CN112132113A - 车辆再识别的方法、装置、训练方法以及电子设备 - Google Patents

车辆再识别的方法、装置、训练方法以及电子设备 Download PDF

Info

Publication number
CN112132113A
CN112132113A CN202011123358.5A CN202011123358A CN112132113A CN 112132113 A CN112132113 A CN 112132113A CN 202011123358 A CN202011123358 A CN 202011123358A CN 112132113 A CN112132113 A CN 112132113A
Authority
CN
China
Prior art keywords
target
dimensional
sample
vehicle
information
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
Application number
CN202011123358.5A
Other languages
English (en)
Inventor
蒋旻悦
谭啸
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011123358.5A priority Critical patent/CN112132113A/zh
Publication of CN112132113A publication Critical patent/CN112132113A/zh
Priority to US17/336,641 priority patent/US20210287015A1/en
Priority to EP21177445.0A priority patent/EP3989115A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆再识别的方法、装置、训练方法、电子设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉、深度学习以及智慧交通技术。具体实现方案为：获取待再识别的目标车辆的图片，基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的，对目标二维图像进行再识别，生成并输出识别结果，由于样本三维信息包括可以用于从立体三维的角度对各车辆的各维度的相关信息进行描述，因此，当基于初始三维模型确定目标二维图像时，可以实现使得目标二维图像对目标车辆的相关信息进行较为详细的描述，从而就可以实现基于目标二维图像确定的识别结果的准确性和可靠性的技术效果。

