CN110135517A - 用于获取车辆相似度的方法及装置 - Google Patents
用于获取车辆相似度的方法及装置 Download PDFInfo
- Publication number
- CN110135517A CN110135517A CN201910441616.5A CN201910441616A CN110135517A CN 110135517 A CN110135517 A CN 110135517A CN 201910441616 A CN201910441616 A CN 201910441616A CN 110135517 A CN110135517 A CN 110135517A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sample
- similarity
- information
- image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于获取车辆相似度的方法及装置。该方法的一具体实施方式包括:从第一待处理图像和第二待处理图像选取第一区域和第二区域;从第一区域获取第一车辆特征信息和从第二区域获取第二车辆特征信息;根据第一区域的第一车辆特征信息与对应的第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;分别获取第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;将第三车辆特征信息和第四车辆特征信息导入车辆识别模型,得到第二车辆相似度信息;根据第一车辆相似度信息和第二车辆相似度信息,计算第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。该实施方式提高了对车辆识别的准确性。
Description
技术领域
本公开的实施例涉及图像处理技术领域,具体涉及用于获取车辆相似度的方法及装置。
背景技术
随着现代社会经济的飞速发展,有效的城市道路交通管理在人们的经济、社会活动中的重要性日益显著。因此,深入研究解决城市交通问题就有着极为重要的现实意义。其中,对车辆的有效识别是现代智能交通研究的核心部分。
发明内容
本公开的实施例提出了用于获取车辆相似度的方法及装置。
第一方面,本公开的实施例提供了一种用于获取车辆相似度的方法,该方法包括:分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
在一些实施例中,所述根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息,包括:对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息;将多个子相似度信息的和作为第一车辆相似度信息。
在一些实施例中,上述车辆识别模型通过以下步骤训练得到:获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息,其中,样本车辆图像组包括包含车辆图像的第一样本车辆子图像和包含车辆图像的第二样本车辆子图像,第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息,样本相似度信息用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息包括以下至少一项:车辆轮廓线、车辆区域线;将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型。
在一些实施例中,上述将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型,包括:执行以下训练步骤:将上述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到上述初始车辆识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始车辆识别模型作为训练完成的车辆识别模型。
在一些实施例中,上述将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型,包括:响应于不大于上述预设准确率阈值,调整上述初始车辆识别模型的参数,并继续执行上述训练步骤。
在一些实施例中,上述样本相似度信息通过以下步骤得到:根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域;分别获取上述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征,其中,区域特征包括以下至少一项:线条组合特征、区域组合特征;分别对上述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值;根据上述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
在一些实施例中,所述根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度,包括:分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重;将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
第二方面,本公开的实施例提供了一种用于获取车辆相似度的装置,该装置包括:图像区域选择单元,被配置成分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;第一特征信息获取单元,被配置成分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;第一车辆相似度信息获取单元,被配置成根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;第二特征信息获取单元,被配置成分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;第二车辆相似度信息获取单元,被配置成将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;相似度计算单元,被配置成根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
在一些实施例中,所述第一车辆相似度信息获取单元包括:子相似度信息计算子单元,对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,被配置成计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息;第一车辆相似度信息获取子单元,被配置成将多个子相似度信息的和作为第一车辆相似度信息。
