,再对第一分类检索结果、第二分类检索结果以及第三分类检索结果进行加权求和,得到最终的分类结果。
在本公开的一个或多个实施例中,获取未知车辆图像,可包括:
获取不同交通摄像头采集的未知车辆图像。
在示例性实施例中,可采集多个交通摄像头在一段时间段所拍摄得到的图像作为样本。此外,还可采集多个交通摄像头在不同时间段内所拍摄得到的图像。其中,多个交通摄像头可以是不同地理区域内的交通摄像头,也可以是某一地理区域内的交通摄像头。
以下结合图4对本公开实施例的车辆重识别模型的训练过程进行示例性说明。
如图4所示,在步骤S402中,采集大量不同交通摄像头拍摄得到的图像;
在步骤S404中,对步骤S402中采集的图像进行自监督无参训练,得到高质量车辆特征;
具体的,在自监督无参训练过程中,可选择SOTA卷积神经网络作为表征学习提取器,学习高质量的车辆特征。例如可选择Vit-G/14作为特征提取器,Vit-G/14具体较好的特征提取效果,可提高提取到的车辆特征的质量。此外,在自监督无参训练过程中,还可采用NCE算法以及车辆特征银行进行训练时的特征存储,避免使用参数和训练时每次网络更新进行的所有参数计算,以大幅度减少模型训练所需内存。
在步骤S406中,建立车辆特征银行;
具体的,可预先对车辆的属性进行详细划分,建立车辆特征银行,从而可在车辆重识别过程中可应用车辆特征银行中的车辆特征。
在步骤S408中,将自监督模型特征提取部分应用于有监督模型;
具体的,可将自监督模型特征提取部分应用于有监督模型,作为特征提取器用来提取车辆的高质量特征。
在步骤S410中,收集部分有标注的车辆数据作为有监督模型的输入,进行车辆重识别模型的训练;
如图4所示,自监督模型特征提取部分后接全局车辆检测网络412、车辆局部检测网络414以及车辆属性检测网络416,有标注的数据分别输入该三个检测网络后,实现对该三个检测网络的训练。在检测过程中,该三个检测网络使用到车辆特征银行中的车辆的特征对车辆图像进行检测,分别得出检测结果,将三个检测网络得到的检测结果进行融合,可得到最终的检测结果418。
本公开实施例还提供了一种车辆重识别装置,图5是该装置的结构示意图,如图5所示,该装置510包括:
获取模块512,用于获取未知车辆图像;
学习模块514,用于基于自监督学习算法学习所述未知车辆图像的特征;
训练模块516,用于使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;
识别模块518,用于使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。
在本公开的一个或多个实施例中,车辆重识别装置还可包括:
构建模块,用于在基于自监督学习算法学习所述未知车辆图像的特征之后,根据所述未知车辆图像的特征,构建车辆重识别属性知识库;
其中,所述车辆重识别属性知识库中包括以下至少一种车辆特征:
车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志。
在本公开的一个或多个实施例中,车辆重识别装置还可包括:标注模型,用于在基于自监督学习算法学习所述未知车辆图像的特征之后,对所述部分特征进行标注,得到所述对应于所述部分特征中各特征的标签,所述标签包括车辆标识以及以上至少一种所述车辆特征。所述部分特征的标签包括车辆标识以及以上至少一种所述车辆特征。
在本公开的一个或多个实施例中,所述学习模块具体可用于:在基于自监督学习算法学习所述未知车辆图像的特征的过程中通过噪声对比估计算法确定所述未知车辆图像的特征中的噪声数据以及真实数据。
在本公开的一个或多个实施例中,上述学习模块具体可用于:
在基于自监督学习算法学习所述未知车辆图像的特征的过程中,将学习到的车辆图像的特征存储在预先建立的内存银行中离散的内存块中;
在每次计算所述未知车辆图像的特征对所述未知车辆图像的概率时,从所述离散的内存块中获取所述未知车辆图像的特征;
根据从所述离散的内存块中获取的各未知车辆图像的特征计算各未知车辆图像的特征对应于所述未知车辆图像的概率;
根据所述概率确定各未知车辆图像的特征为噪声数据或真实数据。
在本公开的一个或多个实施例中,所述车辆重识别模型可包括:
全局特征检测网络、局部特征检测网络以及属性特征检测网络;
所述识别模块具体可用于:
将所述待检测图像输入所述车辆重识别模型;
得到所述全局特征检测网络输出的第一分类检索结果,所述局部特征检测网络输出的第二分类检索结果以及所述属性特征检测网络输出的第三分类检索结果;
将所述第一分类检索结果、所述第二分类检索结果以及所述第三分类检索结果进行融合,得到所述车辆识别结果。
在本公开的实施例中,车辆重识别模型得到的最终的分类结果可包括目标车辆的图像所属的类,以及非目标车辆图像所属的类。
在本公开的一个或多个实施例中,所述获取模块具体可用于:
获取不同交通摄像头采集的未知车辆图像。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S102:获取未知车辆图像;步骤S104:基于自监督学习算法学习所述未知车辆图像的特征;步骤S106:使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;步骤S108:使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种车辆重识别方法,其特征在于,包括:
获取未知车辆图像;
基于自监督学习算法学习所述未知车辆图像的特征;
使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;
使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。
2.根据权利要求1所述的车辆重识别方法,其特征在于,所述方法还包括:
在基于自监督学习算法学习所述未知车辆图像的特征之后,根据所述未知车辆图像的特征,构建车辆重识别属性知识库;
其中,所述车辆重识别属性知识库中包括以下至少一种车辆特征:
车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志。
3.根据权利要求2所述的车辆重识别方法,其特征在于,所述方法包括:
在基于自监督学习算法学习所述未知车辆图像的特征之后,对所述部分特征进行标注,得到所述对应于所述部分特征中各特征的标签,所述标签包括车辆标识以及以上至少一种所述车辆特征。
4.根据权利要求1所述的车辆重识别方法,其特征在于,在基于自监督学习算法学习所述未知车辆图像的特征的过程中通过噪声对比估计算法确定所述未知车辆图像的特征中的噪声数据以及真实数据。
5.根据权利要求4所述的车辆重识别方法,其特征在于,基于自监督学习算法学习所述未知车辆图像的特征,包括:
在基于自监督学习算法学习所述未知车辆图像的特征的过程中,将学习到的车辆图像的特征存储在预先建立的内存银行中离散的内存块中;
在每次计算所述未知车辆图像的特征对所述未知车辆图像的概率时,从所述离散的内存块中获取所述未知车辆图像的特征;