Description

车辆再识别的方法、装置、训练方法以及电子设备
技术领域
本申请涉及人工智能领域，具体涉及计算机视觉、深度学习以及智慧交通技术，尤其涉及一种车辆再识别的方法、装置、训练方法、电子设备以及存储介质。
背景技术
近年来，随着监控摄像头捕捉到的数据越来越大，对监控数据分析能力的需求也在迅速增加。但是，与数据增大的速度相比，数据分析技术的发展还远达不到要求。车辆再识别技术，旨在弥补固定摄像头角度局限的问题，可以跨摄像头检索出所需的特定车辆，不仅省去人为检索的步骤，还提高效率。因此，合理有效的利用车辆再识别技术，对于刑侦任务，智能监控任务等都具有巨大意义。
在现有技术中，通常采用的车辆再识别的方法为：对获取到的车辆图像的信息进行分析，确定车辆的外观信息，如车型(货车、越野车以及小轿车等)等，并根据外观信息确定不同场景下的车辆是否为同一辆车。
然而，部分车辆在外观上的差异比较小，且外观容易受到车辆姿势的影响，导致再识别的准确性偏低。
发明内容
本申请提供了一种用于提高再识别的准确性的车辆再识别的方法、装置、训练方法、电子设备以及存储介质。
根据本申请的一方面，提供了一种车辆再识别的方法，包括：
获取待再识别的目标车辆的图片；
基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，所述初始三维模型是基于样本车辆的样本三维信息生成的；
对所述目标二维图像进行再识别，生成并输出识别结果。
在本实施例中，通过基于样本三维信息生成的初始三维模型，对目标车辆进行再识别，可以提高再识别的准确性和可靠性的技术效果。
根据本申请的另一方面，提供了一种车辆再识别的装置，包括：
获取模块，用于获取待再识别的目标车辆的图片；
第一确定模块，用于基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，所述初始三维模型是基于样本车辆的样本三维信息生成的；
再识别模块，用于对所述目标二维图像进行再识别，生成并输出识别结果。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一实施例所述的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
根据本申请的另一方面，提供了一种模型训练的方法，包括：
采集样本车辆的样本信息，所述样本车辆的样本信息包括：样本三维信息和样本数量；
根据样本三维信息和样本数量，构建初始三维模型，所述初始三维模型用于，基于目标车辆的图片对所述目标车辆进行再识别。
本申请提供了一种车辆再识别的方法、装置、训练方法、电子设备以及存储介质，包括：获取待再识别的目标车辆的图片，基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的，对目标二维图像进行再识别，生成并输出识别结果，通过引入基于样本三维信息生成的初始三维模型，由于样本三维信息包括可以用于从立体三维的角度对各车辆的各维度的相关信息进行描述，因此，当基于初始三维模型确定目标二维图像时，可以实现使得目标二维图像对目标车辆的相关信息进行较为详细的描述，从而就可以实现基于目标二维图像确定的识别结果的准确性和可靠性的技术效果。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例的车辆再识别的方法的应用场景的示意图；
图2为本申请一个实施例的车辆再识别的方法的流程示意图；
图3为本申请另一实施例的车辆再识别的方法的流程示意图；
图4为本申请另一实施例的车辆再识别的方法的流程示意图；
图5为本申请另一实施例的车辆再识别的方法的流程示意图；
图6为本申请一个实施例的车辆再识别的装置的示意图；
图7为本申请另一实施例的车辆再识别的装置的示意图；
图8为本申请实施例的车辆再识别的方法的电子设备的框图；
图9为本申请实施例的模型训练的方法的流程示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着车辆数量的不断增加，以及人们对车辆出行的可靠性的呼声越来越高，车辆再识别技术也应运而生。其中，车辆再识别技术可以理解为从众多车辆中确定出目标车辆的技术。
为了提高车辆再识别的可靠性，且提高车辆出行的安全性，本申请实施例提供了一种车辆再识别方法，且本申请实施例的方法可以应用于如图1所示的应用场景。其中，图1为本申请实施例的车辆再识别的方法的应用场景的示意图。
在如图1所示的应用场景中，目标车辆100为造成交通事故的车辆，且在如图1所示的应用场景中，交通事故具体为交通追尾事故，即目标车辆100为造成交通追尾事故的车辆，被目标车辆100追尾的车辆称为事故车辆200，除了事故车辆200以外的车辆均称为其他车辆300，即其他车辆300中包括目标车辆100。
如图1所示，事故车辆200行驶于目标车辆100之前，且被目标车辆100追尾，造成交通追尾事故。
然而，目标车辆100在造成交通追尾事故之后，继续行驶，并混入至其他车辆300中，成为其他车辆300中的一辆。
服务器400可以通过路边设置的图像采集装置500(如摄像头等)获取目标车辆100的图片，并根据目标车辆100的图片从其他车辆300中确定出目标车辆100，并可以确定出目标车辆100的行驶轨迹，从而对目标车辆100进行定位并追踪。
值得说明的是，上述应用场景只是用于示范性地说明，本申请实施例的车辆再识别的方法可能应用场景，而不能理解为对车辆再识别的方法的应用场景的具体限定。
在相关技术中，为了实现对目标车辆的再识别，通常采用的方法为：基于目标车辆的图片确定目标车辆的外观相关的外观特征，基于外观特征从其他车辆中确定出目标车辆。
然而，车辆外观容易受到车辆姿态的影响，且部分车辆在外观上的差异比较小，因此，采用相关技术中的方案，可能造成再识别的准确性偏低的问题。