在一些实施例中,上述装置还包括车辆识别模型训练单元,被配置成训练车辆识别模型,上述车辆识别模型训练单元包括:样本信息获取子单元,被配置成获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息,其中,样本车辆图像组包括包含车辆图像的第一样本车辆子图像和包含车辆图像的第二样本车辆子图像,第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息,样本相似度信息用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息包括以下至少一项:车辆轮廓线、车辆区域线;车辆识别模型训练子单元,被配置成将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型。
在一些实施例中,上述车辆识别模型训练子单元包括:车辆识别模型训练模块,被配置成将上述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到上述初始车辆识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始车辆识别模型作为训练完成的车辆识别模型。
在一些实施例中,上述车辆识别模型训练子单元包括:参数调整模块,响应于不大于上述预设准确率阈值,被配置成调整上述初始车辆识别模型的参数,并返回车辆识别模型训练模块。
在一些实施例中,上述装置还包括样本相似度信息获取单元,被配置成获取样本相似度信息,上述样本相似度信息获取单元包括:样本车辆区域获取子单元,被配置成根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域;区域特征获取子单元,被配置成分别获取上述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征,其中,区域特征包括以下至少一项:线条组合特征、区域组合特征;区域特征值获取子单元,被配置成分别对上述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值;样本相似度信息计算子单元,被配置成根据上述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
在一些实施例中,所述相似度计算单元包括:权重设置子单元,被配置成分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重;相似度计算子单元,被配置成将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于获取车辆相似度的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于获取车辆相似度的方法。
本公开的实施例提供的用于获取车辆相似度的方法及装置,首先,分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息,根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;然后,分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息,将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;最后,根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。本申请的技术方案提高了对车辆识别的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于获取车辆相似度的方法的一个实施例的流程图;
图3a是本公开的一个应用场景的第一待处理图像;
图3b是对应图3a第一待处理图像的第二待处理图像;
图4是根据本公开的车辆识别模型训练方法的一个实施例的流程图;
图5是根据本公开的用于获取车辆相似度的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于获取车辆相似度的方法或用于获取车辆相似度的装置的示例性***架构100。
如图1所示,***架构100可以包括图像采集装置101,网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
图像采集装置101通过网络102与服务器103交互,以接收或发送消息等。图像采集装置101上可以安装有各种图像处理应用,例如图像采集应用、车辆识别应用、车辆匹配应用、车辆标记应用等。
图像采集装置101可以是硬件,也可以是软件。当图像采集装置101为硬件时,可以是具有摄像头并且支持图像处理的各种电子设备,包括但不限于智能摄像头、车载摄像头、监控摄像头等。当图像采集装置101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对图像采集装置101发来的待处理图像进行图像处理的服务器。服务器可以对接收到的待处理图像等数据进行分析等处理,以得到对应的处理结果(例如车辆之间的相似度)。
需要说明的是,本公开的实施例所提供的用于获取车辆相似度的方法可以由图像采集装置101单独执行,或者也可以由图像采集装置101和服务器103共同执行。相应地,用于获取车辆相似度的装置可以设置于图像采集装置101中,也可以设置于服务器103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
应该理解,图1中的图像采集装置、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的图像采集装置、网络和服务器。
继续参考图2,示出了根据本公开的用于获取车辆相似度的方法的一个实施例的流程200。该用于获取车辆相似度的方法包括以下步骤:
步骤201,分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域。
在本实施例中,用于获取车辆相似度的方法的执行主体(例如图1所示的图像采集装置101和/或服务器103)可以通过有线连接方式或者无线连接方式获取第一待处理图像和第二待处理图像。其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
为了比较第一待处理图像包含的多个第一车辆图像和第二待处理图像包含的多个第二车辆图像之间的相似度,确定第一车辆图像对应的真实车辆和第二车辆图像对应的真实车辆是否是同一车辆(或同一类型的车辆),执行主体可以分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域。其中,第一区域内的车辆位置和第二区域内的车辆位置对应。例如,第一区域内为第一车辆图像对应的第一车尾位置,第二区域内为第二车辆图像的、与第一车尾位置对应的第二车尾位置。
