CN110458086A - 车辆重识别方法及装置 - Google Patents
车辆重识别方法及装置 Download PDFInfo
- Publication number
- CN110458086A CN110458086A CN201910725794.0A CN201910725794A CN110458086A CN 110458086 A CN110458086 A CN 110458086A CN 201910725794 A CN201910725794 A CN 201910725794A CN 110458086 A CN110458086 A CN 110458086A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identified
- feature
- target
- attributive character
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种车辆重识别方法及装置,该方法包括:获取待识别图像,所述待识别图像中包括待识别车辆;根据待识别图像获取待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;将待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。本发明实施例提供的车辆重识别方法及装置,能够解决现有方案由于车辆的姿态不一致或者无法清楚获取到车牌号而导致的车辆重识别效果较差的问题。
Description
技术领域
本发明实施例涉及图像识别技术领域,尤其涉及一种车辆重识别方法及装置。
背景技术
车辆重识别指的是识别在待检测的图像中的车辆是否为目标车辆的过程。随着智能化产品的发展,车辆重识别在停车场、高速路口和收费站等处得到了广泛的应用。
现有的车辆重识别的方法,主要有两种,一种是通过提取待检测的图像中车辆的全局特征来进行识别,这种方法针对待检测的图像,提取车辆的全局特征,与目标车辆的全局特征进行比较,来判断待检测的车辆是否为目标车辆。但是,由于在对车辆进行拍摄时,可能会存在不同的方向,从而导致不同的待检测图片中的车辆的姿态不一致,当待检测图片中的车辆的姿态与目标车辆的姿态相差较大时,往往会将待检测的车辆判断为非目标车辆,导致误判概率较大。另一种是通过对待检测的车辆的车牌号来进行识别。由于理想情况下,不同的车辆具有不同的车牌号,因此根据车牌号可以判断待检测的车辆是否为目标车辆。但是,在实际拍摄中,有可能会出现没有拍摄到车牌号,或者车牌号拍摄不清楚的情况,从而导致车辆重识别失败。
因此,现在亟需一种车辆重识别方法解决现有方案由于车辆的姿态不一致或者无法清楚获取到车牌号而导致的车辆重识别效果较差的问题。
发明内容
本发明实施例提供一种车辆重识别方法及装置,以解决现有方案由于车辆的姿态不一致或者无法清楚获取到车牌号而导致的车辆重识别效果较差的问题。
第一方面,本发明实施例提供一种车辆重识别方法,包括:
获取待识别图像,所述待识别图像中包括待识别车辆;
根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;
将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
在一种可能的实现方式中,所述根据所述待识别图像获取所述待识别车辆的融合特征,包括:
根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的;
根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的;
根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的;
将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
在一种可能的实现方式中,所述根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,包括:
根据预定义局部块获取所述待识别车辆的检测局部块,所述预定义局部块为车辆的多个局部块,所述待识别车辆的检测局部块为所述待识别车辆的预定义局部块中的一个或多个;
根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述待识别车辆的检测局部块包括所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个,所述根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征,包括:
对每一个所述待识别车辆的检测局部块,根据对应的局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的检测局部块对应的局部特征;
根据每一个所述待识别车辆的检测局部块对应的局部特征,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,包括:
对每一个所述待识别车辆的车辆属性,根据对应的属性特征模型和所述待识别车辆的车辆属性,得到所述待识别车辆的车辆属性对应的属性特征,其中,车辆属性包括车辆类型、车辆品牌和车辆颜色;
根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,所述车辆属性还包括车牌号,所述根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征,包括:
获取所述待识别图像上的所述车牌号对应的置信度,所述置信度用于指示所述车牌号对应的属性特征的准确度;
根据每一个所述待识别车辆的车辆属性对应的属性特征和所述置信度,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,在所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果之前,所述方法还包括:
获取目标图像,所述目标图像中包括所述目标车辆;