本申请的发明人经过创造性地劳动，得到了本申请的发明构思：基于样本车辆的样本三维信息生成初始三维模型，基于初始三维模型和目标车辆的图片，从其他车辆中识别出目标车辆，以提高车辆再识别的准确性和可靠性的技术效果。
下面以具体地实施例对本申请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，对本申请的实施例进行描述。
本申请提供一种车辆再识别的方法，应用于人工智能、自动驾驶、智能交通以及深度学习技术领域，以达到提高车辆再识别的准确性和可靠性的技术效果。
请参阅图2，图2为本申请一个实施例的车辆再识别的方法的流程示意图。
如图2所示，该方法包括：
S101：获取待再识别的目标车辆的图片。
其中，本实施例的车辆再识别的方法的执行主体可以为车辆再识别的装置，且车辆再识别的装置可以为服务器(包括本地服务器和云端服务器)、处理器、终端设备以及芯片等，本实施例不做限定。
例如，当本申请实施例的车辆再识别的方法应用于如图1所示的应用场景时，车辆再识别的装置可以为如图1中所示的服务器。
在本实施例中，将以车辆再识别的装置为服务器为例，进行示范性地描述。
应该理解的是，目标车辆中的“目标”用于，与下文中的其他车辆(如样本车辆等)进行区分，而不能理解为对车辆的限定。
结合如图1所示的应用场景，则该步骤可以理解为：若目标车辆造成了交通事故(如上述应用场景中描述的交通追尾事故)，则服务器可以对目标车辆的图片进行获取。
值得说明的是，本实施例对服务器获取图片的方式不做限定，例如：
在一种可能实现的方案中，服务器可以从图像采集装置传输的视频信息中获取图片，该图片可以为目标车辆造成交通追尾事故时的图片。
在另一种可能实现的方案中，服务器可以从预先设置的数据库中获取目标车辆的图片。例如：服务器接收交通平台输入的目标车辆的标识(如车牌号码等)，并根据标识从数据库中获取图片。
在另一种可能实现的方案中，服务器可以接收工作人员输入(如通过扫描的方式上传至服务器)的图片。
应用理解的是，上述示例只是用于示范性地说明，服务器获取图片可能采用的方式，而不能理解为对服务器获取图片的方式的限定，关于服务器获取图片的其他方式，此次不再一一列举。
S102：基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的；
同理，该步骤中的“初始”、“目标”以及“样本”不能理解为与各自对应的内容的限定。
其中，样本三维信息可以用于，从立体三维的维度表征样本车辆的相关信息，如样本车辆三维的尺寸，样本车辆的各部件的名称，以及样本车辆的各部件之间的关联关系，等等。
初始三维模型可以理解为一种神经网络模型，且该神经网络模型是基于样本三维信息生成的。
值得说明的是，在本实施例中，引入了初始三维模型的概念，且初始三维模型是基于样本三维信息生成的。
结合如图1所示的应用场景，该步骤可以理解为：当服务器根据初始三维模型和图片确定目标二维图像，由于初始三维模型是基于样本三维信息生成的，样本三维信息包括可以用于从立体三维的角度对各车辆的各维度的相关信息进行描述，因此，当服务器基于初始三维模型确定目标二维图像时，可以实现使得目标二维图像对目标车辆的相关信息进行较为详细的描述。
因此，在该步骤中，当基于初始三维模型确定目标二维图像时，可以实现从立体三维的维度对图片进行分析，实现分析的全面性和完整性，从而使得目标二维图像可以精确且形象的对目标车辆的相关信息进行表征，进而可以实现在基于目标二维图像确定识别结果时，提高识别结果的准确性和可靠性的技术效果。
S103：对目标二维图像进行再识别，生成并输出识别结果。
结合如图1所示的应用场景，该步骤可以理解为：服务器基于目标二维图像进行再识别，以便从其他车辆中确定出目标车辆，从而生成并输出识别结果。
在一种可能实现的方案中，服务器可以连接显示设备，且可以将识别结果发送至显示设备，并通过显示设备对识别结果进行显示。
其中，显示设备可以用于表征对视频进行显示的设备，如液晶显示器(LiquidCrystal Display，LCD)、发光二极管(Light Emitting Diode，LED)显示器及有机发光(Organic Light Emitting Display，OLED)显示器，等等，本申请实施例不做限定。
在另一种可能实现的方案中，服务器可以连接语音设备，且可以将识别结果发送至语音设备，并通过语音设备对识别结果进行语音播报。
其中，可以由服务器将识别结果转换为音频信息，并将音频信息发送至语音设备，语音设备基于音频信息进行语音播报；也可以由服务器将识别结果发送至语音设备，语音设备将识别结果转换为音频信息，并基于音频信息进行语音播报；
在另一种可能实现的方案中，显示设备和语音设备可以为一体集成的设备(如终端设备)，服务器可以将识别结果发送至一体集成的设备，并通过一体集成的设备对识别结果进行显示，且对识别结果进行语音播报。
值得说明的是，上述示例只是用于示范性地说明，服务器可能采用的输出识别结果的方式，而不能理解为对输出识别结果的方式的限定。
基于上述分析可知，本申请实施例提供了一种车辆再识别的方法，包括：获取待再识别的目标车辆的图片，基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的，对目标二维图像进行再识别，生成并输出识别结果，通过引入基于样本三维信息生成的初始三维模型，由于样本三维信息包括可以用于从立体三维的角度对各车辆的各维度的相关信息进行描述，因此，当基于初始三维模型确定目标二维图像时，可以实现使得目标二维图像对目标车辆的相关信息进行较为详细的描述，从而就可以实现基于目标二维图像确定的识别结果的准确性和可靠性的技术效果。
为使读者更加深刻地理解本申请实施例的车辆再识别的方法，现结合图3，从基于初始三维模型生成目标二维图像的维度，对本实施例的方法进行更为详细地阐述。