步骤202,分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息。
选取第一区域和第二区域后,执行主体可以分别从第一区域和第二区域获取第一车辆特征信息和第二车辆特征信息。其中,第一车辆特征信息(或第二车辆特征信息)可以是颜色特征信息、纹理特征信息、车辆结构特征信息等信息。需要说明的是,第一车辆特征信息和第二车辆特征信息是对应的,即第一车辆特征信息为颜色特征信息时,第二车辆特征信息也为颜色特征信息,以便通过同一特征信息对第一车辆图像和第二车辆图像进行相似度判断。第一车辆特征信息和第二车辆特征信息可以表征第一待处理图像和第二待处理图像的局部特征。
步骤203,根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息。
通常,第一车辆相似度信息通过小数的形式标识。例如,第一车辆相似度信息可以是0.568等。第一车辆相似度信息可以是:高相似度、中相似度、低相似度;还可以是:100%相似度、30%相似度等;还可以是:车型和颜色相似、车型相似颜色不相似、车型和颜色都不相似等。根据实际情况,相似度信息还可以是其他类型的描述方式。
执行主体可以通过多种方式计算第一区域的第一车辆特征信息和对应的第二区域的第二车辆特征信息之间的相似度,得到第一车辆相似度信息。
在本实施例的一些可选的实现方式中,所述根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息,可以包括以下步骤:
第一步,对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息。
执行主体可以将第一车辆特征信息和第二车辆特征信息转换成对应的第一特征向量和第二特征向量。然后计算第一特征向量和第二特征向量之间的余弦距离,得到子相似度信息。
第二步,将多个子相似度信息的和作为第一车辆相似度信息。
之后,执行主体可以计算多个第一车辆特征信息和多个第二车辆特征信息对应的多个子相似度信息的和,并将子相似度信息求和得到的结果作为第一车辆相似度信息。
步骤204,分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息。
执行主体可以对第一待处理图像和第二待处理图像进行全局性(或整体性)的特征提取,得到第三车辆特征信息和第四车辆特征信息。
步骤205,将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息。
得到第三车辆特征信息和第四车辆特征信息后,执行主体可以将第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息。例如,执行主体可以通过第三车辆特征信息和第四车辆特征信息构成全局特征向量,然后利用联合贝叶斯算法模型等模型得到第二车辆相似度信息(即全局相似度)。其中,上述车辆识别模型可以用于通过第三车辆特征信息和第四车辆特征信息计算第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度信息。第二车辆相似度信息与第一车辆相似度信息相同。
在本实施例的一些可选的实现方式中,上述车辆识别模型通过以下步骤训练得到:
第一步,获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息。
为了训练车辆识别模型,执行主体可以首先获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息。其中,样本车辆图像组可以包括第一样本车辆子图像和第二样本车辆子图像。第一样本车辆子图像包含车辆图像,第二样本车辆子图像也包含车辆图像。第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息。即,第一样本车辆特征信息是对第一样本车辆子图像进行特征提取得到的;第二样本车辆特征信息是对第二样本车辆子图像进行特征提取得到的。样本相似度信息可以用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息可以包括以下至少一项:车辆轮廓线、车辆区域线。
第二步,将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型。
获取到样本车辆图像组后,执行主体可以将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型。
在本实施例的一些可选的实现方式中,上述样本相似度信息通过以下步骤得到:
第一步,根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域。
由上述描述可知,每个样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像。执行主体可以分别对第一样本车辆子图像和第二样本车辆子图像对应的第一样本车辆特征信息和第二样本车辆特征信息进行数据处理,确定样本第一车辆区域和样本第二车辆区域。例如,执行主体可以对第一样本车辆特征信息包含的车辆轮廓线和/或车辆区域线进行延长,进而对车辆进行车辆区域划分,确定样本第一车辆区域。其中,车辆区域可以包括以下至少一个区域:车头区域、车尾区域、车门区域、车顶区域等区域。车辆区域还可以是车辆的多个区域的交界区域,例如可以是车尾区域和车顶区域的交界区域等。执行主体可以对第二样本车辆特征信息进行相同的处理,得到样本第二车辆区域。
第二步,分别获取上述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征。
之后,执行主体可以分别对样本第一车辆区域和样本第二车辆区域进行特征提取,得到对应样本第一车辆区域的第一区域特征和对应样本第二车辆区域的第二区域特征。其中,区域特征包括以下至少一项:线条组合特征、区域组合特征等区域特征。
第三步,分别对上述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值。
执行主体可以分别对上述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值。例如,执行主体可以根据样本第一车辆区域对应的车辆区域之间的相互关系(例如可以是车辆区域之间的位置关系、颜色匹配关系等)来对第一区域特征进行特征融合,得到第一区域特征值。其中,第一区域特征值可以包括至少一个类型(例如可以是位置、颜色等)的特征值。类似的,还可以得到第二区域特征值。
第四步,根据上述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
执行主体可以比较第一区域特征值和第二区域特征值得到差值。然后,执行主体可以根据差值计算样本相似度信息。例如,当差值大于设定第一阈值时,可以设置样本相似度信息为低;当差值大于第二阈值小于第一阈值时,可以设置样本相似度信息为中;当差值小于第二阈值时,可以设置样本相似度信息为高。其中,第一阈值可以大于第二阈值。
步骤206,根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
得到第一车辆相似度信息和第二车辆相似度信息后,执行主体可以根据第一车辆相似度信息和第二车辆相似度信息来计算第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
在本实施例的一些可选的实现方式中,所述根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度,可以包括以下步骤:
第一步,分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重。
为了兼顾图像的局部特征和全局特征,执行主体可以分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重。第一权重和第二权重的具体取值可以视实际需要而定。
第二步,将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
执行主体可以分别计算第一权重和第一车辆相似度信息的第一乘积,第二权重和第二车辆相似度信息的第二乘积。然后,执行主体可以将第一乘积和第二乘积的和作为车辆之间的相似度。
继续参见图3a,图3a是根据本实施例的用于获取车辆相似度的方法的应用场景的一个示意图。图3a为第一待处理图像,图3b为对应图3a的第二待处理图像。执行主体(例如图1所示的图像采集装置101)可以在第一待处理图像中选取一个白色框的第一区域和黑色框的第一区域;可以在第二待处理图像中选取一个白色框的第二区域和黑色框的第二区域。其中,白色框的第一区域和白色框的第二区域同为由车顶区域、后窗区域和车后窗区域的交界区域。黑色框的第一区域和黑色框的第二区域同为车后灯区域。然后,执行主体分别从白色框的第一区域和白色框的第二区域、黑色框的第一区域和黑色框的第二区域中获取第一车辆特征信息和第二车辆特征信息。之后,根据每一个第一区域的第一车辆特征信息与对应的每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;执行主体分别获取第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;将第三车辆特征信息和第四车辆特征信息导入车辆识别模型,得到第二车辆相似度信息;最后,根据第一车辆相似度信息和第二车辆相似度信息,计算第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度可以是:0.9。
本公开的上述实施例提供的方法,首先,分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息,根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;然后,分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息,将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;最后,根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。本申请的技术方案提高了对车辆识别的准确性。
进一步参考图4,其示出了车辆识别模型训练方法的又一个实施例的流程400。该车辆识别模型训练方法的流程400,包括以下步骤:
步骤401,获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息。
在本实施例中,车辆识别模型训练方法的执行主体(例如图1所示的图像采集装置101和/或服务器103)可以获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息。
步骤402,将上述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息。
执行主体可以将多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,从而得到多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息。这里,执行主体可以将每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息从初始车辆识别模型的输入侧输入,依次经过初始车辆识别模型中的各层的参数的处理,并从初始车辆识别模型的输出侧输出,输出侧输出的信息即为该样本车辆图像组所对应的预测相似度信息。其中,初始车辆识别模型可以是未经训练的深度学习模型(卷积神经网络等)或未训练完成的深度学习模型,其各层设置有初始化参数,初始化参数在深度学习模型的训练过程中可以被不断地调整。
步骤403,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到上述初始车辆识别模型的预测准确率。
在本实施例中,基于步骤402所得到的多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,执行主体可以将多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,从而得到初始车辆识别模型的预测准确率。
步骤404,确定上述预测准确率是否大于预设准确率阈值。
在本实施例中,基于步骤403所得到的初始车辆识别模型的预测准确率,执行主体可以将初始车辆识别模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值,则执行步骤405;若不大于预设准确率阈值,则执行步骤406。
步骤405,将上述初始车辆识别模型作为训练完成的车辆识别模型。
在本实施例中,在初始车辆识别模型的预测准确率大于预设准确率阈值的情况下,说明该车辆识别模型训练完成,此时,执行主体可以将初始车辆识别模型作为训练完成的车辆识别模型。
步骤406,调整上述初始车辆识别模型的参数。