根据所述目标图像获取所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征;
将所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合,得到所述目标车辆的融合特征。
在一种可能的实现方式中,所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,包括:
获取所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离;
若所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离未超过预设值,则所述待识别车辆与所述目标车辆为同一车辆。
第二方面,本发明实施例提供一种车辆重识别装置,包括:
获取模块,用于获取待识别图像,所述待识别图像中包括待识别车辆;
处理模块,用于根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;
识别模块,用于将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
在一种可能的实现方式中,所述处理模块具体用于:
根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的;
根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的;
根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的;
将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
在一种可能的实现方式中,所述处理模块具体用于:
根据预定义局部块获取所述待识别车辆的检测局部块,所述预定义局部块为车辆的多个局部块,所述待识别车辆的检测局部块为所述待识别车辆的预定义局部块中的一个或多个;
根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述待识别车辆的检测局部块包括所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个,所述处理模块具体用于:
对每一个所述待识别车辆的检测局部块,根据对应的局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的检测局部块对应的局部特征;
根据每一个所述待识别车辆的检测局部块对应的局部特征,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述处理模块具体用于:
对每一个所述待识别车辆的车辆属性,根据对应的属性特征模型和所述待识别车辆的车辆属性,得到所述待识别车辆的车辆属性对应的属性特征,其中,车辆属性包括车辆类型、车辆品牌和车辆颜色;
根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,所述车辆属性还包括车牌号,所述处理模块具体用于:
获取所述待识别图像上的所述车牌号对应的置信度,所述置信度用于指示所述车牌号对应的属性特征的准确度;
根据每一个所述待识别车辆的车辆属性对应的属性特征和所述置信度,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,在所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果之前,所述处理模块还用于:
获取目标图像,所述目标图像中包括所述目标车辆;
根据所述目标图像获取所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征;
将所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合,得到所述目标车辆的融合特征。
在一种可能的实现方式中,所述识别模块具体用于:
获取所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离;
若所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离未超过预设值,则所述待识别车辆与所述目标车辆为同一车辆。
第三方面,本发明实施例提供一种车辆重识别设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面任一项所述的车辆重识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面任一项所述的车辆重识别方法。
本发明实施例提供的车辆重识别方法及装置,首先获取待识别图像,其中待识别图像中包括待识别车辆,然后根据待识别图像获取待识别车辆的融合特征,最后将待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到待识别车辆的识别结果,本发明实施例中,融合特征是根据车辆的全局特征、局部特征和属性特征进行融合得到的,相比于现有的通过车辆的全局特征来进行识别,本发明实施例的方案,对待识别车辆的局部特征和属性特征也进行了提取,能够与全局特征起到互补的效果,在待识别的车辆与目标车辆的姿态或拍摄角度不一致时,通过全局特征、局部特征和属性特征三个方面综合判断,得到待识别车辆的识别结果,提高车辆姿态不一致时的车辆重识别效果。与通过车牌号来对车辆进行识别的方法,本发明实施例提供的方案,无需获取待识别车辆的车牌号也能够对车辆进行识别,从而提高了车辆重识别的适用范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆重识别***的结构示意图;
图2为本发明实施例提供的车辆重识别方法的流程示意图;
图3为本发明实施例提供的获取待识别车辆的融合特征的流程示意图;
图4为本发明实施例提供的预定义局部块的示意图一;
图5为本发明实施例提供的预定义局部块的示意图二;
图6为本发明实施例提供的预定义局部块的示意图三;
图7为本发明实施例提供的待识别车辆的示意图;
图8为本发明实施例提供的车辆重识别装置的结构示意图;