如图3所示，该方法包括：
S201：获取待再识别的目标车辆的图片。
其中，关于S201的描述可以参见S101，此处不再赘述。
S202：基于图片对初始三维模型进行调整。
例如，服务器可以基于图片对初始三维模型进行拉伸、缩小以及旋转等调整。
S203：将满足预先设置的调整条件的调整后的初始三维模型确定为目标三维模型，其中，调整条件包括：调整后的初始三维模型与图片的相似度大于预先设置的相似度阈值。
同理，该步骤的目标三维模型中的“目标”，不能理解为对三维模型的内容的限定。
结合S202可知，服务器可以基于图片对初始三维模型进行调整，且调整的方式包括但不限于拉伸、缩小以及旋转，而在该步骤中，如果经过上述至少一种调整方式对初始三维模型进行调整后，使得调整后的初始三维模型与图片的相似度大于相似度阈值，则可以将该调整后的初始三维模型确定为目标三维模型，也就是说，目标三维模型与图片的相似度比较高。
其中，相似度阈值可以由服务器基于需求、历史记录和试验等进行设置，本实施例不做限定。
例如，服务器基于需求为例设置相似度阈值为例进行如下描述：
需求可以理解为识别结果的精度的需求，若针对需求较高的场景，即对于对识别结果的精度的要求较高的场景，可以将相似度阈值设置为相对较大的值；反之，若针对需求较低的场景，即对于对识别结果的精度的要求较低的场景，可以将相似度阈值设置为相对较小的值。
具体地，S202和S203可以理解为：服务器对初始三维模型进行调整，并在每次调整之后，计算调整后的初始三维模型与图片的相似度，判断相似度是否大于相似度阈值，如果相似度小于或等于相似度阈值，则继续对初始三维模型进行调整，具体可以基于相似度与相似度阈值之间的差值的大小进行调整，例如，若相似度与相似度阈值之间的差值较大，则对初始三维模型的调整的幅度可以较大，若相似度与相似度阈值之间的差值较小，则对初始三维模型的调整的幅度可以较小；如果相似度大于或等于相似度阈值，则将大于或等于相似度阈值的调整后的初始三维模型，确定为目标三维模型。
S204：根据目标三维模型确定目标二维图像。
若服务器确定出与图片相似度较高的目标三维模型，则可以基于目标三维模型确定目标二维图像。
值得说明的是，在本实施例中，通过对初始三维模型进行调整，得到与图片相似度较高的目标三维模型，由于目标三维模型与图片的相似度较高，因此，当基于三维模型确定目标二维图像时，可以提高目标二维图像的准确性和可靠性，使得目标二维图像高度贴合目标车辆，从而实现当基于目标二维图像确定识别结果时，提高识别结果的准确性和可靠性的技术效果。
在一些实施例中，S204可以包括：
S2041：根据目标三维模型确定目标车辆的各目标部件的属性信息。
同理，该步骤的目标部件中的“目标”不能理解为对部件的限定。
其中，属性信息可以理解为，对目标部件进行描述的相关信息，如目标部件的名称，目标部件的尺寸，以及各目标部件之间的关联关系(如两个目标部件的关联关系为二者相邻，或者，二者螺栓连接等)，等等。
值得说明的是，由于初始三维模型是基于样本三维信息生成的，而目标三维模型是基于初始三维模型进行调整生成的，因此，目标三维模型也可以通过样本三维信息表征，而样本三维信息包括样本车辆的相关信息，因此，可以基于目标三维模型确定属性信息，且由于目标三维模型与图片的相似度较高，因此，属性信息可以用于准确的表征目标车辆的各目标部件的相关信息。
S2042：根据属性信息对各目标部件进行拼接，生成目标二维图像。
结合上述分析可知，属性信息可以描述各目标部件的相关信息，如名称、尺寸以及各目标部件之间的关联关系等，因此，在该步骤中，服务器可以基于属性信息生成目标车辆的包括用于，表征目标车辆的相关信息的二维的图像(即目标二维图像)。
值得说明的是，在本实施例中，由于目标三维模型与图片的相似度较高，因此，属性信息可以用于准确的表征目标车辆的各目标部件的相关信息，而当基于属性信息生成目标二维图像时，可以使得目标二维图像具有高准确性和高可靠性，进而当基于目标二维图像生成识别结果时，可以使得识别结果具有高准确性和高可靠性的技术效果。
在一些实施例中，属性信息包括：目标部件的标识和目标部件的三维参数，S2042可以包括：
S20421：根据目标部件的标识确定各目标部件之间的连接关系。
其中，目标部件的标识可以为上述示例中描述的名称，也可以为服务器为目标部件分配的标识符。
S20422：根据连接关系和各目标部件的三维参数，对各目标部件进行拼接，生成目标二维图像。
例如，服务器可以基于连接关系将各目标部件拼接为二维图像，并在此基础上，基于各目标部件的三维参数对拼接而成的二维图像进行适应性调整，使得目标二维图像不仅从各目标部件的连接关系上对目标车辆进行描述，还从尺寸上对目标车辆进行描述。
值得说明的是，在本实施例中，由于目标二维图像可以从两个维度对目标车辆进行描述，如可以从各目标部件的连接关系的维度，还可以从各目标部件的尺寸的维度，从而可以提高目标二维图像对目标车辆描述的准确性和可靠性的技术效果。
S205：对目标二维图像进行再识别，生成并输出识别结果。
其中，关于S205的描述可以参见S103，此处不再赘述。
S206：根据识别结果确定目标车辆的追踪定位信息。
基于上述分析可知，识别结果可以理解为，服务器从其他车辆中确定出目标车辆，而在该步骤中，服务器可以继续确定目标车辆的追踪定位信息。
其中，追踪定位信息可以包括目标车辆的位置信息，还可以在位置信息的基础上，包括该位置信息周边的环境信息，等等，此处不再一一列举。
结合上述实施例，当服务器连接显示设备，由显示设备对识别结果进行显示时，显示设备还可以对追踪定位信息进行显示，且可以对识别结果和追踪定位信息进行静态显示，如显示目标车辆的识别结果(实际场景中目标车辆的实物)和当前的位置信息；也可以对识别结果进行动态显示，如显示目标车辆的识别结果(实际场景中目标车辆的实物)和目标车辆的某时间段内的行驶轨迹，并在行驶轨迹上标注目标车辆的当前的位置信息，等等，此处不再一一列举。