在本实施例中,在初始车辆识别模型的预测准确率不大于预设准确率阈值的情况下,执行主体可以调整初始车辆识别模型的参数,并返回执行步骤402。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于获取车辆相似度的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于获取车辆相似度的装置500可以包括:图像区域选择单元501、第一特征信息获取单元502、第一车辆相似度信息获取单元503、第二特征信息获取单元504、第二车辆相似度信息获取单元505和相似度计算单元506。其中,图像区域选择单元501,被配置成分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;第一特征信息获取单元502,被配置成分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;第一车辆相似度信息获取单元503,被配置成根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;第二特征信息获取单元504,被配置成分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;第二车辆相似度信息获取单元505,被配置成将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;相似度计算单元506,被配置成根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
在本实施例的一些可选的实现方式中,所述第一车辆相似度信息获取单元503可以包括:子相似度信息计算子单元(图中未示出)和第一车辆相似度信息获取子单元(图中未示出)。其中,子相似度信息计算子单元,对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,被配置成计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息;第一车辆相似度信息获取子单元被配置成将多个子相似度信息的和作为第一车辆相似度信息。
在本实施例的一些可选的实现方式中,上述用于获取车辆相似度的装置500还可以包括车辆识别模型训练单元(图中未示出),被配置成训练车辆识别模型,上述车辆识别模型训练单元可以包括:样本信息获取子单元(图中未示出)和车辆识别模型训练子单元(图中未示出)。其中,样本信息获取子单元被配置成获取多个样本车辆图像组和对应上述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息,其中,样本车辆图像组包括包含车辆图像的第一样本车辆子图像和包含车辆图像的第二样本车辆子图像,第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息,样本相似度信息用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息包括以下至少一项:车辆轮廓线、车辆区域线;车辆识别模型训练子单元被配置成将上述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的上述样本相似度信息作为输出,训练得到上述车辆识别模型。
在本实施例的一些可选的实现方式中,上述车辆识别模型训练子单元可以包括:车辆识别模型训练模块(图中未示出),被配置成将上述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,将上述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到上述初始车辆识别模型的预测准确率,确定上述预测准确率是否大于预设准确率阈值,若大于上述预设准确率阈值,则将上述初始车辆识别模型作为训练完成的车辆识别模型。
在本实施例的一些可选的实现方式中,上述车辆识别模型训练子单元可以包括:参数调整模块(图中未示出),响应于不大于上述预设准确率阈值,被配置成调整上述初始车辆识别模型的参数,并返回车辆识别模型训练模块。
在本实施例的一些可选的实现方式中,上述用于获取车辆相似度的装置500还可以包括样本相似度信息获取单元(图中未示出),被配置成获取样本相似度信息,上述样本相似度信息获取单元可以包括:样本车辆区域获取子单元(图中未示出)、区域特征获取子单元(图中未示出)、区域特征值获取子单元(图中未示出)和样本相似度信息计算子单元(图中未示出)。其中,样本车辆区域获取子单元被配置成根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域;区域特征获取子单元被配置成分别获取上述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征,其中,区域特征包括以下至少一项:线条组合特征、区域组合特征;区域特征值获取子单元被配置成分别对上述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值;样本相似度信息计算子单元被配置成根据上述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
在本实施例的一些可选的实现方式中,所述相似度计算单元506可以包括:权重设置子单元(图中未示出)和相似度计算子单元(图中未示出)。其中,权重设置子单元被配置成分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重;相似度计算子单元被配置成将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
本实施例还提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于获取车辆相似度的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于获取车辆相似度的方法。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如,图1中的服务器103)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的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可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机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***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开的各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像区域选择单元、第一特征信息获取单元、第一车辆相似度信息获取单元、第二特征信息获取单元、第二车辆相似度信息获取单元和相似度计算单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如相似度计算单元还可以被描述为“用于通过第一车辆相似度信息和第二车辆相似度信息计算两张车辆图像之间相似度的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于获取车辆相似度的方法,包括:
分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;
分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;
根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;
分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;
将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;
根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
2.根据权利要求1所述的方法,其中,所述根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息,包括:
对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息;
将多个子相似度信息的和作为第一车辆相似度信息。
3.根据权利要求1所述的方法,其中,所述车辆识别模型通过以下步骤训练得到:
获取多个样本车辆图像组和对应所述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息,其中,样本车辆图像组包括包含车辆图像的第一样本车辆子图像和包含车辆图像的第二样本车辆子图像,第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息,样本相似度信息用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息包括以下至少一项:车辆轮廓线、车辆区域线;
将所述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的所述样本相似度信息作为输出,训练得到所述车辆识别模型。
4.根据权利要求3所述的方法,其中,所述将所述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的所述样本相似度信息作为输出,训练得到所述车辆识别模型,包括:
执行以下训练步骤:将所述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到所述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到所述初始车辆识别模型的预测准确率,确定所述预测准确率是否大于预设准确率阈值,若大于所述预设准确率阈值,则将所述初始车辆识别模型作为训练完成的车辆识别模型。
5.根据权利要求4所述的方法,其中,所述将所述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的所述样本相似度信息作为输出,训练得到所述车辆识别模型,包括:
响应于不大于所述预设准确率阈值,调整所述初始车辆识别模型的参数,并继续执行所述训练步骤。
6.根据权利要求3所述的方法,其中,所述样本相似度信息通过以下步骤得到:
根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域;
分别获取所述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征,其中,区域特征包括以下至少一项:线条组合特征、区域组合特征;
分别对所述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值;
根据所述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
7.根据权利要求1至6任意一项所述的方法,其中,所述根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度,包括:
分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重;
将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
8.一种用于获取车辆相似度的装置,包括:
图像区域选择单元,被配置成分别从第一待处理图像和第二待处理图像选取多个第一区域和多个第二区域,其中,所述第一待处理图像包含第一车辆图像,第二待处理图像包含第二车辆图像,所述多个第一区域中每个第一区域内的车辆位置和所述多个第二区域中每个第二区域内的车辆位置对应;
第一特征信息获取单元,被配置成分别从所述多个第一区域中的每一个第一区域获取第一车辆特征信息和从所述多个第二区域中的每一个第二区域获取第二车辆特征信息;
第一车辆相似度信息获取单元,被配置成根据所述每一个第一区域的第一车辆特征信息与对应的所述每一个第二区域的第二车辆特征信息的相似度,获得第一车辆相似度信息;
第二特征信息获取单元,被配置成分别获取所述第一待处理图像和第二待处理图像的第三车辆特征信息和第四车辆特征信息;
第二车辆相似度信息获取单元,被配置成将所述第三车辆特征信息和第四车辆特征信息导入预先训练的车辆识别模型,得到第二车辆相似度信息;
相似度计算单元,被配置成根据所述第一车辆相似度信息和所述第二车辆相似度信息,计算所述第一车辆图像对应的车辆和第二车辆图像对应的车辆之间的相似度。
9.根据权利要求8所述的装置,其中,所述第一车辆相似度信息获取单元包括:
子相似度信息计算子单元,对于多个第一车辆特征信息和多个第二车辆特征信息中的第一车辆特征信息和第二车辆特征信息,被配置成计算第一车辆特征信息和对应该第一车辆特征信息的第二车辆特征信息之间的子相似度信息;
第一车辆相似度信息获取子单元,被配置成将多个子相似度信息的和作为第一车辆相似度信息。
10.根据权利要求8所述的装置,其中,所述装置还包括车辆识别模型训练单元,被配置成训练车辆识别模型,所述车辆识别模型训练单元包括:
样本信息获取子单元,被配置成获取多个样本车辆图像组和对应所述多个样本车辆图像组中每个样本车辆图像组对应的第一样本车辆特征信息、第二样本车辆特征信息和样本相似度信息,其中,样本车辆图像组包括包含车辆图像的第一样本车辆子图像和包含车辆图像的第二样本车辆子图像,第一样本车辆子图像与第一样本车辆特征信息对应,第二样本车辆子图像与第二样本车辆特征信息,样本相似度信息用于表征第一样本车辆子图像和第二样本车辆子图像之间的相似度,样本车辆特征信息包括以下至少一项:车辆轮廓线、车辆区域线;
车辆识别模型训练子单元,被配置成将所述多个样本车辆图像组的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息作为输入,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的所述样本相似度信息作为输出,训练得到所述车辆识别模型。
