CN109145777A - 车辆重识别方法、装置及*** - Google Patents
车辆重识别方法、装置及*** Download PDFInfo
- Publication number
- CN109145777A CN109145777A CN201810868929.4A CN201810868929A CN109145777A CN 109145777 A CN109145777 A CN 109145777A CN 201810868929 A CN201810868929 A CN 201810868929A CN 109145777 A CN109145777 A CN 109145777A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- feature
- projection
- training
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车辆重识别方法、装置及***,涉及车辆重识别技术领域,该方法包括:获取待识别的目标车辆图像;其中,目标车辆图像携带有方向信息;将目标车辆图像输入至预先训练得到的特征提取模型,以使特征提取模型基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征;根据目标车辆图像的车辆特征,基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像;其中,车辆特征集包含有多张车辆图像经特征提取模型提取出的车辆特征。本发明能够较好地提高车辆重识别的准确性。
Description
技术领域
本发明涉及车辆重识别技术领域,尤其是涉及一种车辆重识别方法、装置及***。
背景技术
车辆重识别(Vehicle Re-identification,Reid)能够在图像库或者视频流中找到与待识别车辆图像相同的其它车辆图像。车辆重识别可广泛应用于车辆检索、车辆追踪等安防领域,诸如,在刑侦应用中,能够根据待追踪车辆的一张图像在城市庞大的摄像头网络所采集的各车辆图像中找到该车辆。
现有的车辆重识别对同一车辆位于不同方向的多张图像进行匹配时,匹配结果非常不理想。诸如,A车对应有A正面图像和A背面图像,B车对应有B正面图像和B背面图像,由于同一车辆的正背面差异较大,车辆重识别的结果可能为A正面图像和B正面图像对应同一辆车,A正面图像和A背面图像为不同的车,致使重识别准确率不高。
发明内容
有鉴于此,本发明的目的在于提供一种车辆重识别方法、装置及***,能够较好地提高车辆重识别的准确性。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种车辆重识别方法,包括:获取待识别的目标车辆图像;其中,所述目标车辆图像携带有方向信息;将所述目标车辆图像输入至预先训练得到的特征提取模型,以使所述特征提取模型基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定所述目标车辆图像的车辆特征;根据所述目标车辆图像的车辆特征,基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像;其中,所述车辆特征集包含有多张车辆图像经所述特征提取模型提取出的车辆特征。
进一步,本发明实施例提供了第一方面的第一种可能的实施方式,所述基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影的步骤,包括:基于所述目标车辆图像的方向信息提取所述目标车辆的方向特征;将提取出的所述方向特征重投影至目标空间,得到所述方向特征在所述目标空间内的重投影特征。
进一步,本发明实施例提供了第一方面的第二种可能的实施方式,所述特征提取模型包括特征初提取网络、与所述特征初提取网络分别相连的多个方向重投影网络,以及与多个所述方向重投影网络相连的融合层;其中,每个所述方向重投影网络对应一种车辆方向。
进一步,本发明实施例提供了第一方面的第三种可能的实施方式,所述特征提取模型的训练步骤包括:获取训练图像集;所述训练图像集包含多张车辆训练图像;每张所述车辆训练图像携带有方向信息和车辆编码;将各所述车辆训练图像输入至所述特征初提取网络,通过所述特征初提取网络提取各所述车辆训练图像的初步特征;将各所述车辆训练图像的初步特征以及对应的方向信息根据所述方向信息分别输入至多个所述方向重投影网络,通过各个所述方向重投影网络基于各所述车辆训练图像的方向信息对各所述车辆训练图像进行方向重投影,生成各所述车辆训练图像的重投影特征;将各所述车辆训练图像的重投影特征输入至所述融合层,通过所述融合层对各所述车辆训练图像的重投影特征进行特征融合,得到所述训练图像集的组合特征;基于所述训练图像集的组合特征,通过损失函数对所述特征提取模型进行训练。
进一步,本发明实施例提供了第一方面的第四种可能的实施方式,所述获取训练图像集的步骤,包括:获取多个车辆对应的车辆训练图像;其中,每个所述车辆对应有多张方向信息不同的车辆训练图像。
进一步,本发明实施例提供了第一方面的第五种可能的实施方式,所述对各所述车辆训练图像的重投影特征进行特征融合,得到所述训练图像集的组合特征的步骤,包括:根据各所述车辆训练图像的方向信息,以及各所述方向重投影网络对应的车辆方向,确定与各所述方向重投影网络匹配的车辆训练图像;保留与各所述方向重投影网络匹配的车辆训练图像的重投影特征,并将与各所述方向重投影网络不匹配的车辆训练图像的重投影特征置零;通过按位相加方式将与各所述方向重投影网络匹配的车辆训练图像的重投影特征融合形成所述训练图像集的组合特征。