值得说明的是，在本实施例中，服务器通过识别结果确定追踪定位信息，由于识别结果为准确地从其他车辆中确定出的目标车辆，因此，当基于识别结果确定追踪定位信息时，可以提高追踪定位信息的准确性和可靠性，从而实现目标车辆的准确追踪和定位的技术效果。
为使读者更加深刻地理解本申请实施例的车辆再识别的方法，现结合图4，从对目标二维图像进行再识别的维度，对本实施例的方法进行更为详细地阐述。
如图4所示，该方法包括：
S301：采集样本二维图像的样本信息。
同理，该步骤样本二维图像中的“样本”不能为对样本二维图像的内容的限定。
其中，样本二维图像可以理解为由服务器采集的样本车辆的二维图像。且样本车辆的数量本实施例不做限定，即本实施例对样本二维图像的数量不做限定，具体可以由服务器基于需求、历史记录和试验等进行设置，且关于设置原理可以参见上述实施例，此次不再赘述。
S302：根据样本二维图像的样本信息对预先设置的初始网络模型进行训练，生成再识别网络模型。
其中，本实施例对初始网络模型的类型和结构不做限定。例如，初始网络模型可以为记忆神经网络模型(长短期记忆神经网络模型和双向长短期记忆神经网络模型)、卷积神经网络模型以及对抗神经网络模型等；又如，初始网络模型的通道数和卷积核的数量可以由服务器基于需求、历史记录以及试验等进行设置。
在一些实施例中，S302可以具体包括：将样本二维图像的样本信息输入至初始网络模型，生成预测结果，将预测结果与预先标定的真实结果进行比对，并基于比对结果对初始网络模型的参数进行适应性地调整，直至比对结果满足预设比对要求(如比对结果为损失值，比对要求为损失值小于预先设置的损失值阈值)，或者，迭代次数等于预先设置的次数要求，将进行了参数调整后的初始网络模型确定为再识别网络模型。
S303：获取待再识别的目标车辆的图片。
其中，关于S303的描述可以参见S101，此处不再赘述。
S304：基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的。
其中，关于S304的描述可以参见S102，或者，可以参见S202至S204，此处不再赘述。
S305：将目标二维图像输入至再识别网络模型，生成并输出识别结果。
该步骤可以理解为：服务器将目标二维图像作为再识别网络模型的输入，由再识别网络模型对目标二维图像的图像特征进行提取，并进行分析，生成对目标二维图像对应的识别结果，即从其他车辆中确定出目标二维图像对应的目标车辆。
值得说明的是，在本实施例中，通过训练生成再识别网络模型，并通过再识别网络模型对目标二维图像进行识别，获得识别结果，可以提高再识别的识别效率，且提高再识别的准确性和可靠性的技术效果。
为使读者更加深刻地理解本申请实施例的车辆再识别的方法，现结合图5，从构建初始三维模型的维度，对本实施例的方法进行更为详细地阐述。
如图5所示，该方法包括：
S401：采集样本车辆的样本信息，样本车辆的样本信息包括：样本三维信息和样本数量。
同理，在本实施例中，样本信息可以两个维度进行理解，一个维度为样本车辆的相关信息(即三维信息)，另一个维度为样本车辆的数量的相关信息(即样本数量)。
其中，样本车辆的选取和样本数量可以由服务器基于需求、历史记录以及试验等进行选择，本实施例不做限定。
优选地，样本车辆尽可能的覆盖各种类型的车辆，即样本三维信息尽可能的可以对各种类型的车辆进行描述，以便通过样本车辆的多样性实现构建出对各种样本车辆进行较为详细表征的初始三维模型，进而实现再识别的准确性和可靠性的技术效果。
S402：根据样本三维信息和样本数量，构建初始三维模型。
值得说明的是，在本实施例中，通过采集样本车辆的样本信息，并从样本三维信息和样本数量的维度构建初始三维模型，可以实现初始三维模型从多个维度对样本车辆的特征进行描述，从而实现初始三维模型具有较强的描述样本车辆的相关信息的能力，进而实现当基于初始三维模型对目标车辆进行再识别时，提高再识别的准确性和可靠性的技术效果。
在一些实施例中，S402可以包括：
S4021：根据样本三维信息和样本数量，确定平均三维信息。
例如，若样本数量为40万，即样本车辆为40万台，则总共可以包括120万维(即40万*3)的信息，而通过该120万维的信息，可以进行各维的信息的求均值的计算，得到各维度的平均信息(即平均三维信息)。
S4022：根据平均三维信息对预先设置的基础模型框架进行训练，生成初始三维模型。
其中，基础模型框架可以理解为预先设置的车辆的结构框架和坐标系，该坐标系可以由服务器预先进行设置。
该步骤可以理解为：基于平均三维信息对基础模型框架的参数进行适应性的调整，生成初始三维模型，而由于初始三维模型是由平均三维信息生成的，因此，初始三维模型相当于各样本车辆的平均模型，各样本车辆的相关信息均可以通过对初始三维模型进行适应性地调整获得。
值得说明的是，在本实施例中，通过基于平均三维信息对初始三维模型进行构建，可以使得初始三维模型尽可能准确地转换为各种车辆，从而实现当基于初始三维模型对目标车辆进行再识别时，可以提高再识别的准确性和可靠性的技术效果。
在一些实施中，样本三维信息包括：样本车辆的各样本部件的三维参数和各样本部件的标识。
也就是说，在一些可能实现的方案中，样本三维信息可不仅可以从样本车辆的各参数(如车身的长度、宽度和高度等)对样本车辆进行描述，可以对样本车辆的样本部件的标识进行描述，而通过从样本部件的三维参数和样本部件的标识对样本车辆的相关信息进行描述，可以实现对样本车辆的描述的全面性和可靠性，从而实现初始三维模型的精确性和可靠性的技术效果。
在一些实施例中，各样本部件的三维参数为，预先设置的各样本部件的标定点对应的三维参数。
也就是说，服务器可以预先基于需求、历史记录以及试验等选定标点，当在构建初始三维模型时，可以将标定点对应的三维参数确定为样本部件的三维参数。
优选地，服务器可以选定对样本车辆的相关信息具有较强代表性的点，作为标定点，例如，可以将样本部件之间的连接点等。
值得说明的是，在本实施例中，通过选定标定点，并将标定点对应的三维参数确定各样本部件的三维参数，可以避免基于全量点的三维参数进行初始三维模型的构建时，造成的计算量大等弊端，从而实现降低计算量，节约计算资源，提高构建效率的技术效果。
S403：获取待再识别的目标车辆的图片。
其中，关于S403的描述可以参见S101，此处不再赘述。
S404：基于图片和预先设置的初始三维模型，确定目标车辆的目标二维图像，初始三维模型是基于样本车辆的样本三维信息生成的。
其中，关于S404的描述可以参见S102，或者，可以参见S202至S204，此处不再赘述。
S405：对目标二维图像进行再识别，生成并输出识别结果。
其中，关于S405的描述可以参见S103，或者，可以参见S304，且当参见S304时，还可以结合参见上述实施例中的S301至S302，此处不再赘述。
根据本申请实施例的另一个方面，本申请实施例还提供了一种车辆再识别的装置，用于执行如上任一实施例所述的车辆再识别的方法，如用于执行如图2至图5中任一实施例所示的方法。
请参阅图6，图6为本申请一个实施例的车辆再识别的装置的示意图。
如图6所示，该装置包括：
获取模块11，用于获取待再识别的目标车辆的图片；
第一确定模块12，用于基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，所述初始三维模型是基于样本车辆的样本三维信息生成的；
再识别模块13，用于对所述目标二维图像进行再识别，生成并输出识别结果。
在一些实施例中，所述第一确定模块12用于，基于所述图片对所述初始三维模型进行调整，将满足预先设置的调整条件的调整后的初始三维模型确定为目标三维模型，其中，所述调整条件包括：调整后的初始三维模型与所述图片的相似度大于预先设置的相似度阈值，根据所述目标三维模型确定所述目标二维图像。
在一些实施例中，所述第一确定模块12用于，根据所述目标三维模型确定所述目标车辆的各目标部件的属性信息，根据所述属性信息对各所述目标部件进行拼接，生成所述目标二维图像。
在一些实施例中，属性信息包括：所述目标部件的标识和所述目标部件的三维参数；所述第一确定模块12用于，根据所述目标部件的标识确定各所述目标部件之间的连接关系，根据所述连接关系和各所述目标部件的三维参数，对各所述目标部件进行拼接，生成所述目标二维图像。
结合图7可知，在一些实施例中，所述装置，还包括：
第一采集模块14，用于采集样本二维图像的样本信息；
训练模块15，用于根据所述样本二维图像的样本信息对预先设置的初始网络模型进行训练，生成再识别网络模型；
以及，所述再识别模块13，用于将所述目标二维图像输入至所述再识别网络模型，生成并输出所述识别结果。
结合图7可知，在一些实施例中，所述装置，还包括：
第二采集模块16，用于采集所述样本车辆的样本信息，所述样本车辆的样本信息包括：所述样本三维信息和样本数量；
构建模块17，用于根据所述样本三维信息和样本数量，构建所述初始三维模型。
在一些实施例中，所述构建模块17，用于根据所述样本三维信息和所述样本数量，确定平均三维信息；
根据所述平均三维信息对预先设置的基础模型框架进行训练，生成所述初始三维模型。
在一些实施例中，所述样本三维信息包括：所述样本车辆的各样本部件的三维参数和各所述样本部件的标识。
在一些实施例中，各所述样本部件的三维参数为，预先设置的各所述样本部件的标定点对应的三维参数。
结合图7可知，在一些实施例中，所述装置，还包括：
第二确定模块18，用于根据所述识别结果确定所述目标车辆的追踪定位信息。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的车辆再识别的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车辆再识别的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车辆再识别的方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车辆再识别的方法对应的程序指令/模块。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆再识别的方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据车辆再识别的方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至车辆再识别的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车辆再识别方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与车辆再识别的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、区块链服务网络(Block-chain-based Service Network，BSN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的另一个方面，本申请实施例还提供了一种模型训练的方法。
请参阅图9，图9为本申请实施例的模型训练的方法的流程示意图。
如图9所示，该方法包括：
S501：采集样本车辆的样本信息，样本车辆的样本信息包括：样本三维信息和样本数量。
S502：根据样本三维信息和样本数量，构建初始三维模型，初始三维模型用于，基于目标车辆的图片对目标车辆进行再识别。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (23)

1.一种车辆再识别的方法，包括：
获取待再识别的目标车辆的图片；
基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，所述初始三维模型是基于样本车辆的样本三维信息生成的；
对所述目标二维图像进行再识别，生成并输出识别结果。
2.根据权利要求1所述的方法，其中，基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，包括：
基于所述图片对所述初始三维模型进行调整；
将满足预先设置的调整条件的调整后的初始三维模型确定为目标三维模型，其中，所述调整条件包括：调整后的初始三维模型与所述图片的相似度大于预先设置的相似度阈值；
根据所述目标三维模型确定所述目标二维图像。
3.根据权利要求2所述的方法，其中，根据所述目标三维模型确定所述目标二维图像包括：
根据所述目标三维模型确定所述目标车辆的各目标部件的属性信息；
根据所述属性信息对各所述目标部件进行拼接，生成所述目标二维图像。
4.根据权利要求3所述的方法，其中，属性信息包括：所述目标部件的标识和所述目标部件的三维参数；根据所述属性信息对各所述目标部件进行拼接，生成所述目标二维图像包括：
根据所述目标部件的标识确定各所述目标部件之间的连接关系；
根据所述连接关系和各所述目标部件的三维参数，对各所述目标部件进行拼接，生成所述目标二维图像。
5.根据权利要求1至4中任一项所述的方法，所述方法，还包括：
采集样本二维图像的样本信息；
根据所述样本二维图像的样本信息对预先设置的初始网络模型进行训练，生成再识别网络模型；
以及，对所述目标二维图像进行再识别，生成并输出识别结果包括：将所述目标二维图像输入至所述再识别网络模型，生成并输出所述识别结果。
6.根据权利要求1至4中任一项所述的方法，所述方法，还包括：
采集所述样本车辆的样本信息，所述样本车辆的样本信息包括：所述样本三维信息和样本数量；
根据所述样本三维信息和样本数量，构建所述初始三维模型。
7.根据权利要求6所述的方法，根据所述样本三维信息和样本数量，构建所述初始三维模型，包括：
根据所述样本三维信息和所述样本数量，确定平均三维信息；
根据所述平均三维信息对预先设置的基础模型框架进行训练，生成所述初始三维模型。
8.根据权利要求7所述的方法，其中，所述样本三维信息包括：所述样本车辆的各样本部件的三维参数和各所述样本部件的标识。
9.根据权利要求8所述的方法，其中，各所述样本部件的三维参数为，预先设置的各所述样本部件的标定点对应的三维参数。
10.根据权利要求1至4中任一项所述的方法，所述方法，还包括：
根据所述识别结果确定所述目标车辆的追踪定位信息。
11.一种车辆再识别的装置，包括：
获取模块，用于获取待再识别的目标车辆的图片；
第一确定模块，用于基于所述图片和预先设置的初始三维模型，确定所述目标车辆的目标二维图像，所述初始三维模型是基于样本车辆的样本三维信息生成的；
再识别模块，用于对所述目标二维图像进行再识别，生成并输出识别结果。
12.根据权利要求11所述的装置，其中，所述第一确定模块用于，基于所述图片对所述初始三维模型进行调整，将满足预先设置的调整条件的调整后的初始三维模型确定为目标三维模型，其中，所述调整条件包括：调整后的初始三维模型与所述图片的相似度大于预先设置的相似度阈值，根据所述目标三维模型确定所述目标二维图像。
13.根据权利要求12所述的装置，其中，所述第一确定模块用于，根据所述目标三维模型确定所述目标车辆的各目标部件的属性信息，根据所述属性信息对各所述目标部件进行拼接，生成所述目标二维图像。
14.根据权利要求13所述的装置，其中，属性信息包括：所述目标部件的标识和所述目标部件的三维参数；所述第一确定模块用于，根据所述目标部件的标识确定各所述目标部件之间的连接关系，根据所述连接关系和各所述目标部件的三维参数，对各所述目标部件进行拼接，生成所述目标二维图像。
15.根据权利要求11至14中任一项所述的装置，所述装置，还包括：
第一采集模块，用于采集样本二维图像的样本信息；
训练模块，用于根据所述样本二维图像的样本信息对预先设置的初始网络模型进行训练，生成再识别网络模型；
以及，所述再识别模块，用于将所述目标二维图像输入至所述再识别网络模型，生成并输出所述识别结果。
16.根据权利要求11至14中任一项所述的装置，所述装置，还包括：
第二采集模块，用于采集所述样本车辆的样本信息，所述样本车辆的样本信息包括：所述样本三维信息和样本数量；
构建模块，用于根据所述样本三维信息和样本数量，构建所述初始三维模型。
17.根据权利要求16所述的装置，所述构建模块，用于根据所述样本三维信息和所述样本数量，确定平均三维信息；
根据所述平均三维信息对预先设置的基础模型框架进行训练，生成所述初始三维模型。
18.根据权利要求17所述的装置，其中，所述样本三维信息包括：所述样本车辆的各样本部件的三维参数和各所述样本部件的标识。
19.根据权利要求18所述的装置，其中，各所述样本部件的三维参数为，预先设置的各所述样本部件的标定点对应的三维参数。
20.根据权利要求11至14中任一项所述的装置，所述装置，还包括：
第二确定模块，用于根据所述识别结果确定所述目标车辆的追踪定位信息。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种模型训练的方法，包括：
采集样本车辆的样本信息，所述样本车辆的样本信息包括：样本三维信息和样本数量；
根据所述样本三维信息和所述样本数量，构建初始三维模型，所述初始三维模型用于，基于目标车辆的图片对所述目标车辆进行再识别。
CN202011123358.5A 2020-10-20 2020-10-20 车辆再识别的方法、装置、训练方法以及电子设备 Pending CN112132113A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011123358.5A CN112132113A (zh) 2020-10-20 2020-10-20 车辆再识别的方法、装置、训练方法以及电子设备
US17/336,641 US20210287015A1 (en) 2020-10-20 2021-06-02 Method and apparatus for vehicle re-identification, training method and electronic device
EP21177445.0A EP3989115A1 (en) 2020-10-20 2021-06-02 Method and apparatus for vehicle re-identification, training method and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011123358.5A CN112132113A (zh) 2020-10-20 2020-10-20 车辆再识别的方法、装置、训练方法以及电子设备

Publications (1)

Publication Number Publication Date
CN112132113A true CN112132113A (zh) 2020-12-25

Family

ID=73854439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011123358.5A Pending CN112132113A (zh) 2020-10-20 2020-10-20 车辆再识别的方法、装置、训练方法以及电子设备

Country Status (3)

Country Link
US (1) US20210287015A1 (zh)
EP (1) EP3989115A1 (zh)
CN (1) CN112132113A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668228A (zh) * 2021-01-05 2021-04-16 中国石油天然气股份有限公司 二维多孔介质的模型构建方法、装置、设备和存储介质
CN112990217A (zh) * 2021-03-24 2021-06-18 北京百度网讯科技有限公司 针对车辆的图像识别方法、装置、电子设备和介质
CN113095266A (zh) * 2021-04-19 2021-07-09 北京经纬恒润科技股份有限公司 一种角度识别方法、装置及设备
CN113256778A (zh) * 2021-07-05 2021-08-13 爱保科技有限公司 生成车辆外观部件识别样本的方法、装置、介质及服务器
CN113326786A (zh) * 2021-06-01 2021-08-31 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备、车辆和存储介质
CN113361458A (zh) * 2021-06-29 2021-09-07 北京百度网讯科技有限公司 基于视频的目标对象识别方法、装置、车辆及路侧设备
CN113486918A (zh) * 2021-05-19 2021-10-08 浙江大华技术股份有限公司 基于动态调整特征向量分布趋势的图像识别方法及其设备
CN113591095A (zh) * 2021-08-04 2021-11-02 百度在线网络技术（北京）有限公司 一种标识信息处理方法、装置及电子设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806870A (zh) * 2021-10-29 2021-12-17 中车青岛四方机车车辆股份有限公司 车辆的三维建模的方法、装置和车辆***
CN114027667B (zh) * 2021-12-01 2023-08-15 慕思健康睡眠股份有限公司 一种在离床状态判定方法、装置、智能床垫及介质
CN115002196B (zh) * 2022-05-25 2024-01-26 国汽智图(北京)科技有限公司 一种数据处理方法、装置、车端采集设备
CN115527197A (zh) * 2022-09-22 2022-12-27 宁波港信息通信有限公司 车号识别方法、装置、计算机设备以及卡车
CN117218613B (zh) * 2023-11-09 2024-03-19 中远海运特种运输股份有限公司 一种车辆抓拍识别***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018008996A1 (de) * 2018-11-15 2019-05-02 Daimler Ag Verfahren zum Wiedererkennen eines Anhängers
US20190311487A1 (en) * 2018-04-10 2019-10-10 Pony.ai, Inc. Enhanced three-dimensional training data generation
CN111582185A (zh) * 2020-05-11 2020-08-25 北京百度网讯科技有限公司 用于识别图像的方法和装置
CN111753739A (zh) * 2020-06-26 2020-10-09 北京百度网讯科技有限公司 物体检测方法、装置、设备以及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9786036B2 (en) * 2015-04-28 2017-10-10 Qualcomm Incorporated Reducing image resolution in deep convolutional networks
US11164031B2 (en) * 2018-06-26 2021-11-02 Here Global B.V. System and method for analyzing an image of a vehicle
CN109242903B (zh) * 2018-09-07 2020-08-07 百度在线网络技术（北京）有限公司 三维数据的生成方法、装置、设备及存储介质
CN113276765A (zh) * 2020-01-31 2021-08-20 神达数位股份有限公司 行车警示方法及***与计算机程序产品
US10970633B1 (en) * 2020-05-13 2021-04-06 StradVision, Inc. Method for optimizing on-device neural network model by using sub-kernel searching module and device using the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190311487A1 (en) * 2018-04-10 2019-10-10 Pony.ai, Inc. Enhanced three-dimensional training data generation
DE102018008996A1 (de) * 2018-11-15 2019-05-02 Daimler Ag Verfahren zum Wiedererkennen eines Anhängers
CN111582185A (zh) * 2020-05-11 2020-08-25 北京百度网讯科技有限公司 用于识别图像的方法和装置
CN111753739A (zh) * 2020-06-26 2020-10-09 北京百度网讯科技有限公司 物体检测方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHANGZHI TENG: "Multi-View Spatial Attention Embedding for Vehicle Re-Identification", 《IEEE》, 10 April 2020 (2020-04-10), pages 1 - 12 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668228A (zh) * 2021-01-05 2021-04-16 中国石油天然气股份有限公司 二维多孔介质的模型构建方法、装置、设备和存储介质
CN112668228B (zh) * 2021-01-05 2022-11-04 中国石油天然气股份有限公司 二维多孔介质的模型构建方法、装置、设备和存储介质
CN112990217A (zh) * 2021-03-24 2021-06-18 北京百度网讯科技有限公司 针对车辆的图像识别方法、装置、电子设备和介质
CN113095266A (zh) * 2021-04-19 2021-07-09 北京经纬恒润科技股份有限公司 一种角度识别方法、装置及设备
CN113486918A (zh) * 2021-05-19 2021-10-08 浙江大华技术股份有限公司 基于动态调整特征向量分布趋势的图像识别方法及其设备
CN113486918B (zh) * 2021-05-19 2024-06-11 浙江大华技术股份有限公司 基于动态调整特征向量分布趋势的图像识别方法及其设备
CN113326786A (zh) * 2021-06-01 2021-08-31 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备、车辆和存储介质
CN113361458A (zh) * 2021-06-29 2021-09-07 北京百度网讯科技有限公司 基于视频的目标对象识别方法、装置、车辆及路侧设备
CN113256778A (zh) * 2021-07-05 2021-08-13 爱保科技有限公司 生成车辆外观部件识别样本的方法、装置、介质及服务器
CN113591095A (zh) * 2021-08-04 2021-11-02 百度在线网络技术（北京）有限公司 一种标识信息处理方法、装置及电子设备
CN113591095B (zh) * 2021-08-04 2023-08-29 百度在线网络技术（北京）有限公司 一种标识信息处理方法、装置及电子设备

Also Published As

Publication number Publication date
EP3989115A1 (en) 2022-04-27
US20210287015A1 (en) 2021-09-16

Similar Documents

Publication Publication Date Title
CN112132113A (zh) 车辆再识别的方法、装置、训练方法以及电子设备
JP7051267B2 (ja) 画像検出方法、装置、電子設備、記憶媒体、及びプログラム
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN111723768A (zh) 车辆重识别的方法、装置、设备和存储介质
CN112241764A (zh) 图像识别方法、装置、电子设备及存储介质
CN111611903B (zh) 动作识别模型的训练方法、使用方法、装置、设备和介质
CN111860362A (zh) 生成人脸图像校正模型及校正人脸图像的方法和装置
CN112528786A (zh) 车辆跟踪方法、装置及电子设备
CN111612852A (zh) 用于验证相机参数的方法和装置
US11380035B2 (en) Method and apparatus for generating map
CN113537374B (zh) 一种对抗样本生成方法
CN111738072A (zh) 目标检测模型的训练方法、装置及电子设备
CN110675635A (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN111652153A (zh) 场景自动识别方法、装置、无人车及存储介质
CN113408662A (zh) 图像识别、图像识别模型的训练方法和装置
CN111666876A (zh) 用于检测障碍物的方法、装置、电子设备和路侧设备
CN112148908A (zh) 图像数据库的更新方法、装置、电子设备和介质
CN111488821A (zh) 用于识别交通信号灯倒计时信息的方法及装置
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN112634631A (zh) 交通信号灯的控制方法、装置、***以及电子设备
CN111950345A (zh) 摄像头的识别方法、装置、电子设备和存储介质
CN111601013A (zh) 用于处理视频帧的方法和装置
CN114925295A (zh) 确定兴趣点的引导点的方法、相关装置及计算机程序产品
CN113657398B (zh) 图像识别方法和装置
CN113591580A (zh) 图像标注方法、装置、电子设备和存储介质

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