11.根据权利要求10所述的装置,其中,所述车辆识别模型训练子单元包括:
车辆识别模型训练模块,被配置成将所述多个样本车辆图像组中的每个样本车辆图像组的第一样本车辆特征信息和第二样本车辆特征信息依次输入至初始车辆识别模型,得到所述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息,将所述多个样本车辆图像组中的每个样本车辆图像组所对应的预测相似度信息与该样本车辆图像组所对应的样本相似度信息进行比较,得到所述初始车辆识别模型的预测准确率,确定所述预测准确率是否大于预设准确率阈值,若大于所述预设准确率阈值,则将所述初始车辆识别模型作为训练完成的车辆识别模型。
12.根据权利要求11所述的装置,其中,所述车辆识别模型训练子单元包括:
参数调整模块,响应于不大于所述预设准确率阈值,被配置成调整所述初始车辆识别模型的参数,并返回车辆识别模型训练模块。
13.根据权利要求10所述的装置,其中,所述装置还包括样本相似度信息获取单元,被配置成获取样本相似度信息,所述样本相似度信息获取单元包括:
样本车辆区域获取子单元,被配置成根据样本车辆图像组包含的第一样本车辆子图像和第二样本车辆子图像分别对应的第一样本车辆特征信息和第二样本车辆特征信息确定样本第一车辆区域和样本第二车辆区域;
区域特征获取子单元,被配置成分别获取所述样本第一车辆区域和样本第二车辆区域的样本第一车辆区域的第一区域特征和第二区域特征,其中,区域特征包括以下至少一项:线条组合特征、区域组合特征;
区域特征值获取子单元,被配置成分别对所述第一区域特征和第二区域特征进行特征融合,得到第一区域特征值和第二区域特征值;
样本相似度信息计算子单元,被配置成根据所述第一区域特征值和第二区域特征值之间的差值计算样本相似度信息。
14.根据权利要求8至13任意一项所述的装置,其中,所述相似度计算单元包括:
权重设置子单元,被配置成分别为所述第一车辆相似度信息和所述第二车辆相似度信息设置第一权重和第二权重;
相似度计算子单元,被配置成将所述第一权重和第一车辆相似度信息的第一乘积,与第二权重和第二车辆相似度信息的第二乘积之间的和作为车辆之间的相似度。
15.一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,
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执行权利要求1至7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441616.5A CN110135517B (zh) | 2019-05-24 | 2019-05-24 | 用于获取车辆相似度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441616.5A CN110135517B (zh) | 2019-05-24 | 2019-05-24 | 用于获取车辆相似度的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135517A true CN110135517A (zh) | 2019-08-16 |
CN110135517B CN110135517B (zh) | 2023-04-07 |
Family
ID=67581863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910441616.5A Active CN110135517B (zh) | 2019-05-24 | 2019-05-24 | 用于获取车辆相似度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135517B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738228A (zh) * | 2020-08-04 | 2020-10-02 | 杭州智诚惠通科技有限公司 | 一种面向治超证据链校验的多视角车辆特征匹配方法 |
CN112200783A (zh) * | 2020-09-30 | 2021-01-08 | 北京搜狗科技发展有限公司 | 一种商品图像的处理方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090164059A1 (en) * | 2007-12-20 | 2009-06-25 | Denso Corporation | Vehicle verification apparatus and vehicle control system using the same |
CN103246876A (zh) * | 2013-05-10 | 2013-08-14 | 苏州祥益网络科技有限公司 | 基于图像特征比对的车辆套牌识别方法 |
CN105279971A (zh) * | 2015-10-09 | 2016-01-27 | 北京易华录信息技术股份有限公司 | 一种车辆信息匹配方法、***及监控装置 |
CN106228179A (zh) * | 2016-07-13 | 2016-12-14 | 乐视控股(北京)有限公司 | 车辆比对的方法和*** |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107016061A (zh) * | 2017-03-15 | 2017-08-04 | 海尔优家智能科技(北京)有限公司 | 视频监控文件处理方法及装置 |
US20170255902A1 (en) * | 2016-03-02 | 2017-09-07 | International Business Machines Corporation | Vehicle identification and interception |
CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技(深圳)有限公司 | 车辆的识别方法及装置 |
WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
CN109166120A (zh) * | 2018-09-11 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN109446905A (zh) * | 2018-09-26 | 2019-03-08 | 深圳壹账通智能科技有限公司 | 电子签名审核方法、装置、计算机设备和存储介质 |
CN109784415A (zh) * | 2019-01-25 | 2019-05-21 | 北京地平线机器人技术研发有限公司 | 图像识别方法及装置、训练卷积神经网络的方法及装置 |