进一步,本发明实施例提供了第一方面的第六种可能的实施方式,所述基于所述训练图像集的组合特征,通过损失函数对所述特征提取模型进行训练的步骤,包括:将所述训练图像集的组合特征输入至第一损失函数,以及将所述训练图像集的组合特征通过外接分类网络输入至第二损失函数;基于所述第一损失函数的值和所述第二损失函数的值训练所述特征提取模型,直至所述第一损失函数的值收敛至第一预设阈值,且所述第二损失函数的值均收敛至第二预设阈值时停止训练;其中,当训练结束时,同一车辆编码对应的多张车辆训练图像的车辆特征之间的间距小于预设间距值。
进一步,本发明实施例提供了第一方面的第七种可能的实施方式,所述方向重投影网络包括依次连接的方向特征提取子网络和特征重投影子网络;所述方向特征提取子网络用于基于各所述车辆训练图像的方向信息提取各所述车辆训练图像的方向特征,并将提取的所述方向特征传递给所述特征重投影子网络;所述特征重投影子网络用于对所述方向特征提取子网络传递的所述方向特征进行投影变换,生成各所述车辆训练图像的重投影特征。
进一步,本发明实施例提供了第一方面的第八种可能的实施方式,所述基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像的步骤,包括:计算所述目标车辆图像的车辆特征与已有的车辆特征集中各所述车辆图像的车辆特征之间的特征间距值;从计算得到的多个所述特征间距值中找到最小特征间距值;判断所述最小特征间距值是否低于预设特征间距阈值;如果是,将所述最小特征间距值对应的所述车辆特征集中的车辆图像确定与所述目标车辆图像相匹配。
第二方面,本发明实施例还提供一种车辆重识别装置,包括:图像获取模块,用于获取待识别的目标车辆图像;其中,所述目标车辆图像携带有方向信息;模型输入模块,用于将所述目标车辆图像输入至预先训练得到的特征提取模型,以使所述特征提取模型基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定所述目标车辆图像的车辆特征;识别模块,用于根据所述目标车辆图像的车辆特征,基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像;其中,所述车辆特征集包含有多张车辆图像经所述特征提取模型提取出的车辆特征。
第三方面,本发明实施例提供了一种车辆重识别***,包括:图像采集装置、处理器和存储装置;所述图像采集装置,用于采集图像信息;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行第一方面任一项所述的方法的步骤。
本发明实施例提供了一种车辆重识别方法、装置及***,通过能够将待识别的目标车辆图像输入至预先训练得到的特征提取模型,该特征提取模型能够基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征,进而基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像。这种车辆重识别方式在提取车辆特征时进行方向重投影处理,以提升对不同方向下的同一车辆的重识别能力,进而提升车辆重识别的准确度。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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示出了本发明实施例所提供的一种电子设备的结构示意图;
图2示出了本发明实施例所提供的一种车辆重识别方法流程图;
图3示出了本发明实施例所提供的一种特征提取模型的结构示意图;
图4示出了本发明实施例所提供的一种特征提取模型的结构示意图;
图5示出了本发明实施例所提供的一种目标检测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到现有的车辆重识别技术在对位于不同方向(也即,不同姿态)的同一辆车的多张图像进行匹配时的准确率不高,为改善此问题,本发明实施例提供的一种车辆重识别方法、装置及***,该技术可应用于车辆重识别技术,适用于诸如需要进行车辆检索、车辆追踪等场合,以下对本发明实施例进行详细介绍。
实施例一:
首先,参照图1来描述用于实现本发明实施例的车辆重识别方法、装置及***的示例电子设备100。
如图1所示的一种电子设备的结构示意图,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及图像采集装置110,这些组件通过总线***112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器02可以采用数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集装置110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的车辆重识别方法、装置及***的示例电子设备可以被实现为诸如智能手机、平板电脑、计算机等智能终端。
实施例二:
参见图2所示的一种车辆重识别方法流程图,该方法可由前述实施例提供的电子设备执行,该方法具体包括如下步骤:
步骤S202,获取待识别的目标车辆图像;其中,目标车辆图像携带有方向信息。方向信息可以理解为方向标签。
上述方向信息可以为目标车辆图像上的车辆方向(又可称为车辆姿态),诸如正向、背向或侧向等,主要是车辆相对于摄像头的方向,诸如,车辆正对第一摄像头迎面行驶,则第一摄像头采集到该车的正面图像,车辆背向第二摄像头行驶,则第二摄像头采集到该车的背面图像。在实际应用中,可以仅简单划分为正向和背向,也可以将车辆的偏转角度进行细分,得到多种偏转方向。此外,方向信息又可以称为姿态信息,不同的车辆方向表征不同的姿态。
方向信息可以采用人工标注,也可以分别采用相关技术中的方向标注网络确定,在此不进行赘述,本实施例获取的目标检测图像均已经过预处理(方向标注),并携带有方向信息。
步骤S204,将目标车辆图像输入至预先训练得到的特征提取模型,以使特征提取模型基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征。
特征提取模型可以首先基于目标车辆图像的方向信息提取目标车辆的方向特征,然后将提取出的方向特征重投影至目标空间(一种解空间),得到方向特征在目标空间内的重投影特征。重投影也即仿射变换,将方向特征重投影至目标空间,也即将方向特征投影变换至另一个解空间中。本实施例对方向特征进行重投影的原因在于:如果直接利用当前解空间下的方向特征进行车辆重识别,仍然是不同车辆在相同方向上的图像的特征距离值最小,通常小于同一车辆在不同方向上的图像的特征距离值,诸如,A车正面图像与B车正面图像的相似度高于A车正面图像与A车背面图像的相似度,致使将相同方向的不同车辆误认为属于同一车辆,而难以识别出不同方向的同一车辆。本实施例特征提取模型能够将车辆图像的方向特征重投影至其它解空间(目标空间),该目标空间是特征提取模型经过训练后确定的,在该目标空间下,同一车辆在不同方向上的图像的特征间距值大于不同车辆在相同方向上的图像的特征间距值,诸如,A车正面图像与A车背面图像的相似度高于A车正面图像与B车正面图像的相似度,从而能够保证车辆重识别的正确性。将方向特征投影至目标空间,在目标空间上的重投影特征更容易实现同一辆车之间的匹配。
在一种实施方式中,参见图3所示的一种特征提取模型的结构示意图,示意出特征提取模型包括特征初提取网络、与特征初提取网络分别相连的多个方向重投影网络,以及与多个方向重投影网络相连的融合层;其中,每个方向重投影网络对应一种车辆方向。如果将车辆方向简单划分为正向和背向为例,则方向重投影网络的数量为两个,一个对应正向车辆,一个对应背向车辆。如果将车辆方向简单划分为正向、背向和侧向,则方向重投影网络的数量为三个,当然,还可以根据车辆偏转角度进一步划分车辆方向,并采用与车辆方向数量等同的方向重投影网络,在此不再赘述。
图3中示意出方向重投影网络包括依次连接的方向特征提取子网络和特征重投影子网络;方向特征提取子网络用于提取车辆图像的方向特征,并将提取的方向特征传递给特征重投影子网络;特征重投影子网络用于对方向特征提取子网络传递的方向特征进行投影变换,生成车辆图像的重投影特征,进而经由融合层得到车辆图像经重投影的车辆特征。由于车辆方向与方向重投影网络一一对应,在一种实施方式中,车辆图像可以根据其车辆方向而直接进入至对应的方向重投影网络,以进行方向重投影处理。在另一种实施方式中,车辆图像可以先进入全部的方向重投影网络进行方向重投影处理,后续再由融合层进行特征融合处理(feature aggregation),将与车辆图像的方向不对应的方向重投影网络得到的重投影特征置零,仅保留与车辆图像的方向对应的方向重投影网络得到的重投影特征。
步骤S206,根据目标车辆图像的车辆特征,基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像;其中,车辆特征集包含有多张车辆图像经特征提取模型提取出的车辆特征。
在一种实施方式中,可以计算目标车辆图像的车辆特征与已有的车辆特征集中各车辆图像的车辆特征之间的特征间距值;然后从计算得到的多个特征间距值中找到最小特征间距值,再判断最小特征间距值是否低于预设特征间距阈值;如果是,将最小特征间距值对应的车辆特征集中的车辆图像确定与目标车辆图像相匹配。其中,特征间距阈值可以预先根据同一车辆的两张车辆图像之间的特征间距值而设定,其可以为经过大量数据统计而得到的经验值,如果两张车辆图像的车辆特征之间的特征间距值低于该特征间距阈值,则可表明这两张车辆图像对应同一辆车。特征间距值越小,说明两张车辆图像越近似,对应同一车辆的可能性就越大。通过这种方式,可以对某一摄像头采集的某车辆图像在所有数据库中进行查找,识别出该车辆图像相同的车辆,从而实现车辆检索或车辆追踪。当然,也可以同时向特征提取模型输入一批车辆图像,确定该批车辆图像的车辆特征,并基于车辆特征查找到该批车辆图像中相同的车辆。本实施例提供的上述方式,可以将数据库中的车辆图像经过特征提取模型提取的车辆特征存储于车辆特征集,在待匹配的车辆图像需要匹配时可直接应用,无需每次重识别都将数据库中的车辆图像和待匹配的车辆图像都输入至特征提取模型进行特征提取,相比之下,本实施例提供的上述方式更加便捷高效。
本发明实施例提供的上述车辆重识别方法,通过能够将待识别的目标车辆图像输入至预先训练得到的特征提取模型,该特征提取模型能够基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征,进而基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像。这种车辆重识别方式在提取车辆特征时进行方向重投影处理,以提升对不同方向下的同一车辆的重识别能力,进而提升车辆重识别的准确度。
为了使特征提取模型可以直接应用于车辆重识别方法,输出较为可靠准确的结果,需要事先训练该特征提取模型,具体的,上述车辆重识别方法还包括对识别网络的训练过程,结合图4所示的一种特征提取模型的结构示意图,对该特征提取模型的训练步骤详细阐明如下:
(1)获取训练图像集;训练图像集包含多张车辆训练图像;每张车辆训练图像携带有方向信息和车辆编码。在实际应用中,可以获取多个车辆对应的车辆训练图像;每个车辆对应有多张方向信息不同的车辆训练图像。诸如,输入60辆车的车辆图像,每辆车对应四张图像,诸如可以为两张正面图像,两张背面图像;也即一共获取240张车辆图像。当然,还可以一辆车也可以对应多张方向不同(完全正面、完全侧面、多个偏转角度不同的侧面)的图像,在此不进行限制。
(2)将各车辆训练图像输入至特征初提取网络,通过特征初提取网络提取各车辆训练图像的初步特征。如图4所示,特征初提取网络可以包括CNN(Convolutional NeuralNetwork,卷积神经网络)层,通过CNN层对车辆训练图像进行特征初提取。
(3)将各车辆训练图像的初步特征以及对应的方向信息根据方向信息分别输入至多个方向重投影网络,通过各个方向重投影网络基于各车辆训练图像的方向信息对各车辆训练图像进行方向重投影,生成各车辆训练图像的重投影特征。
首先参见图3所示,方向重投影网络包括依次连接的方向特征提取子网络和特征重投影子网络;方向特征提取子网络用于基于各车辆训练图像的方向信息提取各车辆训练图像的方向特征,并将提取的方向特征传递给特征重投影子网络;特征重投影子网络用于对方向特征提取子网络传递的方向特征进行投影变换,生成各车辆训练图像的重投影特征,进而经由融合层得到车辆图像的车辆特征。然后再参见图4所示,图4仅针对将车辆方向划分为正向和背向为例进行说明,示意出两个方向重投影网络,每个方向重投影网络可以包括CNN层(也即,方向特征提取子网络)和FC层(也即,特征重投影子网络);其中,CNN层用于对特征初提取网络传递的各车辆训练图像经初步提取的特征进行特征再提取,FC层为全连接层,用于将CNN层传递的方向特征进行投影变换(feature reprojection),生成重投影特征,也即,FC层可以将方向特征从本空间投影至另一个解空间中。在训练起初是无法预知哪个解空间合适,因而是随机投影到不同的解空间,通过损失函数进行监督,让FC层逐渐找到正确的投影方法,直至找到目标空间为止。在本空间,不同车辆在相同方向上的图像的特征距离值小于同一车辆在不同方向上的图像的特征距离值。而经过投影变换,在目标空间下,同一车辆在不同方向上的图像的特征间距值大于不同车辆在相同方向上的图像的特征间距值,从而能够保障车辆重识别的准确性。
(4)将各车辆训练图像的重投影特征输入至融合层,通过融合层对各车辆训练图像的重投影特征进行特征融合,得到训练图像集的组合特征。其中,训练图像集的组合特征的数据格式可以为minibatch*channel;其中,minibatch为训练图像集的图像数量,channel为图像通道数。
在一种实施方式中,车辆图像可以先进入全部的方向重投影网络进行方向重投影处理,后续再由融合层进行特征融合处理。融合层能够根据各车辆训练图像的方向信息,以及各方向重投影网络对应的车辆方向,确定与各方向重投影网络匹配的车辆训练图像;然后保留与各方向重投影网络匹配的车辆训练图像的重投影特征,并将与各方向重投影网络不匹配的车辆训练图像的重投影特征置零;最终通过按位相加方式将与各方向重投影网络匹配的车辆训练图像的重投影特征融合形成训练图像集的组合特征。
结合图4所示,本实施例给出一种上支方向重投影网络对正面特征进行重投影,下支方向重投影网络对背面特征进行重投影的具体实现方式,车辆图像同时进入上支方向重投影网络和下支方向重投影网络,融合层在对各方向重投影网络提取的重投影特征进行特征融合时,根据各车辆图像的方向标签,保留各方向重投影网络对应的重投影方向特征(简称为本方向特征),并删除本方向之外的重投影方向特征(简称为异向特征),来保证各方向重投影网络可以提取到相应的方向特征。诸如,上支方向重投影网络只保留正面车辆的重投影方向特征,而背面车辆的重投影方向特征被置零。具体实现时,可以将输入的车辆图像所携带的方向标签进行维度扩展,将方向标签的维度扩展到与当前车辆图像的特征维度相同,诸如,当前车辆图像的特征维度是7*7*512,则方向标签的维度也扩展为7*7*512,,假设方向标签分为正面标签和背面标签,正面标签以1表征,背面标签设置以0表征,则背面标签被扩展为7*7*512个0,也即上支CNN层的所有重投影背面特征均置零。同理,下支CNN层只保留背面车辆的重投影方向特征,正面车辆的重投影方向特征被置零。具体实现时,可以让所有的方向标签取反后按位加1,也即,可将背面标签(0按位取反加1)变成1,而正面标签(1按位取反加1)变成0,之后方向特征再按位相乘,实现特征融合,得到训练图像集的组合特征(combined feature)。
融合层可以根据方向标签进行特征融合,将方向不匹配的车辆的特征置零,即,将第一支中所有背面车的特征置零,将第二支中所有正面车的特征置零,然后将两个特征按位相加,生成合并后这组图的新特征(combined feature)。新的特征的数据格式为minibatch x channel,其中minibatch数与输入时的图像数量一致。
(5)基于训练图像集的组合特征,通过损失函数对特征提取模型进行训练。
具体的,可以将训练图像集的组合特征输入至第一损失函数,以及将训练图像集的组合特征通过外接分类网络输入至第二损失函数;基于第一损失函数的值和第二损失函数的值训练特征提取模型,直至第一损失函数的值收敛至第一预设阈值,且第二损失函数的值均收敛至第二预设阈值时停止训练;其中,当训练结束时,同一车辆编码对应的多张车辆训练图像的车辆特征之间的间距小于预设间距值。
如图4所示,融合层得到的训练图像集的组合特征一部分送入Tripletloss损失函数(也即,第一损失函数)进行度量学习,以减少类内距离,增大类间距离,诸如,减少同一辆车的两张图像的车辆特征距离,并增大不同车辆的图像的车辆特征距离;一部分经过分类网络(主要由FC层实现)进行分类,将分类结果送入SoftmaxwithLoss损失函数进行损失计算。其中,分类网络为特征提取模型的外接网络,主要可以采用FC层实现,用于在训练特征提取模型时,对特征提取模型提取出的车辆特征进行分类,具体方式是比对各车辆图像对应的车辆特征,将特征间距值小的车辆图像分类一类,作为同一辆车的多张图像。