图9为本发明实施例提供的车辆重识别设备的硬件结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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。
图1为本发明实施例提供的车辆重识别***的结构示意图,如图1所示,包括服务器11和客户端12,服务器11和客户端12之间通过有线或无线网络连接。客户端12用于向服务器11发送待识别图像和目标图像,其中,待识别图像可以是通过监控设备获取的一帧图像然后发送到客户端12的,也可以是由监控设备获取的一段视频然后发送到客户端12,由客户端12将一段视频转换为多帧图像后发送给服务器11的。向服务器11发送目标图像和待识别图像的客户端可以为同一个,也可以为相互独立的两个客户端。服务器11在接收到待识别图像和目标图像后,对待识别图像上的待识别车辆进行识别,判断待识别车辆和目标图像上的目标车辆是否为同一车辆。
下面以具体的实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例提供的车辆重识别方法的流程示意图,如图2所示,包括:
步骤21,获取待识别图像,所述待识别图像中包括待识别车辆。
车辆重识别的目的是,对于给定的目标车辆a,在给定的场景和给定的时间内重新找出与目标车辆a相同的车辆a'。其中,可以通过监控设备或其他类型的摄像设备,对待识别车辆进行拍摄,得到待识别图像,每一幅待识别图像上都包括待识别车辆。在待识别图像上,待识别车辆的大小,角度和行驶方向都可能不同。
步骤22,根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的。
待识别车辆的融合特征可以由待识别车辆的全局特征、局部特征和属性特征进行融合得到,首先根据待识别图像,来提取待识别车辆的全局特征、局部特征和属性特征,提取的方式可以通过训练相应的深度神经网络模型来进行。针对待识别车辆的全局特征、局部特征和属性特征,分析训练对应的深度神经网络模型,然后将待识别图像输入各个训练好的深度神经网络模型中,分别得到待识别车辆的全局特征、局部特征和属性特征。最后,将全局特征、局部特征和属性特征进行特征融合,得到待识别车辆的融合特征。
步骤23,将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
对于目标车辆,可以采取与获取待识别车辆的融合特征相类似的方式来获取目标车辆的融合特征。得到目标车辆的融合特征后,将目标车辆的融合特征与待识别车辆的融合特征进行比较。例如,可以进行相似度计算的方式来比较待识别车辆的融合特征和目标车辆的融合特征,当待识别车辆的融合特征与目标车辆的融合特征相似度较高时,可以判定待识别车辆和目标车辆为同一车辆,反之,则判定待识别车辆和目标车辆不是同一车辆。
本发明实施例提供的车辆重识别方法,首先获取待识别图像,其中待识别图像中包括待识别车辆,然后根据待识别图像获取待识别车辆的融合特征,最后将待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到待识别车辆的识别结果,本发明实施例中,融合特征是根据车辆的全局特征、局部特征和属性特征进行融合得到的,相比于现有的通过车辆的全局特征来进行识别,本发明实施例的方案,对待识别车辆的局部特征和属性特征也进行了提取,能够与全局特征起到互补的效果,在待识别的车辆与目标车辆的姿态或拍摄角度不一致时,通过全局特征、局部特征和属性特征三个方面综合判断,得到待识别车辆的识别结果,提高车辆姿态不一致时的车辆重识别效果。与通过车牌号来对车辆进行识别的方法,本发明实施例提供的方案,无需获取待识别车辆的车牌号也能够对车辆进行识别,从而提高了车辆重识别的适用范围。
下面结合图3,并采用具体的实施例,对本发明实施例的方案进行详细说明。图3为本发明实施例提供的获取待识别车辆的融合特征的流程示意图,如图3所示,包括:
步骤31,根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的。
在对待识别车辆进行全局特征提取之前,首先要对全局特征模型进行训练。训练时,需要获取多帧第一样本图像,每一帧第一样本图像中都包括一辆车辆。对于每一辆车辆,会为其分配一个唯一的标识,例如,可以为每一辆车辆分配一个ID号,根据ID号能够唯一确定对应的车辆。对于每一帧第一样本图像,将其中的背景部分去除,得到第一车辆图像。然后将第一车辆图像输入到全局特征模型中,得到全局特征模型提取的全局特征。对全局特征模型提取的全局特征进行相应的处理,得到对应的车辆ID,然后将对应的车辆ID与样本车辆的ID进行比对,根据比对结果来训练全局特征模型,得到训练好的全局特征模型。
然后,将待识别图像输入训练好的全局特征模型中,即可得到待识别车辆的全局特征。
步骤32,根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的。
首先,根据预定义局部块获取待识别车辆的检测局部块,其中,预定义局部块为车辆的多个局部块,且预定义局部块为感兴趣区域对应的局部块,而待识别车辆的检测局部块为待识别车辆的预定义局部块中的一个或多个。
预定义局部块可以根据实际需要指定,例如车灯、车轮等等。本发明实施例为了减少过小的局部块带来的噪声影响,在设定预定义局部块时,选择的是相对较大的局部块。例如,可以将预定义局部块设定为前车窗、后车窗、车前脸、车后脸以及车侧身等。此时,待识别车辆的检测局部块则为所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个。图4为本发明实施例提供的预定义局部块的示意图一,如图4所示,包括车前脸41和前车窗42。图5为本发明实施例提供的预定义局部块的示意图二,如图5所示,包括车侧身51。图6为本发明实施例提供的预定义局部块的示意图三,如图6所示,包括后车窗61和车后脸62。
针对不同的预定义局部块,可以训练对应的局部特征模型,来对待识别车辆的局部特征进行提取。
例如,可以训练针对车后脸的局部特征模型,将待识别图像输入至该模型中。若待识别图像为从正面进行拍摄的待识别车辆,此时待识别图像上没有车后脸,则无法对车后脸的特征进行提取。
而待识别车辆的检测局部块则是待识别车辆的预定义局部块中,在待识别图像上有显示的局部块。由于拍摄的角度等原因,在一副待识别图像中,无法完全显示出待识别车辆的所有面,例如,若从待识别车辆的正面进行拍摄,则待识别图像中可以显示出待识别车辆的车前脸,而无法显示出待识别车辆的车后脸。图7为本发明实施例提供的待识别车辆的示意图,如图7所示,拍摄该待识别车辆时,摄像机位于待识别车辆的左前方,此时从图像中可以显示出待识别车辆的前车窗71、车前脸72和车侧身73,但是无法显示待识别车辆的后车窗和车后脸,此时针对图7中的待识别车辆,对应的检测局部块即为前车窗71、车前脸72和车侧身73。又例如,在正面进行拍摄待识别车辆的待识别图像中,能够显示出车前脸、前车窗和车侧身,无法显示出后车窗和车后脸,则此时对于待识别图像,其待识别车辆的检测局部块为待识别车辆的车前脸、前车窗和车侧身。
而对于每一幅待识别图像,都会有预定义局部块对应的局部特征模型,将待识别图像分别输入每一个预定义局部块对应的局部特征模型,对于不是待识别车辆的检测局部块对应的模型,无法提取对应的局部特征,而对于每一个待识别车辆的检测局部块,能够根据对应的局部特征模型和待识别车辆的检测局部块,得到待识别车辆的检测局部块对应的局部特征。
而对于每一个预定义局部块对应的局部特征模型,需要进行训练得到。首先可以获取多帧第二样本图像,其中每一帧第二样本图像中都包括一辆样本车辆,且都包括对应的预定义局部块。例如,训练车前脸对应的局部特征模型时,选取多帧包括样本车辆的车前脸的第二样本图像,每一帧第二样本图像的角度和姿态可以各不相同,因此,每一帧第二样本图像中的样本车辆的车前脸所处的位置、大小和角度等各不相同。
进一步的,在训练车前脸对应的局部特征模型时,将第二样本图像中样本车辆的车前脸图像输入到车前脸对应的局部特征模型中,其中车前脸图像为第二样本图像中去除了背景部分和样本车辆中其他部分,仅保留了样本车辆的车前脸部分的图像。对于每一辆车辆,会为其分配一个唯一的标识,例如,可以为每一辆车辆分配一个ID号,根据ID号能够唯一确定对应的车辆。然后将车前脸图像输入到车前脸对应的局部特征模型中,得到车前脸对应的局部特征模型提取的局部特征。对车前脸对应的局部特征模型提取的局部特征进行相应的处理,得到对应的车辆ID,然后将对应的车辆ID与样本车辆的ID进行比对,根据比对结果来训练车前脸对应的局部特征模型,得到训练好的车前脸对应的局部特征模型。
对于每一个预定义局部块的局部特征模型的训练过程,与车前脸对应的局部特征模型的训练过程类似,此处不再赘述。
得到每一个待识别车辆的检测局部块对应的局部特征后,将其综合即可得到待识别车辆的局部特征。
步骤33,根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的。
车辆的属性包括多种,例如包括车辆类型、车辆品牌和车辆颜色等。车辆类型包括小轿车、货车、卡车以及电动车等类型,对于同一辆车,不论从什么角度和姿势进行拍摄,其车辆类型一定的一致的。例如,若待识别车辆为货车,而目标车辆为小轿车,则待识别车辆和目标车辆一定不是同一车辆。同样的,对于同一辆车,其车辆品牌和车辆颜色也应当是一致的。相反的,车辆类型、车辆品牌和车辆颜色相同的车辆,却不一定是同一车辆。因此,只对属性特征进行识别,是不可靠的。
本发明实施例通过深度神经网络模型对待识别车辆的属性特征进行识别。对于每一个车辆属性,都需要训练对应的属性特征模型。例如,针对车辆类型,首先获取多帧第三样本图像,每一帧第三样本图像中都包括一辆样本车辆,且多帧第三样本图像中的样本车辆的车辆类型不同。
对于每一辆车辆,会为其分配一个唯一的标识,例如,可以为每一辆车辆分配一个ID号,根据ID号能够唯一确定对应的车辆。进一步的,在训练车辆类型对应的属性特征模型时,对于每一帧第三样本图像,将其中的背景部分去除,得到第二车辆图像。然后将第二车辆图像输入到车辆类型对应的属性特征模型中,得到车辆类型对应的特征模型提取的车辆类型特征。对车辆类型对应的特征模型提取的车辆类型特征进行相应的处理,得到对应的车辆ID,然后将对应的车辆ID与样本车辆的ID进行比对,根据比对结果来训练车辆类型对应的特征模型,得到训练好的车辆类型对应的特征模型。
对于每一个车辆属性的属性特征模型的训练过程,与车辆类型对应的属性特征模型的训练过程类似,此处不再赘述。
得到每一个待识别车辆的车辆属性对应的属性特征后,将其综合即可得到待识别车辆的属性特征。
可以理解的是,多帧第一样本图像、多帧第二样本图像和多帧第三样本图像,可以为多帧同一样本图像,也可以为各自独立的不同的多帧样本图像,此处不作特别限定。
在车辆属性中,还包括一个重要的属性,即车牌号。理想情况下,每一辆车都对应一个不同的车牌号,因此如果能够获取到车辆的车牌号,则对于车辆的重识别具有重要意义。然而,并非所有的待识别图像中都能捕捉到待识别车辆的车牌信息,因此对于车牌号属性特征的提取,仅针对能够捕捉待识别车辆的车牌信息的待识别图像。
对于有显示车牌信息的待识别图像,首先获取待识别图像上的车牌号对应的置信度。获取置信度的目的是得到车牌号对应的属性特征的准确度。实际中,部分待识别图像能够将待识别车辆的车牌号拍摄进去,但是存在一些情况,例如车牌号在待识别图像上比较小、拍摄车牌号的角度倾斜过大以及拍摄画面不清楚等情况,以至于看不清待识别车辆的具体车牌,此时置信度即为反映车牌号的准确度的参数。通过置信度,能够得到获取的车牌号的可信度,其中置信度为一个0-1范围内的数,当置信度为0时,表明获取到的车牌号不可信,当置信度为1时,表明能够通过待识别图像清楚的获取待识别车辆的车牌号。置信度越大,表明车牌号越可信,其参考价值越大。得到待识别车辆的车牌号和置信度后,即可得到待识别车辆的车牌信息对应的属性特征。
步骤34,将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
对待识别车辆的全局特征、局部特征和属性特征进行融合,即对待识别车辆的全局特征、局部特征和属性特征在相同维度上进行拼接操作,得到待识别车辆的融合特征。
在得到待识别车辆的融合特征后,需要获取目标车辆的融合特征,从而进行比较。目标车辆的融合特征的获取与待识别车辆的融合特征的获取过程类似,通过深度神经网络模型来对目标车辆的全局特征、局部特征和属性特征进行提取。首先要针对目标车辆获取样本图像,其中每一帧样本图像中都包括该目标车辆。然后将样本图像输入到全局特征模型中,根据识别的全局特征得到识别出的车辆的ID,将其与目标车辆的ID进行比较,从而对全局特征模型进行训练,最终得到训练好的全局特征模型。将目标图像输入训练好的全局特征模型,提取到目标车辆的全局特征。
同样的方法,来提取目标车辆的局部特征和属性特征,然后将目标车辆的全局特征、局部特征和属性特征进行融合,即对目标车辆的全局特征、局部特征和属性特征在相同维度上进行拼接操作,最后得到目标车辆的融合特征。
由于通过深度神经网络提取的特征最后都是以向量的形式表示的,因此最终得到的待识别车辆的融合特征和目标车辆的融合特征都是一个向量。将待识别车辆的融合特征与目标车辆的融合特征进行比较,具体的,可以获取待识别车辆的融合特征和目标车辆的融合特征之间的距离,例如可以计算待识别车辆的融合特征向量和目标车辆的融合特征向量之间的余弦距离,然后将其与预设值进行比较。若余弦距离未超过预设值,则表明待识别车辆与目标车辆的相似度较高,此时认为待识别车辆和目标车辆为同一车辆;若余弦距离超过预设值,则表明待识别车辆与目标车辆的相似度较低,此时认为待识别车辆和目标车辆不是同一车辆。
本发明实施例提供的车辆重识别方法,首先获取待识别图像,其中待识别图像中包括待识别车辆,然后根据待识别图像获取待识别车辆的融合特征,最后计算待识别车辆的融合特征与目标车辆的融合特征之间的余弦距离,根据余弦距离得到待识别车辆的识别结果,本发明实施例中,融合特征是根据车辆的全局特征、局部特征和属性特征进行融合得到的,相比于现有的通过车辆的全局特征来进行识别,本发明实施例的方案,对待识别车辆的局部特征和属性特征也进行了提取,能够与全局特征起到互补的效果,在待识别的车辆与目标车辆的姿态或拍摄角度不一致时,通过全局特征、局部特征和属性特征三个方面综合判断,得到待识别车辆的识别结果,提高车辆姿态不一致时的车辆重识别效果。与通过车牌号来对车辆进行识别的方法,本发明实施例提供的方案,无需获取待识别车辆的车牌号也能够对车辆进行识别,从而提高了车辆重识别的适用范围。且本发明实施例中的局部特征选取的是车前脸、车后脸等较大快的局部特征,能够减少过小的局部块带来的噪声影响,从而减小识别误差。
图8为本发明实施例提供的车辆重识别装置的结构示意图,如图8所示,包括获取模块81、处理模块82和识别模块83,其中:
获取模块81用于获取待识别图像,所述待识别图像中包括待识别车辆;
处理模块82用于根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;
识别模块83用于将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
在一种可能的实现方式中,所述处理模块82具体用于:
根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的;
根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的;
根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的;
将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
在一种可能的实现方式中,所述处理模块82具体用于:
根据预定义局部块获取所述待识别车辆的检测局部块,所述预定义局部块为车辆的多个局部块,所述待识别车辆的检测局部块为所述待识别车辆的预定义局部块中的一个或多个;
根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述待识别车辆的检测局部块包括所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个,所述处理模块82具体用于:
对每一个所述待识别车辆的检测局部块,根据对应的局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的检测局部块对应的局部特征;
根据每一个所述待识别车辆的检测局部块对应的局部特征,得到所述待识别车辆的局部特征。
在一种可能的实现方式中,所述处理模块82具体用于:
对每一个所述待识别车辆的车辆属性,根据对应的属性特征模型和所述待识别车辆的车辆属性,得到所述待识别车辆的车辆属性对应的属性特征,其中,车辆属性包括车辆类型、车辆品牌和车辆颜色;
根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,所述车辆属性还包括车牌号,所述处理模块82具体用于:
获取所述待识别图像上的所述车牌号对应的置信度,所述置信度用于指示所述车牌号对应的属性特征的准确度;
根据每一个所述待识别车辆的车辆属性对应的属性特征和所述置信度,得到所述待识别车辆的属性特征。
在一种可能的实现方式中,在所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果之前,所述处理模块82还用于:
获取目标图像,所述目标图像中包括所述目标车辆;
根据所述目标图像获取所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征;
将所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合,得到所述目标车辆的融合特征。
在一种可能的实现方式中,所述识别模块83具体用于:
获取所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离;
若所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离未超过预设值,则所述待识别车辆与所述目标车辆为同一车辆。
本发明实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本发明实施例提供的车辆重识别设备的硬件结构示意图,如图9所示,该车辆重识别设备包括:至少一个处理器91和存储器92。其中,处理器91和存储器92通过总线93连接。
可选地,该模型确定还包括通信部件。例如,通信部件可以包括接收器和/或发送器。
在具体实现过程中,至少一个处理器91执行所述存储器92存储的计算机执行指令,使得至少一个处理器91执行如上的车辆重识别方法。
处理器91的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述图9所示的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的车辆重识别方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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-OnlyMemory)、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。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (18)
1.一种车辆重识别方法,其特征在于,包括:
获取待识别图像,所述待识别图像中包括待识别车辆;
根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;
将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待识别图像获取所述待识别车辆的融合特征,包括:
根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的;
根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的;
根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的;
将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
3.根据权利要求2所述的方法,其特征在于,所述根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,包括:
根据预定义局部块获取所述待识别车辆的检测局部块,所述预定义局部块为车辆的多个局部块,所述待识别车辆的检测局部块为所述待识别车辆的预定义局部块中的一个或多个;
根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征。
4.根据权利要求3所述的方法,其特征在于,所述待识别车辆的检测局部块包括所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个,所述根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征,包括:
对每一个所述待识别车辆的检测局部块,根据对应的局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的检测局部块对应的局部特征;
根据每一个所述待识别车辆的检测局部块对应的局部特征,得到所述待识别车辆的局部特征。
5.根据权利要求2所述的方法,其特征在于,所述根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,包括:
对每一个所述待识别车辆的车辆属性,根据对应的属性特征模型和所述待识别车辆的车辆属性,得到所述待识别车辆的车辆属性对应的属性特征,其中,车辆属性包括车辆类型、车辆品牌和车辆颜色;
根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征。
6.根据权利要求5所述的方法,其特征在于,所述车辆属性还包括车牌号,所述根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征,包括:
获取所述待识别图像上的所述车牌号对应的置信度,所述置信度用于指示所述车牌号对应的属性特征的准确度;
根据每一个所述待识别车辆的车辆属性对应的属性特征和所述置信度,得到所述待识别车辆的属性特征。
7.根据权利要求1所述的方法,其特征在于,在所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果之前,所述方法还包括:
获取目标图像,所述目标图像中包括所述目标车辆;
根据所述目标图像获取所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征;
将所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合,得到所述目标车辆的融合特征。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,包括:
获取所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离;
若所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离未超过预设值,则所述待识别车辆与所述目标车辆为同一车辆。
9.一种车辆重识别装置,其特征在于,包括:
获取模块,用于获取待识别图像,所述待识别图像中包括待识别车辆;
处理模块,用于根据所述待识别图像获取所述待识别车辆的融合特征,所述融合特征是根据所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合得到的;
识别模块,用于将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果,其中,所述目标车辆的融合特征是根据所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合得到的。
10.根据权利要求9所述的装置,其特征在于,所述处理模块具体用于:
根据全局特征模型获取所述待识别图像中所述待识别车辆的全局特征,所述全局特征模型是根据多帧第一样本图像进行训练得到的;
根据局部特征模型获取所述待识别图像中所述待识别车辆的局部特征,所述局部特征模型是根据多帧第二样本图像进行训练得到的;
根据属性特征模型获取所述待识别图像中所述待识别车辆的属性特征,所述属性特征模型是根据多帧第三样本图像进行训练得到的;
将所述待识别车辆的全局特征、所述待识别车辆的局部特征和所述待识别车辆的属性特征进行融合,得到所述待识别车辆的融合特征。
11.根据权利要求10所述的装置,其特征在于,所述处理模块具体用于:
根据预定义局部块获取所述待识别车辆的检测局部块,所述预定义局部块为车辆的多个局部块,所述待识别车辆的检测局部块为所述待识别车辆的预定义局部块中的一个或多个;
根据所述局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的局部特征。
12.根据权利要求11所述的装置,其特征在于,所述待识别车辆的检测局部块包括所述待识别车辆的前车窗、所述待识别车辆的后车窗、所述待识别车辆的车前脸、所述待识别车辆的车后脸和所述待识别车辆的车侧身中的一个或多个,所述处理模块具体用于:
对每一个所述待识别车辆的检测局部块,根据对应的局部特征模型和所述待识别车辆的检测局部块,得到所述待识别车辆的检测局部块对应的局部特征;
根据每一个所述待识别车辆的检测局部块对应的局部特征,得到所述待识别车辆的局部特征。
13.根据权利要求11所述的装置,其特征在于,所述处理模块具体用于:
对每一个所述待识别车辆的车辆属性,根据对应的属性特征模型和所述待识别车辆的车辆属性,得到所述待识别车辆的车辆属性对应的属性特征,其中,车辆属性包括车辆类型、车辆品牌和车辆颜色;
根据每一个所述待识别车辆的车辆属性对应的属性特征,得到所述待识别车辆的属性特征。
14.根据权利要求13所述的装置,其特征在于,所述车辆属性还包括车牌号,所述处理模块具体用于:
获取所述待识别图像上的所述车牌号对应的置信度,所述置信度用于指示所述车牌号对应的属性特征的准确度;
根据每一个所述待识别车辆的车辆属性对应的属性特征和所述置信度,得到所述待识别车辆的属性特征。
15.根据权利要求9所述的装置,其特征在于,在所述将所述待识别车辆的融合特征与目标车辆的融合特征进行比较,根据比较结果得到所述待识别车辆的识别结果之前,所述处理模块还用于:
获取目标图像,所述目标图像中包括所述目标车辆;
根据所述目标图像获取所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征;
将所述目标车辆的全局特征、所述目标车辆的局部特征和所述目标车辆的属性特征进行融合,得到所述目标车辆的融合特征。
16.根据权利要求9-15任一项所述的装置,其特征在于,所述识别模块具体用于:
获取所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离;
若所述待识别车辆的融合特征和所述目标车辆的融合特征之间的距离未超过预设值,则所述待识别车辆与所述目标车辆为同一车辆。
17.一种车辆重识别设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至8任一项所述的车辆重识别方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至8任一项所述的车辆重识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725794.0A CN110458086A (zh) | 2019-08-07 | 2019-08-07 | 车辆重识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725794.0A CN110458086A (zh) | 2019-08-07 | 2019-08-07 | 车辆重识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458086A true CN110458086A (zh) | 2019-11-15 |
Family
ID=68485260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725794.0A Pending CN110458086A (zh) | 2019-08-07 | 2019-08-07 | 车辆重识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458086A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210192214A1 (en) * | 2020-06-30 | 2021-06-24 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle re-identification method, apparatus, device and storage medium |
CN113326768A (zh) * | 2021-05-28 | 2021-08-31 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
CN113569911A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113657462A (zh) * | 2021-07-28 | 2021-11-16 | 讯飞智元信息科技有限公司 | 用于训练车辆识别模型的方法、车辆识别方法和计算设备 |
CN114463707A (zh) * | 2022-02-10 | 2022-05-10 | 中国电信股份有限公司 | 车辆重识别方法、装置、存储介质及电子设备 |
CN114693863A (zh) * | 2020-12-29 | 2022-07-01 | 北京万集科技股份有限公司 | 一种基于激光雷达相机的车辆重识别方法及装置 |
CN116039583A (zh) * | 2022-09-08 | 2023-05-02 | 重庆长安汽车股份有限公司 | 车辆的制动方法、装置、车辆和存储介质 |
WO2023123818A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海商汤智能科技有限公司 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
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 |
CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、***及装置 |
CN110097068A (zh) * | 2019-01-17 | 2019-08-06 | 北京航空航天大学 | 相似车辆的识别方法和装置 |
-
2019
- 2019-08-07 CN CN201910725794.0A patent/CN110458086A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、***及装置 |
CN110097068A (zh) * | 2019-01-17 | 2019-08-06 | 北京航空航天大学 | 相似车辆的识别方法和装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210192214A1 (en) * | 2020-06-30 | 2021-06-24 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle re-identification method, apparatus, device and storage medium |
US11694436B2 (en) * | 2020-06-30 | 2023-07-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle re-identification method, apparatus, device and storage medium |
CN114693863A (zh) * | 2020-12-29 | 2022-07-01 | 北京万集科技股份有限公司 | 一种基于激光雷达相机的车辆重识别方法及装置 |
CN113326768A (zh) * | 2021-05-28 | 2021-08-31 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
CN113326768B (zh) * | 2021-05-28 | 2023-12-22 | 浙江商汤科技开发有限公司 | 训练方法、图像特征提取方法、图像识别方法及装置 |
CN113569911A (zh) * | 2021-06-28 | 2021-10-29 | 北京百度网讯科技有限公司 | 车辆识别方法、装置、电子设备及存储介质 |
CN113657462A (zh) * | 2021-07-28 | 2021-11-16 | 讯飞智元信息科技有限公司 | 用于训练车辆识别模型的方法、车辆识别方法和计算设备 |
WO2023123818A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海商汤智能科技有限公司 | 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 |
CN114463707A (zh) * | 2022-02-10 | 2022-05-10 | 中国电信股份有限公司 | 车辆重识别方法、装置、存储介质及电子设备 |
CN116039583A (zh) * | 2022-09-08 | 2023-05-02 | 重庆长安汽车股份有限公司 | 车辆的制动方法、装置、车辆和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458086A (zh) | 车辆重识别方法及装置 | |
CN111667520B (zh) | 红外图像和可见光图像的配准方法、装置及可读存储介质 | |
CN107256394A (zh) | 驾驶员信息与车辆信息核验方法、装置以及*** | |
CN109215055A (zh) | 一种目标特征提取方法、装置及应用*** | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN109815842A (zh) | 一种确定待识别对象的属性信息的方法及装置 | |
CN109034086A (zh) | 车辆重识别方法、装置及*** | |
CN107527095A (zh) | 一种车辆检测图像采集方法及*** | |
CN111368612A (zh) | 超员检测***、人员检测方法及电子设备 | |
CN116071089B (zh) | 一种欺诈识别方法、装置、电子设备及存储介质 | |
CN111680546A (zh) | 注意力检测方法、装置、电子设备及存储介质 | |
CN111209847B (zh) | 一种暴力分拣的识别方法及装置 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN115810134A (zh) | 一种车险反欺诈的图像采集质检方法、***和装置 | |
CN111178445A (zh) | 图像处理方法及装置 | |
CN110363193A (zh) | 车辆重识别方法、装置、设备和计算机存储介质 | |
CN113903041A (zh) | 文本识别方法、装置、车辆及存储介质 | |
CN112418303B (zh) | 一种识别状态模型的训练方法、装置及计算机设备 | |
MX2012001664A (es) | Identificacion de objetos. | |
CN114897987B (zh) | 一种确定车辆地面投影的方法、装置、设备及介质 | |
CN110929613A (zh) | 一种智能交通违法审核的图像筛选算法 | |
CN112818743B (zh) | 图像识别的方法、装置、电子设备及计算机存储介质 | |
CN112802112B (zh) | 视觉定位方法、装置、服务器及存储介质 | |
CN111860261B (zh) | 一种客流值的统计方法、装置、设备及介质 |
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: 20191115 |