-
2019
- 2019-05-24 CN CN201910441616.5A patent/CN110135517B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090164059A1 (en) * | 2007-12-20 | 2009-06-25 | Denso Corporation | Vehicle verification apparatus and vehicle control system using the same |
CN103246876A (zh) * | 2013-05-10 | 2013-08-14 | 苏州祥益网络科技有限公司 | 基于图像特征比对的车辆套牌识别方法 |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN105279971A (zh) * | 2015-10-09 | 2016-01-27 | 北京易华录信息技术股份有限公司 | 一种车辆信息匹配方法、***及监控装置 |
US20170255902A1 (en) * | 2016-03-02 | 2017-09-07 | International Business Machines Corporation | Vehicle identification and interception |
CN106228179A (zh) * | 2016-07-13 | 2016-12-14 | 乐视控股(北京)有限公司 | 车辆比对的方法和*** |
WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
CN106548145A (zh) * | 2016-10-31 | 2017-03-29 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技(深圳)有限公司 | 车辆的识别方法及装置 |
CN107016061A (zh) * | 2017-03-15 | 2017-08-04 | 海尔优家智能科技(北京)有限公司 | 视频监控文件处理方法及装置 |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108596277A (zh) * | 2018-05-10 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种车辆身份识别方法、装置和存储介质 |
CN109166120A (zh) * | 2018-09-11 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于获取信息的方法及装置 |
CN109446905A (zh) * | 2018-09-26 | 2019-03-08 | 深圳壹账通智能科技有限公司 | 电子签名审核方法、装置、计算机设备和存储介质 |
CN109784415A (zh) * | 2019-01-25 | 2019-05-21 | 北京地平线机器人技术研发有限公司 | 图像识别方法及装置、训练卷积神经网络的方法及装置 |
Non-Patent Citations (2)
Title |
---|
LI-HUNG WANG ETAL.: "A real-time architecture of multiple features extraction for vehicle verification", 《2014 IEEE ASIA PACIFIC CONFERENCE ON CIRCUITS AND SYSTEMS (APCCAS)》 * |
蔡晓东等: "基于多分支卷积神经网络的车辆图像比对方法", 《电视技术》, vol. 40, no. 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738228A (zh) * | 2020-08-04 | 2020-10-02 | 杭州智诚惠通科技有限公司 | 一种面向治超证据链校验的多视角车辆特征匹配方法 |
CN112200783A (zh) * | 2020-09-30 | 2021-01-08 | 北京搜狗科技发展有限公司 | 一种商品图像的处理方法及装置 |
CN112200783B (zh) * | 2020-09-30 | 2024-06-28 | 北京搜狗科技发展有限公司 | 一种商品图像的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110135517B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163153A (zh) | 用于识别交通标志牌边界的方法及装置 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN109902186A (zh) | 用于生成神经网络的方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN109214584A (zh) | 用于预测客流量的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109145781A (zh) | 用于处理图像的方法和装置 | |
CN108985259A (zh) | 人体动作识别方法和装置 | |
CN107609502A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN107481292A (zh) | 车载摄像头的姿态误差估计方法和装置 | |
CN109767130A (zh) | 用于控制车辆的方法和装置 | |
CN110009059A (zh) | 用于生成模型的方法和装置 | |
CN108491823A (zh) | 用于生成人眼识别模型的方法和装置 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN110119725A (zh) | 用于检测信号灯的方法及装置 | |
CN107918963A (zh) | 用于车辆的信息生成方法和装置 | |
CN109472264A (zh) | 用于生成物体检测模型的方法和装置 | |
CN110197615A (zh) | 用于生成地图的方法及装置 | |
CN107515607A (zh) | 用于无人车的控制方法和装置 | |
CN107765691A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
CN109325996A (zh) | 用于生成信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |