CN114708547A - 车辆重识别方法、装置、计算机设备、存储介质 - Google Patents
车辆重识别方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114708547A CN114708547A CN202210290271.XA CN202210290271A CN114708547A CN 114708547 A CN114708547 A CN 114708547A CN 202210290271 A CN202210290271 A CN 202210290271A CN 114708547 A CN114708547 A CN 114708547A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- image
- identification
- target
- 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 70
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 abstract description 17
- 230000002829 reductive effect Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车辆重识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标车辆的车侧完整图像;根据所述车侧完整图像提取所述目标车辆的标识特征;标记与所述目标车辆的轮轴数相同的候选车辆为中间候选车辆;根据所述中间候选车辆的标识特征与所述目标车辆的标识特征获得识别结果。目标车辆的标识特征能够准确地表示目标车辆的真实状况,可以提高重识别的准确度。通过根据目标车辆的轮轴数筛选候选车辆,能有效缩小候选车辆的数量、减少后续重识别过程中的数据处理量,同时还能提高重识别的速率。
Description
技术领域
本申请涉及车辆管理技术领域,特别是涉及一种车辆重识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
人工智能的发展正在不断提升交通领域的智能化水平,作为智能交通系统的一部分,车辆重识别是指在没有重叠区域的两个摄像头所拍摄的图像中,找到同属于一辆车的图像,实现车辆运行过程的跟踪和分析。实际应用时,一般是先获取到一张目标车辆的图像,同时生成对应的侯选车辆图像集合,将目标车辆与候选车辆逐一进行图像匹配并获得匹配结果。在高速公路运营中,能通过车辆重识别,发现通过篡改交易数据等实施的逃费行为;在公安领域,可通过重识别技术对嫌疑车辆进行跟踪布控,提高抓捕效率。总体上具有较高的经济和社会效益。
在高速公路场景中,存在大量货运车辆,按国家标准车长可超过20米。对于此类大型货运车辆,为了保证车身图像完整,现有技术中的摄像机大都采用超广角镜头来获取目标车辆的图像,这种方式虽然能满足大车车身图像的采集,但会使获取的目标车辆图像与目标车辆实际状况差异较大,因此会导致车辆重识别获得的识别结果准确性有待提高。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆重识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种车辆重识别方法,所述方法包括:
获取目标车辆的车侧完整图像;
根据所述车侧完整图像提取所述目标车辆的标识特征;
标记与所述目标车辆的轮轴数相同的候选车辆为中间候选车辆;
根据所述中间候选车辆的标识特征与所述目标车辆的标识特征获得识别结果。
在其中一个实施例中,所述获取目标车辆的车侧完整图像包括:
拼接所述目标车辆在连续时间内的多张拍摄图像,以获取所述目标车辆的车侧完整图像。
在其中一个实施例中,多张所述拍摄图像至少包括所述目标车辆的车头图像和车尾图像,所述拼接所述目标车辆在连续时间内的多张拍摄图像,包括:
当获取到的所述拍摄图像为所述车头图像时,开启图像拼接算法,以对连续接收到的多张所述拍摄图像进行图像拼接;
当获取到的所述拍摄图像为所述车尾图像时,关闭图像拼接算法,并将拼接生成的图像作为所述车侧完整图像。
在其中一个实施例中,所述根据所述车侧完整图像获取候选车辆的标识特征,包括:
根据所述车侧完整图像获取所述目标车辆的车顶特征和/或车侧特征;
根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征。
在其中一个实施例中,所述根据所述车侧完整图像获取候选车辆的车顶特征包括:
根据所述车侧完整图像获取所述目标车辆的车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置;
根据所述车身外框、上边缘左边线位置、上边缘右边线位置、所述车头位置和所述车尾位置对所述车侧完整图像进行截取,以获取所述目标车辆的车顶图像;
通过车顶特征模型对所述车顶图像进行特征提取,以获取所述目标车辆的所述车顶特征。
在其中一个实施例中,所述根据所述车侧完整图像获取候选车辆的车侧特征包括:
根据所述车侧完整图像获取所述目标车辆的车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置;
根据所述车身外框、所述车身下边线位置、所述上边缘右边线位置、所述车头位置和所述车尾位置对所述车侧完整图像进行截取,以获取所述目标车辆的车侧图像;
通过车侧特征模型对所述车侧图像进行特征提取,以获取所述目标车辆的所述车侧特征。
在其中一个实施例中,所述根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征前,还包括:
当所述目标车辆的车轴数大于或等于3时,获取所述目标车辆的护板特征;
所述根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征,还包括:
根据所述目标车辆的所述车顶特征、所述车侧特征中的至少一个和所述护板特征获取所述目标车辆的标识特征。
在其中一个实施例中,根据所述车侧完整图像获取候选车辆的护板特征包括:
根据所述车侧完整图像确定所述目标车辆的多个所述车轴中距离最大的两个车轴作为边界车轴;
根据所述边界车轴对所述车侧完整图像进行截取,以获取所述候选车辆的护板图像;
通过护板特征模型对所述候选车辆的护板图像进行特征提取,以获取所述目标车辆的所述护板特征。
在其中一个实施例中,所述识别所述中间候选车辆的标识特征与目标车辆的标识特征,获得识别结果包括:
获取所述中间候选车辆的标识特征;
计算所述中间候选车辆的标识特征与目标车辆的标识特征间的余弦距离作为相似度分数;
确定最大的所述相似度分数对应的所述中间候选车辆作为所述识别结果。
第二方面,本申请还提供了一种车辆重识别装置,所述装置包括:
图像获取模块,用于获取目标车辆的车侧完整图像;
特征提取模块,用于根据所述车侧完整图像提取所述目标车辆的标识特征;
标记模块,用于标记与所述目标车辆的轮轴数相同的候选车辆为中间候选车辆;
识别模块,用于根据所述中间候选车辆的标识特征与所述目标车辆的标识特征获得识别结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请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上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述车辆重识别方法、装置、计算机设备、存储介质和计算机程序产品,通过根据目标车辆的轮轴数筛选候选车辆,能有效缩小候选车辆的数量、减少后续重识别过程中的数据处理量,同时还能提高重识别的速率。中间候选车辆是已经经过筛选的,根据筛选后获取的中间候选车辆的识别特征与目标车辆的识别特征获取的识别结果更准确。
附图说明
图1为一个实施例中车辆重识别方法的流程示意图;
图2为一个实施例中车辆重识别摄像机安装场景顶视图;
图3为一个实施例中摄像机安装场景正视图;
图4为一个实施例中拼接目标车辆在连续时间内的多张拍摄图像步骤的流程示意图;
图5为一个实施例中根据车侧完整图像获取目标车辆的车顶图像步骤的流程示意图;
图6为一个实施例中根据车侧完整图像获取目标车辆的车侧图像步骤的流程示意图;
图7为一个实施例中识别中间候选车辆的标识特征与目标车辆的标识特征,获得识别结果步骤的流程示意图;
图8为一个实施例中车辆重识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种车辆重识别方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取目标车辆的车侧完整图像。
其中,车侧完整图是对目标车辆的车侧图进行处理后清晰度较高的图像,它可以用于展示目标车辆的大量特征信息,例如,可以展示目标车辆的颜色、具体型号、车高尺寸、车身长度、车身宽度等特征。目标车辆是待重识别的车辆。现有技术中车辆重识别的方法大多是基于对目标车辆的车牌、颜色信息、车型信息等,这些方法在识别过程中由于对车辆的信息获取的过少,会导致识别获得的结果与实际差异较为明显,因此,本申请中的车辆重识别方法基于目标车辆的车侧完整图像,能够提取目标车辆中更多的信息来进行识别,以使识别的信息更多,从而可以提高车辆重识别结果的准确度。
步骤104,根据车侧完整图像提取目标车辆的标识特征。
其中,标识特征是表示车辆各个特征的参数。
具体地,终端在获取到目标车辆的车侧完整图后,可以获取到目标车辆的大量特征,通过对目标车辆的至少一个特征进行处理(例如算法融合)可以得到目标车辆的标识特征,因此,目标车辆的标识特征包括目标车辆在重识别过程中的多个特征,重识别的特征数量越多,车辆重识别的结果越准确。例如,标识特征可以是512维的向量。
步骤106,标记与目标车辆的轮轴数相同的候选车辆为中间候选车辆。
其中,候选车辆为终端中已有的作为重识别标准的车辆。若候选车辆的数量为1时,则无需执行此步骤,可以直接与目标车辆进行重识别。若候选车辆的数量大于或等于2,则需要根据目标车辆的轮轴数对多辆候选车辆进行一次筛选,对应地,筛选后获得的中间候选车辆的数量也可以为多个。通过筛选可以减少与目标车辆进行重识别的候选车辆的数量,有利于提高重识别的速率。
在一个实施例中,目标车辆为一辆大型货车,它的轮轴数为5,通过筛选可以舍弃终端中已保存的候选车辆中轮轴数不等于5的候选车辆,保留轮轴数等于5的候选车辆并将其标记为中间候选车辆。通过根据目标车辆的轮轴数筛选终端中已保存的候选车辆,能有效缩小候选车辆的数量、减少后续重识别过程中的数据处理量,同时还能提高重识别的速率。
步骤108,根据中间候选车辆的标识特征与目标车辆的标识特征获得识别结果。
其中,识别结果是与目标车辆最相似的中间候选车辆,它可以用目标车辆与一个或者多个中间候选车辆的相似度分数来表示。
具体地,终端标记好中间候选车辆后,通过识别中间候选车辆与目标车辆的多个标识特征获得每个标识特征对应的相似度分数,再进一步获得目标车辆与中间候选车辆的识别结果。
上述实施例中的车辆重识别方法,通过根据目标车辆的轮轴数筛选候选车辆,能有效缩小候选车辆的数量、减少后续重识别过程中的数据处理量,同时还能提高重识别的速率。中间候选车辆是已经经过筛选的,根据筛选后获取的中间候选车辆的识别特征与目标车辆的识别特征获取的识别结果更准确。
在一个实施例中,获取目标车辆的车侧完整图像包括:拼接目标车辆在连续时间内的多张拍摄图像,以获取所述目标车辆的车侧完整图像。
其中,目标车辆在连续时间内的多张拍摄图像可以由安装在高速路门架上的一个摄像机拍摄。该摄像机的安装高度可以为6-8米,视野范围包括1个车道,摄像机的视野中心线垂直于目标车辆的行驶方向,向下俯视角度可以根据实际情况进行上下调整,本实施例中的俯视角度为45度,摄像机的安装场景顶视图如图2所示,安装场景正视图如图3所示。摄像机采用高斜位向下的安装方式,能有效采集到目标车辆的有效特征,例如目标车辆装载的货物内容、目标车辆车侧喷涂的字符以及目标车辆特殊的护板样式等。目标车辆在该车道的中间行驶,且目标车辆在摄像机画面的中间,目标车辆的上下边缘均不超出画面范围,在摄像机中能同时清楚地看到目标车辆的顶部及侧面图像。现有技术中经常采用常规摄像头来捕获目标车辆的车身图像,再分割车身图像进行多个面比对,常规摄像头由于视场角过大,使目标车辆在图像中的有效像素变小,同时广角镜头会带来较大的畸变,会损失大量的图像细节信息,而对于同车款车辆,又必须通过细节的图像信息才有可能实现区分,因此现有技术无法适应现实中混合大小车型的实际场景,存在明显的局限性。在本实施例中,摄像机通过可以采用低畸变的常规镜头,可以增加目标车辆在获取的图像中的有效像素占比,进而可以得到超高分辨率的图像。
在上述实施例中,拍摄目标车辆车侧完整图像的摄像机采用高斜位向下的安装方式,在摄像机中可以同时捕捉到目标车辆的顶部及侧面图像,因此可以有效减小畸变,使获取的车侧完整图像更接近实际中目标车辆的状况。此外,摄像机不需要大的视场角,可以缩短摄像头的安装距离;在摄像机中能同时清楚地看到目标车辆的顶部及侧面,可以最大程度的获取目标车辆的多种细节信息,能提取到有效特征用于重识别。
在一个实施例中,如图4所示,多张拍摄图像至少包括目标车辆的车头图像和车尾图像.步骤拼接目标车辆在连续时间内的多张拍摄图像包括:
步骤402,当获取到的拍摄图像为车头图像时,开启图像拼接算法,以对连续接收到的多张拍摄图像进行图像拼接。
具体地,使用摄像机对视野内车道的目标车辆进行连续视频流采集,利用算法检测模型对目标车辆的车头进行检测。
在一个实施例中,利用YOLO(You Only Look Once,目标检测)模型来检测目标车辆的车头。若检测目标车辆的车头,则启动拼接过程,终端会将摄像机采集的目标车辆在连续时间内的多张拍摄图像拼接起来,并使用光流法提取已拼接图像特征及待拼接图像帧特征点,进行位置匹配,根据计算得到的匹配位置进行图像拼接。在其他实施例中,可以采用其他基于图像模板或其他特征点匹配方法。
步骤404,当获取到的拍摄图像为车尾图像时,关闭图像拼接算法,并将拼接生成的图像作为车侧完整图像。
在一个实施例中,利用YOLO(You Only Look Once,目标检测)模型检测来检测目标车辆的车尾,若检测到目标车辆的车尾,则终端结束拼接过程,即已获取到了目标车辆的车侧完整图像。在其他实施例中,可以采用其他目标图像检测算法检测目标车辆的车头和车尾。
上述实施例中,通过YOLO模型可以快速地检测出目标车辆的车头和车尾,因此可以加快图像拼接以及获取目标车辆车侧完整图像的过程,进而提高车辆重识别方法的速率。采用拼接手段获取目标车辆的完整车侧图像能实现自适应的图像采集,除一般的中小型车辆,对超长的大型货运车辆也能进行车辆重识别,进而可以提高对超长的大型货运车辆进行车辆重识别的准确度。
在一个实施例中,步骤根据车侧完整图像获取候选车辆的标识特征,包括:根据车侧完整图像获取目标车辆的车顶特征和/或车侧特征;根据目标车辆的车顶特征和/或车侧特征获取目标车辆的标识特征。
其中,标识特征可以通过融合车顶特征和/或车侧特征获得,由于车侧完整图像包括的目标车辆的多个有效特征可以反应目标车辆的真实特征,因此融合车顶特征和/或车侧特征后获得的标识特征很贴合目标车辆的真实状况,在车辆重识别中,通过识别目标车辆的识别特征可以提高重识别的准确度。
在一个实施例中,根据车侧完整图像获取候选车辆的车顶特征包括:根据车侧完整图像获取目标车辆的车顶图像,根据车顶图像获取目标车辆的车顶特征。
具体地,在一个实施例中,如图5所示,步骤根据车侧完整图像获取目标车辆的车顶图像包括:
步骤502,根据车侧完整图像获取目标车辆的车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置。
具体地,终端在获取到目标车辆地车侧完整图像后,会使用YOLO模型对目标车辆进行车身检测以得到车身外框,使用直线检测算法得到目标车辆的上边缘左边线位置L1和上边缘右边线位置L2。在其他实施例中,可以采用其他目标图像检测算法检测目标车辆的车身以获得车身外框位置。
步骤504,根据车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置对车侧完整图像进行截取,以获取目标车辆的车顶图像。
具体地,基于目标车辆的车身外框、上边缘左边线位置L1和上边缘右边线位置L2,结合车头位置和车尾位置可以获得目标车辆的车顶图像。
在本实施例中,利用YOLO模型对目标车辆进行车身检测,可以快速、准确地获取与目标车辆真实图像接近的车顶图像,进而可以提高车辆重识别结果的真实性。
在一个实施例中,步骤根据车顶图像获取目标车辆的车顶特征包括:通过车顶特征模型对车顶图像进行特征提取,以获取目标车辆的车顶特征。
具体地,将目标车辆的车顶特征送入预训练好的车顶特征模型中,通过特征提取可以获得车顶图像特征。其中,车顶特征模型是通过34层的残差网络结构提前训练好的模型,训练样本为上述过程生成的车顶图像,训练样本量级为10万,使用三样本对损失函数进行训练直到收敛,因此提取的车顶特征具有很高的真实性。在一个实施例中,根据车侧完整图在其他实施例中,可采用其他网络结构代替车顶特征模型,训练样本量级可以适当增加或减少。
在一个实施例中,根据车侧完整图像获取候选车辆的车侧特征包括:根据车侧完整图像获取目标车辆的车侧图像,根据车侧图像获取目标车辆的车侧特征。
在一个实施例中,如图6所示,步骤根据车侧完整图像获取目标车辆的车侧图像包括:
步骤602,根据车侧完整图像获取目标车辆的车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置。
具体地,终端在获取到目标车辆地车侧完整图像后,会使用目标图像检测算法对目标车辆进行车身检测以得到车身外框,使用霍夫变换算法对目标车辆的车身外框下部区域进行圆型轮廓检测,根据圆心位置得到车侧下边线位置L0。使用直线检测算法得到目标车辆的上边缘右边线位置L2。其中,目标图像检测算法可以是YOLO模型也可以是其他算法。
步骤604,根据车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置对车侧完整图像进行截取,以获取目标车辆的车侧图像。
具体地,基于目标车辆的车身外框、车侧下边线位置L0和上边缘右边线位置L2,结合车身位置和车尾位置可以获得目标车辆的车侧图像。
在一个实施例中,步骤根据车侧图像获取目标车辆的车侧特征包括:通过车侧特征模型对车侧图像进行特征提取,以获取目标车辆的车侧特征。
具体地,将目标车辆的车侧特征送入预训练好的车侧特征模型中,通过特征提取可以获得车侧图像特征。类似于车顶特征模型的训练,车侧特征模型的提前训练方式类似于车顶特征模型,训练样本为上述过程生成的车侧图像,提取的车侧特征可以表示目标车辆的真实状况。在其他实施例中,可采用其他网络结构代替车侧特征模型,训练样本量级可以适当增加或减少。
在一个实施例中,根据目标车辆的车顶特征和/或车侧特征获取目标车辆的标识特征前,还包括:当目标车辆的车轴数大于或等于3时,获取目标车辆的护板特征;根据目标车辆的车顶特征和/或车侧特征获取目标车辆的标识特征,还包括:根据目标车辆的车顶特征、车侧特征中的至少一个和护板特征获取目标车辆的标识特征。
具体地,一般只有3轴以上的目标车辆才会有这个护板,例如长的拖挂车。因此只有车轴数大于或等于3时,目标车辆才会有护板特征。根据目标车辆的车顶特征、车侧特征中的至少一个和护板特征,通过特征提取以及特征融合可以获得目标车辆的标识特征。
在一个实施例中,根据所述车侧完整图像获取候选车辆的护板特征包括:根据所述车侧完整图像获取候选车辆的护板图像,根据护板图像获取目标车辆的护板特征。
在一个实施例中,步骤根据所述车侧完整图像获取候选车辆的护板图像包括:根据车侧完整图像确定目标车辆的多个车轴中距离最大的两个车轴作为边界车轴;根据边界车轴对车侧完整图像进行截取,以获取候选车辆的护板图像。
具体地,终端在获取到目标车辆的车侧完整图像后,会使用霍夫变换算法对目标车辆的车身外框下部区域进行圆型轮廓检测,以得到各车轮间的间隔距离及车轴数量n,并将距离最大的两个车轴作为边界车轴。若车轴数量n大于或等于3,则从两个边界车轴间截取目标车辆的护板图像。
在一个实施例中,步骤根据护板图像获取目标车辆的护板特征包括:通过护板特征模型对候选车辆的护板图像进行特征提取,以获取目标车辆的护板特征。在其他实施例中,可采用其他网络结构代替护板特征模型,训练样本量级可以适当增加或减少。
具体地,将目标车辆的护板特征送入预训练好的护板特征模型中,通过特征提取可以获得护板图像特征。与车顶特征模型、车侧特征模型的训练方法类似,护板特征模型的训练样本为上述过程生成的护板图像,提取的护板特征可以表示目标车辆的真实状况。
在上述实施例的车辆重识别方法中,通过对目标车辆的完整车侧图像进行分割,分别提取车顶图像、车侧图像和护板图像,以及进行特征提取及融合,能充分利用先验知识针对性的提取局部差异化信息,避免单一模型只学习整体特征的缺陷,可以有效提高车辆重识别的准确度。
在一个实施例中,如图7所示,步骤识别中间候选车辆的标识特征与目标车辆的标识特征,获得识别结果包括:
步骤702,获取中间候选车辆的标识特征。
其中,中间候选车辆是在多个候选车辆中,轮轴数与目标车辆轮轴数相等的车辆,中间候选车辆的标识特征可以预先保存至终端,也可以在标记好中间候选车辆后,由终端从服务器中获取。
步骤704,计算中间候选车辆的标识特征与目标车辆的标识特征间的余弦距离作为相似度分数。
具体地,余弦距离也称为余弦相似度,是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量,在本实施例中,余弦距离用于反应中间候选车辆与目标车辆的标识特征间的差异。中间候选车辆地数量可能为多个,识别算法通过逐个计算目标车辆的标识特征与每辆中间候选车辆的标识特征间的余弦距离,可以获得目标车辆与每辆中间候选车辆的相似度分数。其中,识别算法包括特征比较算法以及其他求特征相似度的算法。
步骤706,确定最大的相似度分数对应的中间候选车辆作为识别结果。
其中,通过对目标车辆与每辆中间候选车辆的相似度分数进行排序,可以确定出与目标车辆相似度分数最大的中间候选车辆为最终的识别结果。
在一个实施例中,通过计算目标车辆与4辆中间候选车辆的标识特征得到的相似度分数分别为:98.78、96.56、99.31、95.40,对这4个相似度分数进行排序,可以确定出相似度分数为99.31的中间候选车辆为此次车辆重识别的识别结果,即相似度分数为99.31的中间候选车辆与目标车辆的相似度最高。
上述车辆重识别方法中,获取的车侧完整图像很接近实际中目标车辆的状况,因此提取出目标车辆的标识特征能够准确地表示目标车辆的真实状况,在车辆重识别中可以提高重识别的准确度。通过根据目标车辆的轮轴数筛选候选车辆,能有效缩小候选车辆的数量、减少后续重识别过程中的数据处理量,同时还能提高重识别的速率。中间候选车辆是已经经过筛选的,根据筛选后获取的中间候选车辆的识别特征与目标车辆的识别特征获取的识别结果更准确。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的车辆重识别方法的车辆重识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个车辆重识别装置实施例中的具体限定可以参见上文中对于车辆重识别方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种车辆重识别装置,包括:图像获取模块802、特征提取模块804、标记模块806和识别模块808。其中:图像获取模块1002用于获取目标车辆的车侧完整图像;特征提取模块804用于根据车侧完整图像提取目标车辆的标识特征;标记模块806用于标记与目标车辆的轮轴数相同的候选车辆为中间候选车辆;识别模块808用于根据中间候选车辆的标识特征与目标车辆的标识特征获得识别结果。
在一个实施例中,获取模块802获取目标车辆的车侧完整图像包括:拼接目标车辆在连续时间内的多张拍摄图像,以获取目标车辆的车侧完整图像。
在一个实施例中,多张所述拍摄图像至少包括目标车辆的车头图像和车尾图像,获取模块802拼接目标车辆在连续时间内的多张拍摄图像,包括:当获取到的拍摄图像为车头图像时,开启图像拼接算法,以对连续接收到的多张拍摄图像进行图像拼接;当获取到的拍摄图像为车尾图像时,关闭图像拼接算法,并将拼接生成的图像作为车侧完整图像。
在一个实施例中,特征提取模块804根据车侧完整图像获取候选车辆的标识特征,包括:根据车侧完整图像获取目标车辆的车顶特征和/或车侧特征;根据目标车辆的车顶特征和/或车侧特征获取目标车辆的标识特征。
在一个实施例中,特征提取模块804根据车侧完整图像获取候选车辆的车顶特征包括:根据车侧完整图像获取目标车辆的车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置;根据车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置对车侧完整图像进行截取,以获取目标车辆的车顶图像;通过车顶特征模型对车顶图像进行特征提取,以获取目标车辆的车顶特征。
在一个实施例中,特征提取模块804根据所述车侧完整图像获取候选车辆的车侧特征包括:根据车侧完整图像获取目标车辆的车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置;根据车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置对车侧完整图像进行截取,以获取目标车辆的车侧图像;通过车侧特征模型对车侧图像进行特征提取,以获取目标车辆的车侧特征。
在一个实施例中,特征提取模块804根据目标车辆的车顶特征和/或车侧特征获取目标车辆的标识特征前,还包括:当目标车辆的车轴数大于或等于3时,获取目标车辆的护板特征;根据目标车辆的车顶特征和/或车侧特征获取所述目标车辆的标识特征,还包括:根据目标车辆的车顶特征、车侧特征中的至少一个和护板特征获取目标车辆的标识特征。
在一个实施例中,特征提取模块804根据车侧完整图像获取候选车辆的护板特征包括:根据车侧完整图像确定目标车辆的多个车轴中距离最大的两个车轴作为边界车轴;根据边界车轴对车侧完整图像进行截取,以获取候选车辆的护板图像;通过护板特征模型对候选车辆的护板图像进行特征提取,以获取目标车辆的护板特征。
在一个实施例中,识别模块808识别中间候选车辆的标识特征与目标车辆的标识特征,获得识别结果包括:获取中间候选车辆的标识特征;计算中间候选车辆的标识特征与目标车辆的标识特征间的余弦距离作为相似度分数;确定最大的相似度分数对应的中间候选车辆作为识别结果。
上述车辆重识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆重识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种车辆重识别方法,其特征在于,所述方法包括:
获取目标车辆的车侧完整图像;
根据所述车侧完整图像提取所述目标车辆的标识特征;
标记与所述目标车辆的轮轴数相同的候选车辆为中间候选车辆;
根据所述中间候选车辆的标识特征与所述目标车辆的标识特征获得识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标车辆的车侧完整图像包括:
拼接所述目标车辆在连续时间内的多张拍摄图像,以获取所述目标车辆的车侧完整图像。
3.根据权利要求2所述的方法,其特征在于,多张所述拍摄图像至少包括所述目标车辆的车头图像和车尾图像,所述拼接所述目标车辆在连续时间内的多张拍摄图像,包括:
当获取到的所述拍摄图像为所述车头图像时,开启图像拼接算法,以对连续接收到的多张所述拍摄图像进行图像拼接;
当获取到的所述拍摄图像为所述车尾图像时,关闭图像拼接算法,并将拼接生成的图像作为所述车侧完整图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述车侧完整图像获取候选车辆的标识特征,包括:
根据所述车侧完整图像获取所述目标车辆的车顶特征和/或车侧特征;
根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述车侧完整图像获取候选车辆的车顶特征包括:
根据所述车侧完整图像获取所述目标车辆的车身外框、上边缘左边线位置、上边缘右边线位置、车头位置和车尾位置;
根据所述车身外框、上边缘左边线位置、上边缘右边线位置、所述车头位置和所述车尾位置对所述车侧完整图像进行截取,以获取所述目标车辆的车顶图像;
通过车顶特征模型对所述车顶图像进行特征提取,以获取所述目标车辆的所述车顶特征。
6.根据权利要求4所述的方法,其特征在于,所述根据所述车侧完整图像获取候选车辆的车侧特征包括:
根据所述车侧完整图像获取所述目标车辆的车身外框、车身下边线位置、上边缘右边线位置、车头位置和车尾位置;
根据所述车身外框、所述车身下边线位置、所述上边缘右边线位置、所述车头位置和所述车尾位置对所述车侧完整图像进行截取,以获取所述目标车辆的车侧图像;
通过车侧特征模型对所述车侧图像进行特征提取,以获取所述目标车辆的所述车侧特征。
7.根据权利要求4所述的方法,其特征在于,所述根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征前,还包括:
当所述目标车辆的车轴数大于或等于3时,获取所述目标车辆的护板特征;
所述根据所述目标车辆的所述车顶特征和/或所述车侧特征获取所述目标车辆的标识特征,还包括:
根据所述目标车辆的所述车顶特征、所述车侧特征中的至少一个和所述护板特征获取所述目标车辆的标识特征。
8.根据权利要求7所述的方法,其特征在于,根据所述车侧完整图像获取候选车辆的护板特征包括:
根据所述车侧完整图像确定所述目标车辆的多个所述车轴中距离最大的两个车轴作为边界车轴;
根据所述边界车轴对所述车侧完整图像进行截取,以获取所述候选车辆的护板图像;
通过护板特征模型对所述候选车辆的护板图像进行特征提取,以获取所述目标车辆的所述护板特征。
9.根据权利要求1所述的方法,其特征在于,所述识别所述中间候选车辆的标识特征与目标车辆的标识特征,获得识别结果包括:
获取所述中间候选车辆的标识特征;
计算所述中间候选车辆的标识特征与目标车辆的标识特征间的余弦距离作为相似度分数;
确定最大的所述相似度分数对应的所述中间候选车辆作为所述识别结果。
10.一种车辆重识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取目标车辆的车侧完整图像;
特征提取模块,用于根据所述车侧完整图像提取所述目标车辆的标识特征;
标记模块,用于标记与所述目标车辆的轮轴数相同的候选车辆为中间候选车辆;
识别模块,用于根据所述中间候选车辆的标识特征与所述目标车辆的标识特征获得识别结果。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
12.一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9中任一项所述的方法的步骤。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290271.XA CN114708547A (zh) | 2022-03-23 | 2022-03-23 | 车辆重识别方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290271.XA CN114708547A (zh) | 2022-03-23 | 2022-03-23 | 车辆重识别方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708547A true CN114708547A (zh) | 2022-07-05 |
Family
ID=82169360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210290271.XA Pending CN114708547A (zh) | 2022-03-23 | 2022-03-23 | 车辆重识别方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708547A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410283A (zh) * | 2022-08-04 | 2022-11-29 | 深圳信路通智能技术有限公司 | 停车场的车辆计费方法、装置、计算机设备和存储介质 |
CN115439783A (zh) * | 2022-09-01 | 2022-12-06 | 苏州思卡信息系统有限公司 | 一种车辆识别和追踪的检测方法及设备 |
CN116453075A (zh) * | 2023-06-14 | 2023-07-18 | 山东省科学院海洋仪器仪表研究所 | 一种基于图像处理的轮轴识别方法及系统 |
CN117218109A (zh) * | 2023-10-16 | 2023-12-12 | 北京卓视智通科技有限责任公司 | 车辆侧向拼接图像完整度检测方法、系统、设备和介质 |
-
2022
- 2022-03-23 CN CN202210290271.XA patent/CN114708547A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410283A (zh) * | 2022-08-04 | 2022-11-29 | 深圳信路通智能技术有限公司 | 停车场的车辆计费方法、装置、计算机设备和存储介质 |
CN115410283B (zh) * | 2022-08-04 | 2024-05-14 | 深圳信路通智能技术有限公司 | 停车场的车辆计费方法、装置、计算机设备和存储介质 |
CN115439783A (zh) * | 2022-09-01 | 2022-12-06 | 苏州思卡信息系统有限公司 | 一种车辆识别和追踪的检测方法及设备 |
CN115439783B (zh) * | 2022-09-01 | 2023-10-31 | 苏州思卡信息系统有限公司 | 一种车辆识别和追踪的检测方法及设备 |
CN116453075A (zh) * | 2023-06-14 | 2023-07-18 | 山东省科学院海洋仪器仪表研究所 | 一种基于图像处理的轮轴识别方法及系统 |
CN116453075B (zh) * | 2023-06-14 | 2023-09-08 | 山东省科学院海洋仪器仪表研究所 | 一种基于图像处理的货车轮轴识别方法及系统 |
CN117218109A (zh) * | 2023-10-16 | 2023-12-12 | 北京卓视智通科技有限责任公司 | 车辆侧向拼接图像完整度检测方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708547A (zh) | 车辆重识别方法、装置、计算机设备、存储介质 | |
Zheng et al. | A novel vehicle detection method with high resolution highway aerial image | |
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
Alam et al. | Indian traffic sign detection and recognition | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
Kumar et al. | Automatic vehicle number plate recognition system using machine learning | |
CN106600977A (zh) | 基于多特征识别的违停检测方法及系统 | |
Kashevnik et al. | Seat belt fastness detection based on image analysis from vehicle in-abin camera | |
Wang et al. | Detection and classification of moving vehicle from video using multiple spatio-temporal features | |
CN111292432A (zh) | 基于车型识别和轮轴检测的车辆收费类型判别方法与装置 | |
CN110909699A (zh) | 视频车辆非导向行驶检测方法、装置及可读存储介质 | |
CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
CN112906647A (zh) | 小跨径桥梁载重监测方法、装置、计算机设备及存储介质 | |
CN116246470A (zh) | 高速公路门架逃费稽查方法、装置、电子设备及存储介质 | |
CN113723382B (zh) | 车道线提点的方法、装置和计算机设备 | |
CN111738228A (zh) | 一种面向治超证据链校验的多视角车辆特征匹配方法 | |
CN112489436B (zh) | 一种车辆身份识别方法、装置、系统、以及电子装置 | |
Zhang et al. | An on-road vehicle detection method for high-resolution aerial images based on local and global structure learning | |
Nguwi et al. | Number plate recognition in noisy image | |
CN111476245A (zh) | 车辆左转违规检测方法、装置、计算机设备和存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN108647679B (zh) | 一种基于车窗粗定位的车标识别方法 | |
Srikanth et al. | Automatic vehicle number plate detection and recognition systems: Survey and implementation |
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 |