Tripletloss损失函数和SoftmaxwithLoss损失函数共同监督特征提取模型,以使特征提取模型在训练结束后,输出的同一辆车对应的多张图像的车辆特征最为相近,从而实现车辆匹配,较好地提升车辆重识别的准确率。损失函数仅用于在测试阶段和训练阶段对特征提取模型进行监督,在特征提取模型的实际应用阶段不再需要损失函数。
本实施例提供的车辆重识别方法,通过将车辆的姿态(方向)进行投影变换,能够更好地匹配同一辆车在不同方向的车辆图像,较好地提升了车辆重识别的准确率。
实施例三:
对于实施例二中所提供的车辆重识别方法,本发明实施例提供了一种车辆重识别装置,参见图5所示的一种目标检测装置的结构框图,包括:
图像获取模块502,用于获取待识别的目标车辆图像;其中,目标车辆图像携带有方向信息;
模型输入模块504,用于将目标车辆图像输入至预先训练得到的特征提取模型,以使特征提取模型基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征;
识别模块506,用于根据目标车辆图像的车辆特征,基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像;其中,车辆特征集包含有多张车辆图像经特征提取模型提取出的车辆特征。
本发明实施例提供的上述车辆重识别装置,通过能够将待识别的目标车辆图像输入至预先训练得到的特征提取模型,该特征提取模型能够基于目标车辆图像的方向信息对目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定目标车辆图像的车辆特征,进而基于已有的车辆特征集识别与目标车辆图像匹配的车辆图像。这种车辆重识别方式在提取车辆特征时进行方向重投影处理,以提升对不同方向下的同一车辆的重识别能力,进而提升车辆重识别的准确度。
在一种实施方式中,模型输入模块用于:基于目标车辆图像的方向信息提取目标车辆的方向特征;将提取出的方向特征重投影至目标空间,得到方向特征在目标空间内的重投影特征。
在一种实施方式中,特征提取模型包括特征初提取网络、与特征初提取网络分别相连的多个方向重投影网络,以及与多个方向重投影网络相连的融合层;其中,每个方向重投影网络对应一种车辆方向。
本实施例还包括模型训练模块,用于:
获取训练图像集;训练图像集包含多张车辆训练图像;每张车辆训练图像携带有方向信息和车辆编码;
将各车辆训练图像输入至特征初提取网络,通过特征初提取网络提取各车辆训练图像的初步特征;
将各车辆训练图像的初步特征以及对应的方向信息根据方向信息分别输入至多个方向重投影网络,通过各个方向重投影网络基于各车辆训练图像的方向信息对各车辆训练图像进行方向重投影,生成各车辆训练图像的重投影特征;
将各车辆训练图像的重投影特征输入至融合层,通过融合层对各车辆训练图像的重投影特征进行特征融合,得到训练图像集的组合特征;
基于训练图像集的组合特征,通过损失函数对特征提取模型进行训练。
模型训练模块进一步用于:获取多个车辆对应的车辆训练图像;其中,每个车辆对应有多张方向信息不同的车辆训练图像。
模型训练模块进一步用于:根据各车辆训练图像的方向信息,以及各方向重投影网络对应的车辆方向,确定与各方向重投影网络匹配的车辆训练图像;保留与各方向重投影网络匹配的车辆训练图像的重投影特征,并将与各方向重投影网络不匹配的车辆训练图像的重投影特征置零;通过按位相加方式将与各方向重投影网络匹配的车辆训练图像的重投影特征融合形成训练图像集的组合特征。
模型训练模块进一步用于:将训练图像集的组合特征输入至第一损失函数,以及将训练图像集的组合特征通过外接分类网络输入至第二损失函数;基于第一损失函数的值和第二损失函数的值训练特征提取模型,直至第一损失函数的值收敛至第一预设阈值,且第二损失函数的值均收敛至第二预设阈值时停止训练;其中,当训练结束时,同一车辆编码对应的多张车辆训练图像的车辆特征之间的间距小于预设间距值。
在一种实施方式中,方向重投影网络包括依次连接的方向特征提取子网络和特征重投影子网络;方向特征提取子网络用于基于各车辆训练图像的方向信息提取各车辆训练图像的方向特征,并将提取的方向特征传递给特征重投影子网络;特征重投影子网络用于对方向特征提取子网络传递的方向特征进行投影变换,生成各车辆训练图像的重投影特征。
在一种实施方式中,识别模块进一步用于:计算目标车辆图像的车辆特征与已有的车辆特征集中各车辆图像的车辆特征之间的特征间距值;从计算得到的多个特征间距值中找到最小特征间距值;判断最小特征间距值是否低于预设特征间距阈值;如果是,将最小特征间距值对应的车辆特征集中的车辆图像确定与目标车辆图像相匹配。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例五:
本实施例提供了一种车辆重识别***,包括:图像采集装置、处理器和存储装置;
图像采集装置,用于采集图像信息;
存储装置上存储有计算机程序,计算机程序在被处理器运行时执行实施例二所提供的车辆重识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
进一步,本实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例二所提供的方法的步骤。
本发明实施例所提供的车辆重识别方法、装置及***的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种车辆重识别方法,其特征在于,包括:
获取待识别的目标车辆图像;其中,所述目标车辆图像携带有方向信息;
将所述目标车辆图像输入至预先训练得到的特征提取模型,以使所述特征提取模型基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定所述目标车辆图像的车辆特征;
根据所述目标车辆图像的车辆特征,基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像;其中,所述车辆特征集包含有多张车辆图像经所述特征提取模型提取出的车辆特征。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影的步骤,包括:
基于所述目标车辆图像的方向信息提取所述目标车辆的方向特征;
将提取出的所述方向特征重投影至目标空间,得到所述方向特征在所述目标空间内的重投影特征。
3.根据权利要求1所述的方法,其特征在于,所述特征提取模型包括特征初提取网络、与所述特征初提取网络分别相连的多个方向重投影网络,以及与多个所述方向重投影网络相连的融合层;其中,每个所述方向重投影网络对应一种车辆方向。
4.根据权利要求3所述的方法,其特征在于,所述特征提取模型的训练步骤包括:
获取训练图像集;所述训练图像集包含多张车辆训练图像;每张所述车辆训练图像携带有方向信息和车辆编码;
将各所述车辆训练图像输入至所述特征初提取网络,通过所述特征初提取网络提取各所述车辆训练图像的初步特征;
将各所述车辆训练图像的初步特征以及对应的方向信息根据所述方向信息分别输入至多个所述方向重投影网络,通过各个所述方向重投影网络基于各所述车辆训练图像的方向信息对各所述车辆训练图像进行方向重投影,生成各所述车辆训练图像的重投影特征;
将各所述车辆训练图像的重投影特征输入至所述融合层,通过所述融合层对各所述车辆训练图像的重投影特征进行特征融合,得到所述训练图像集的组合特征;
基于所述训练图像集的组合特征,通过损失函数对所述特征提取模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述获取训练图像集的步骤,包括:
获取多个车辆对应的车辆训练图像;其中,每个所述车辆对应有多张方向信息不同的车辆训练图像。
6.根据权利要求4所述的方法,其特征在于,所述对各所述车辆训练图像的重投影特征进行特征融合,得到所述训练图像集的组合特征的步骤,包括:
根据各所述车辆训练图像的方向信息,以及各所述方向重投影网络对应的车辆方向,确定与各所述方向重投影网络匹配的车辆训练图像;
保留与各所述方向重投影网络匹配的车辆训练图像的重投影特征,并将与各所述方向重投影网络不匹配的车辆训练图像的重投影特征置零;
通过按位相加方式将与各所述方向重投影网络匹配的车辆训练图像的重投影特征融合形成所述训练图像集的组合特征。
7.根据权利要求4所述的方法,其特征在于,所述基于所述训练图像集的组合特征,通过损失函数对所述特征提取模型进行训练的步骤,包括:
将所述训练图像集的组合特征输入至第一损失函数,以及将所述训练图像集的组合特征通过外接分类网络输入至第二损失函数;
基于所述第一损失函数的值和所述第二损失函数的值训练所述特征提取模型,直至所述第一损失函数的值收敛至第一预设阈值,且所述第二损失函数的值均收敛至第二预设阈值时停止训练;
其中,当训练结束时,同一车辆编码对应的多张车辆训练图像的车辆特征之间的间距小于预设间距值。
8.根据权利要求4所述的方法,其特征在于,所述方向重投影网络包括依次连接的方向特征提取子网络和特征重投影子网络;
所述方向特征提取子网络用于基于各所述车辆训练图像的方向信息提取各所述车辆训练图像的方向特征,并将提取的所述方向特征传递给所述特征重投影子网络;
所述特征重投影子网络用于对所述方向特征提取子网络传递的所述方向特征进行投影变换,生成各所述车辆训练图像的重投影特征。
9.根据权利要求1所述的方法,其特征在于,所述基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像的步骤,包括:
计算所述目标车辆图像的车辆特征与已有的车辆特征集中各所述车辆图像的车辆特征之间的特征间距值;
从计算得到的多个所述特征间距值中找到最小特征间距值;
判断所述最小特征间距值是否低于预设特征间距阈值;
如果是,将所述最小特征间距值对应的所述车辆特征集中的车辆图像确定与所述目标车辆图像相匹配。
10.一种车辆重识别装置,其特征在于,包括:
图像获取模块,用于获取待识别的目标车辆图像;其中,所述目标车辆图像携带有方向信息;
模型输入模块,用于将所述目标车辆图像输入至预先训练得到的特征提取模型,以使所述特征提取模型基于所述目标车辆图像的方向信息对所述目标车辆图像进行方向重投影,并根据方向重投影后的重投影特征确定所述目标车辆图像的车辆特征;
识别模块,用于根据所述目标车辆图像的车辆特征,基于已有的车辆特征集识别与所述目标车辆图像匹配的车辆图像;其中,所述车辆特征集包含有多张车辆图像经所述特征提取模型提取出的车辆特征。
11.一种车辆重识别***,其特征在于,包括:图像采集装置、处理器和存储装置;
所述图像采集装置,用于采集图像信息;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至9任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质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运行时执行上述权利要求1至9任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868929.4A CN109145777A (zh) | 2018-08-01 | 2018-08-01 | 车辆重识别方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810868929.4A CN109145777A (zh) | 2018-08-01 | 2018-08-01 | 车辆重识别方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145777A true CN109145777A (zh) | 2019-01-04 |
Family
ID=64798564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810868929.4A Pending CN109145777A (zh) | 2018-08-01 | 2018-08-01 | 车辆重识别方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145777A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197143A (zh) * | 2019-05-17 | 2019-09-03 | 深兰科技(上海)有限公司 | 一种结算台物品识别方法、装置及电子设备 |
CN110766093A (zh) * | 2019-10-31 | 2020-02-07 | 智慧视通(杭州)科技发展有限公司 | 一种基于多帧特征融合的视频目标重识别方法 |
CN111881716A (zh) * | 2020-06-05 | 2020-11-03 | 东北林业大学 | 一种基于多视角生成对抗网络的行人重识别方法 |
CN112380966A (zh) * | 2020-11-12 | 2021-02-19 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
CN112733578A (zh) * | 2019-10-28 | 2021-04-30 | 普天信息技术有限公司 | 车辆重识别方法及*** |
CN112801061A (zh) * | 2021-04-07 | 2021-05-14 | 南京百伦斯智能科技有限公司 | 一种体态识别方法及*** |
CN113152328A (zh) * | 2020-12-25 | 2021-07-23 | 山东高速信息集团有限公司 | 一种用于边缘计算计费的门架及使用该门架的边缘计算的门架计费方法 |
WO2022147977A1 (zh) * | 2021-01-05 | 2022-07-14 | 山东交通学院 | 基于深度特征和稀疏度量投影的车辆重识别方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3128496A1 (en) * | 2014-12-30 | 2017-02-08 | Tsinghua University | Vehicle identification method and system |
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
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 |
CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
-
2018
- 2018-08-01 CN CN201810868929.4A patent/CN109145777A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3128496A1 (en) * | 2014-12-30 | 2017-02-08 | Tsinghua University | Vehicle identification method and system |
CN106709528A (zh) * | 2017-01-10 | 2017-05-24 | 深圳大学 | 基于多目标函数深度学习的车辆重识别方法及装置 |
CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
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 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197143A (zh) * | 2019-05-17 | 2019-09-03 | 深兰科技(上海)有限公司 | 一种结算台物品识别方法、装置及电子设备 |
CN110197143B (zh) * | 2019-05-17 | 2021-09-24 | 深兰科技(上海)有限公司 | 一种结算台物品识别方法、装置及电子设备 |
CN112733578A (zh) * | 2019-10-28 | 2021-04-30 | 普天信息技术有限公司 | 车辆重识别方法及*** |
CN112733578B (zh) * | 2019-10-28 | 2024-05-24 | 普天信息技术有限公司 | 车辆重识别方法及*** |
CN110766093A (zh) * | 2019-10-31 | 2020-02-07 | 智慧视通(杭州)科技发展有限公司 | 一种基于多帧特征融合的视频目标重识别方法 |
CN111881716A (zh) * | 2020-06-05 | 2020-11-03 | 东北林业大学 | 一种基于多视角生成对抗网络的行人重识别方法 |