根据从所述离散的内存块中获取的各未知车辆图像的特征计算各未知车辆图像的特征对应于所述未知车辆图像的概率;
根据所述概率确定各未知车辆图像的特征为噪声数据或真实数据。
6.根据权利要求1所述的车辆重识别方法,其特征在于,所述车辆重识别模型,包括:
全局特征检测网络、局部特征检测网络以及属性特征检测网络;
使用所述车辆重识别模型对待检测车辆图像进行识别,以从所述待检测车辆图像中识别出目标车辆的图像,包括:
将所述待检测图像输入所述车辆重识别模型;
得到所述全局特征检测网络输出的第一分类检索结果,所述局部特征检测网络输出的第二分类检索结果以及所述属性特征检测网络输出的第三分类检索结果;
将所述第一分类检索结果、所述第二分类检索结果以及所述第三分类检索结果进行融合,得到所述车辆识别结果。
7.根据权利要求1至6中任意一项所述的车辆重识别方法,其特征在于,获取未知车辆图像,包括:
获取不同交通摄像头采集的未知车辆图像。
8.一种车辆重识别装置,其特征在于,包括:
获取模块,用于获取未知车辆图像;
学习模块,用于基于自监督学习算法学习所述未知车辆图像的特征;
训练模块,用于使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型;
识别模块,用于使用所述车辆重识别模型对待检测车辆图像进行识别,得到车辆识别结果,以从所述待检测车辆图像中识别出目标车辆的图像。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的车辆重识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的车辆重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210124381.9A CN114463707A (zh) | 2022-02-10 | 2022-02-10 | 车辆重识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210124381.9A CN114463707A (zh) | 2022-02-10 | 2022-02-10 | 车辆重识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463707A true CN114463707A (zh) | 2022-05-10 |
Family
ID=81414410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210124381.9A Pending CN114463707A (zh) | 2022-02-10 | 2022-02-10 | 车辆重识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463707A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN110458086A (zh) * | 2019-08-07 | 2019-11-15 | 北京百度网讯科技有限公司 | 车辆重识别方法及装置 |
CN113392793A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于识别车道线的方法、装置、设备、存储介质以及无人车 |
-
2022
- 2022-02-10 CN CN202210124381.9A patent/CN114463707A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN110458086A (zh) * | 2019-08-07 | 2019-11-15 | 北京百度网讯科技有限公司 | 车辆重识别方法及装置 |
CN113392793A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 用于识别车道线的方法、装置、设备、存储介质以及无人车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN113435546B (zh) | 基于区分置信度水平的可迁移图像识别方法及系统 | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
WO2023123818A1 (zh) | 车辆改装检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN112906823A (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN112634329A (zh) | 一种基于时空与或图的场景目标活动预测方法及装置 | |
CN114722958A (zh) | 网络训练及目标检测方法、装置、电子设备和存储介质 | |
CN113762508A (zh) | 一种图像分类网络模型的训练方法、装置、设备和介质 | |
CN113269307B (zh) | 神经网络训练方法以及目标重识别方法 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
CN113239883A (zh) | 分类模型的训练方法、装置、电子设备以及存储介质 | |
CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN116152576B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112613418A (zh) | 基于目标活动预测的停车场管控方法、装置及电子设备 | |
CN116958512A (zh) | 目标检测方法、装置、计算机可读介质及电子设备 | |
CN114463707A (zh) | 车辆重识别方法、装置、存储介质及电子设备 | |
Banerjee et al. | Automated parking system in smart campus using computer vision technique | |
CN114973173A (zh) | 驾驶场景数据的分类方法、装置、电子设备及存储介质 | |
CN113743359A (zh) | 车辆重识别方法、模型训练方法及相关装置 | |
CN116052220B (zh) | 行人重识别方法、装置、设备及介质 | |
CN112990145B (zh) | 一种基于组稀疏年龄估计方法及电子设备 | |
CN111401224B (zh) | 目标检测方法、装置及电子设备 | |
CN115082748A (zh) | 分类网络训练和目标重识别方法、装置、终端及存储介质 | |
CN114299480A (zh) | 一种目标检测模型训练方法、目标检测方法和装置 |
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 |