CN112380966A (zh) * | 2020-11-12 | 2021-02-19 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
CN112380966B (zh) * | 2020-11-12 | 2023-06-02 | 西安电子科技大学 | 基于特征点重投影的单眼虹膜匹配方法 |
CN113152328A (zh) * | 2020-12-25 | 2021-07-23 | 山东高速信息集团有限公司 | 一种用于边缘计算计费的门架及使用该门架的边缘计算的门架计费方法 |
WO2022147977A1 (zh) * | 2021-01-05 | 2022-07-14 | 山东交通学院 | 基于深度特征和稀疏度量投影的车辆重识别方法及*** |
CN112801061A (zh) * | 2021-04-07 | 2021-05-14 | 南京百伦斯智能科技有限公司 | 一种体态识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145777A (zh) | 车辆重识别方法、装置及*** | |
CN109063768A (zh) | 车辆重识别方法、装置及*** | |
Wang et al. | Cycas: Self-supervised cycle association for learning re-identifiable descriptions | |
Zhu et al. | VisDrone-VDT2018: The vision meets drone video detection and tracking challenge results | |
Mallikarjuna et al. | Traffic data collection under mixed traffic conditions using video image processing | |
CN102222341B (zh) | 运动特征点检测方法及装置、运动目标检测方法及装置 | |
CN109117879A (zh) | 图像分类方法、装置及*** | |
US20150023560A1 (en) | Multi-cue object association | |
KR101476799B1 (ko) | 깊이 정보를 이용한 객체 검출 시스템 및 방법 | |
CN112527113A (zh) | 手势识别及手势识别网络的训练方法和装置、介质和设备 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
CN112001219A (zh) | 一种多角度多人脸识别考勤方法及*** | |
Bashir et al. | DUPL-VR: Deep unsupervised progressive learning for vehicle re-identification | |
Wang et al. | Urbanpose: A new benchmark for vru pose estimation in urban traffic scenes | |
Bharadhwaj et al. | Detecting vehicles on the edge: Knowledge distillation to improve performance in heterogeneous road traffic | |
Keawboontan et al. | Toward real-time uav multi-target tracking using joint detection and tracking | |
Abdullah et al. | Vehicle counting using deep learning models: a comparative study | |
Bartoli et al. | Museumvisitors: a dataset for pedestrian and group detection, gaze estimation and behavior understanding | |
Ng et al. | Traffic Impact Assessment System using Yolov5 and ByteTrack | |
Ghasemi et al. | A real-time multiple vehicle classification and tracking system with occlusion handling | |
CN108564595A (zh) | 图像跟踪方法和装置、电子设备、存储介质、程序 | |
Elhadi et al. | Arabic-numbers recognition system for car plates | |
Kapsouras et al. | Feature comparison and feature fusion for traditional dances recognition | |
Bhardwaj et al. | Modified Neural Network-based Object Classification in Video Surveillance System. | |
Senthil Murugan et al. | Computer vision-based vehicle detection and tracking |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |