CN112733578B - 车辆重识别方法及*** - Google Patents

车辆重识别方法及*** Download PDF

Info

Publication number
CN112733578B
CN112733578B CN201911032114.3A CN201911032114A CN112733578B CN 112733578 B CN112733578 B CN 112733578B CN 201911032114 A CN201911032114 A CN 201911032114A CN 112733578 B CN112733578 B CN 112733578B
Authority
CN
China
Prior art keywords
vehicle
compared
salient region
salient
images
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.)
Active
Application number
CN201911032114.3A
Other languages
English (en)
Other versions
CN112733578A (zh
Inventor
韩璐
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.)
Potevio Information Technology Co Ltd
Original Assignee
Potevio Information 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 Potevio Information Technology Co Ltd filed Critical Potevio Information Technology Co Ltd
Priority to CN201911032114.3A priority Critical patent/CN112733578B/zh
Publication of CN112733578A publication Critical patent/CN112733578A/zh
Application granted granted Critical
Publication of CN112733578B publication Critical patent/CN112733578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种车辆重识别方法及***，采用车辆整体特征与显著性区域特征相结合的方法，考虑了车辆的车灯、车标、车窗、贴标以及挂件等显著性区域，确定任意两张待比对车辆图像是否属于同一车辆，可以提升车辆重识别的效果，保证车辆重识别的准确性。

Description

车辆重识别方法及***
技术领域
本发明涉及车辆重识别技术领域，更具体地，涉及车辆重识别方法及***。
背景技术
随着车辆数量的日益增多，对车辆管理的难度日益加大，在某些特定情况下需要对车流中行驶的一辆或多辆车进行轨迹追踪。在具体实现中，可以利用车辆重识别技术，从不同位置的多个摄像头拍摄的监控视频中识别搜索目标车辆，实现对目标车辆的轨迹追踪。其中，车辆重识别技术是指从不同时间与不同地点所采集的监控视频中，识别出同一目标车辆。
在实际道路监控应用场景中，受拍摄环境的光线、摄像头角度、车辆行驶的运动模糊等因素影响，同一辆车、在不同拍摄图像中展现出来的特征差异可能较大；而不同车、在不同拍摄图像中展现出来的特征差异可能较小。这些问题为车辆重识别技术带来了具大的挑战。
针对车辆重识别问题，现有技术方案主要基于卷积神经网络(ConvolutionalNeural Networks，CNN)、深度置信网络(Deep Belief Networks，DBN)等常规神经网络结构结合不同损失函数的组合进行模型训练，得到车辆重识别模型，模型识别精度仍有提升空间。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种车辆重识别方法及***。
第一方面，本发明实施例提供了一种车辆重识别方法，包括：
将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到。
优选地，所述由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度，具体包括：
基于所述显著性区域特征提取模型分别提取所述任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征；
计算所述任意两张待比对车辆图像中车辆的显著性区域特征之间的余弦距离，将所述余弦距离作为所述显著性区域相似度。
优选地，所述基于所述显著性区域特征提取模型分别提取所述任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征，具体包括：
对于所述任意两张待比对车辆图像中每张待比对车辆图像，基于所述第二卷积神经网络，提取所述待比对车辆图像中的车辆特征，并将所述车辆特征输入至注意力机制网络；
基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，并确定所述待比对车辆图像中车辆的显著性区域集合；其中，所述显著性区域掩膜矩阵集合中包括多个显著性区域掩膜矩阵，所述显著性区域集合中包括多个显著性区域，所述显著性区域掩膜矩阵与所述显著性区域一一对应；
将所述待比对车辆图像中车辆的显著性区域集合输入至所述第二卷积神经网络，提取所述显著性区域集合中每个显著性区域的显著性区域特征。
优选地，所述基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体包括：
基于所述注意力机制网络的参数矩阵、所述车辆特征以及所述车辆特征的映射变换函数，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合。
优选地，所述显著性区域集合中每类显著性区域均分别对应于一预设权重；相应地，
所述确定所述待比对车辆图像中车辆的显著性区域集合，具体包括：
基于所述显著性区域掩膜矩阵集合中的每个显著性区域掩膜矩阵以及每类显著性区域掩膜矩阵对应的预设权重，确定所述显著性区域集合中的每个显著性区域。
优选地，所述计算所述任意两张待比对车辆图像中车辆的显著性区域特征之间的显著性区域相似度，具体包括：
分别计算所述任意两张待比对车辆图像中相对应的每个显著性区域的显著性区域特征之间的局部相似度；
基于所有局部相似度以及每类显著性区域对应的预设权重，计算所述显著性区域相似度。
优选地，所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体由如下公式确定：
M＝h(f(X))⊙F；
其中，M为所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，X为所述待比对车辆图像，f(X)为所述待比对车辆图像中的车辆特征，F为所述注意力机制网络的参数矩阵，h(f(X))为f(X)的映射变换函数。
第二方面，本发明实施例提供了一种车辆重识别***，包括：整体相似度确定子***、显著性区域相似度确定子***和车辆判断子***。其中，
整体相似度确定子***用于将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
显著性区域相似度确定子***用于若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
车辆判断子***用于若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到。
第三方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行第一方面提供的车辆重识别方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的车辆重识别方法。
本发明实施例提供的一种车辆重识别方法及***，采用车辆整体特征与显著性区域特征相结合的方法，考虑了车辆的车灯、车标、车窗、贴标以及挂件等显著性区域，确定任意两张待比对车辆图像是否属于同一车辆，可以提升车辆重识别的效果，保证车辆重识别的准确性。
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一种车辆重识别方法的流程示意图；
图2为本发明实施例提供的一种车辆整体特征比对模块内整体特征提取模型的训练及使用的流程示意图；
图3为本发明实施例提供的一种车辆重识别方法中显著性区域特征比对模块内显著性区域特征提取模型的训练及使用的流程示意图；
图4为本发明实施例提供的一种车辆重识别方法的整体流程示意图；
图5为本发明实施例提供的一种车辆重识别***的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
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作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。
由于实际道路监控应用场景中，受拍摄环境的光线、摄像头角度、车辆行驶的运动模糊等因素影响，同一辆车、在不同拍摄图像中展现出来的特征差异可能较大；而不同车、在不同拍摄图像中展现出来的特征差异可能较小。现有技术中采用的车辆重识别方法均是通过卷积神经网络构建模型实现，而现有技术中的车辆重识别方法仅仅能够通过车辆图像的整体来实现识别，无法保证识别的精度和准确度。为此，本发明实施例中提供了一种车辆重识别方法，主要目标是减小拍摄环境的光线、摄像头角度、车内装饰与车辆行驶的运动模糊等因素的影响，提升实际应用场景下的车辆重识别精度。对某些车型，虽然整体特征相近，但车标区域、车灯设计具有一定差异性；同一车型，不同车的车窗装饰物、贴标、挂件等同样存在差异。本发明实施例中充分利用车辆的车灯、车标、车窗、贴标以及挂件等显著性区域，对车辆进行精确的重识别，提升识别效果。
如图1所示，本发明实施例提供的车辆重识别方法包括：
S1，将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
S2，若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
S3，若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到。
具体地，本发明实施例中提供的一种车辆重识别方法，针对的是一组需要进行车辆重识别的待比对车辆图像，从这组图像中识别出同一车辆或不同车辆，即判断这组图像是属于同一车辆还是属于不同车辆。执行主体可以是本地服务器或云端服务器，本地服务器可以是计算机电脑，也可以是其他能够执行本发明实施例中提供的车辆重识别方法的设备，本发明实施例中对此不作具体限定。
首先，执行步骤S1，对于一组需要进行车辆重识别的待比对车辆图像中的任意两张待比对车辆图像，将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由车辆整体特征比对模块基于整体特征提取模型，确定任意两张待比对车辆图像中车辆的整体相似度。其中，车辆整体特征比对模块中包括整体特征提取模型，整体特征提取模型基于第一卷积神经网络构建。第一卷积神经网络可以是GoogLeNet、ResNet、VGG等卷积神经网络(Convolutional Neural Networks，CNN)。整体特征提取模型可以通过第一类样本车辆图像及第一类样本车辆图像中第一类样本车辆的整体特征，结合ArcLoss和TripletLoss这两种损失函数训练得到，第一类样本车辆图像是指训练整体特征提取模型所采用的样本车辆图像，第一类样本车辆图像中包含有第一类样本车辆，第一类样本车辆的整体特征为预先确定。第一类样本车辆图像及第一类样本车辆图像中第一类样本车辆的整体特征构成第一类训练样本对整体特征提取模型进行训练。
在对整体特征提取模型进行训练时，虽然基于TripletLoss损失函数训练的模型精度较高、但模型收敛较慢，为降低模型训练时间，首先基于ArcLoss分类损失函数进行模型初步拟合，得到预训练模型。再基于所得到预训练模型，结合TripletLoss损失函数对预训练模型进行训练，得到整体特征提取模型。
如图2所示为本发明实施例中提供的车辆重识别方法中车辆整体特征比对模块内整体特征提取模型的训练及使用的流程示意图。图2中包括模型训练和模型使用两部分，对于模型训练部分，向第一卷积神经网络输入第一类训练样本，先后使用ArcLoss和TripletLoss这两种损失函数对第一卷积神经网络进行训练，得到训练后的第一卷积神经网络，即为整体特征提取模型。对于模型使用部分，向整体特征提取模型输入任意两张待比对图像X和Y，整体特征提取模型确定每张待比对图像中车辆的整体特征。
车辆整体特征比对模块根据每张待比对图像中车辆的整体特征，确定任意两张待比对车辆图像X和Y中车辆的整体相似度。计算整体相似度的方法具体可以通过计算X和Y中车辆的整体特征之间的余弦距离、皮尔森相关系数、Jaccard相似系数等确定。
车辆整体特征比对模块确定出整体相似度后，判断整体相似度与第一阈值D1之间的大小关系。其中，第一阈值D1是指表征两张车辆图像属于同一车辆时的最小整体相似度。本发明实施例中提供的车辆重识别方法的执行主体执行，也可以通过其他第三方设备执行。本发明实施例中对此不作具体限定。
然后执行步骤S2，判断步骤S1得到的任意两张待比对车辆图像X和Y中车辆的整体相似度与第一阈值D1之间的大小关系。其中，第一阈值D1是指表征两张车辆图像属于同一车辆时的最小整体相似度。当任意两张待比对车辆图像X和Y中车辆的整体相似度大于等于第一阈值D1时，则说明任意两张待比对车辆图像X和Y中车辆的整体相似度较高，属于同一车辆。
对于整体特征差异较小的车辆图像，仅通过整体特征对比存在较高误判概率。而某些车型虽然整体特征相近，但品牌车标区域、车灯设计具有一定差异性；同一车型，不同车的车窗装饰物、贴标、挂件等同样存在差异。为进一步降低误识率，本方案充分利用车辆的车灯、车标、车窗、贴标以及挂件等显著性区域，辅助验证车辆识别结果，提升识别效果。当任意两张待比对车辆图像X和Y中车辆的整体相似度小于第一阈值D1时，则做进一步判断。将任意两张待比对车辆图像X和Y输入至显著性区域特征比对模块，由显著性区域特征比对模块基于显著性区域特征提取模型，确定任意两张待比对车辆图像中车辆的显著性区域相似度。其中，显著性区域特征比对模块中包括显著性区域特征提取模型，显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建。第二卷积神经网络可以是GoogLeNet、ResNet、VGG等卷积神经网络(Convolutional Neural Networks，CNN)。显著性区域特征提取模型可以通过第二类样本车辆图像，结合ArcLoss或TripletLoss等损失函数训练得到。第二类样本车辆图像是指训练显著性区域特征提取模型所采用的样本车辆图像，第二类样本车辆图像中包含有第二类样本车辆，第二类样本车辆的显著性区域特征为预先确定。第二类样本车辆图像构成第二类训练样本对显著性区域特征提取模型进行训练。
如图3所示为本发明实施例中提供的车辆重识别方法中显著性区域特征比对模块内显著性区域特征提取模型的训练及使用的流程示意图。图3中包括模型训练和模型使用两部分，对于模型训练部分，向第二卷积神经网络输入第二类训练样本，第二卷积神经网络对第二类训练样本进行特征提取，所提取的特征经过映射变换再作为注意力机制网络的输入进行参数计算，注意力机制网络输出显著性区域掩模矩阵集合，作用于第二类训练样本，得到显著性区域集合，再将显著性区域集合输入到第二卷积神经网络，结合全连接层得到显著性区域特征，显著性区域特征结合TripletLoss或ArcLoss等损失函数对显著性区域特征提取模型进行训练，得到显著性区域特征提取模型的参数矩阵。显著性区域特征提取模型基于注意力机制得到对车辆识别有益的显著性区域特征，无需增加额外显著性区域标注数据，即可实现端到端训练。
对于模型使用部分，向显著性区域特征提取模型输入任意两张待比对图像X和Y，显著性区域特征提取模型确定每张待比对图像中车辆的显著性区域特征。显著性区域特征比对模块根据每张待比对图像中车辆的显著性区域特征，确定任意两张待比对车辆图像X和Y中车辆的显著性区域相似度。计算显著性区域相似度的方法具体可以通过计算X和Y中车辆的显著性区域特征之间的余弦距离、皮尔森相关系数、Jaccard相似系数等确定。
显著性区域特征比对模块确定出显著性区域相似度后，判断显著性区域相似度与第二阈值D2之间的大小关系。其中，第二阈值D2是指表征两张车辆图像属于同一车辆时的最小显著性区域相似度。需要说明的是，判断的过程还可以通过本发明实施例中提供的车辆重识别方法的执行主体执行，也可以通过其他第三方设备执行。本发明实施例中对此不作具体限定。
最后，执行步骤S3，即当显著性区域相似度大于等于第二阈值，则判断任意两张待比对车辆图像X和Y属于同一车辆；当显著性区域相似度小于第二阈值，则判断任意两张待比对车辆图像X和Y属于两个不同车辆。
如图4所示为本发明实施例中提供的车辆重识别方法的整体流程示意图，图4中将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，进行整体特征比对，并由车辆整体特征比对模块确定整体相似度与第一阈值D1之间的大小关系，如果整体相似度大于等于D1，则判断任意两张待比对车辆图像属于同一车辆，否则，将任意两张待比对车辆图像输入至显著性区域特征比对模块，进行显著性区域特征比对，并由显著性区域特征比对模块确定任意两张待比对车辆图像中车辆的显著性区域相似度与第二阈值D2之间的大小关系，如果显著性区域相似度大于等于D2，则任意两张待比对车辆图像属于同一车辆，否则属于不同车辆。
本发明实施例中提供的车辆重识别方法，采用车辆整体特征与显著性区域特征相结合的方法，考虑了车辆的车灯、车标、车窗、贴标以及挂件等显著性区域，确定任意两张待比对车辆图像是否属于同一车辆，可以提升车辆重识别的效果，保证车辆重识别的准确性。
在上述实施例的基础上，本发明实施例中提供的车辆重识别方法，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度，具体包括：
基于所述显著性区域特征提取模型分别提取所述任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征；
计算所述任意两张待比对车辆图像中车辆的显著性区域特征之间的余弦距离，将所述余弦距离作为所述显著性区域相似度。
具体地，本发明实施例中，分别将任意两张待比对车辆图像X和Y输入至显著性区域特征提取模型，由显著性区域特征提取模型分别提取X和Y中车辆的显著性区域特征，并采用计算余弦距离的方式确定X和Y中车辆的显著性区域特征之间的显著性区域相似度。
余弦距离的计算公式如下：
其中，d表示余弦距离，θ表示X和Y在向量空间中的夹角。
本发明实施例中，通过显著性区域特征提取模型提取显著性区域特征，通过计算显著性区域特征之间的余弦距离确定显著性区域相似度，计算过程简单，而且计算得到的显著性区域相似度更加准确可靠。
在上述实施例的基础上，本发明实施例中提供的车辆重识别方法，所述基于所述显著性区域特征提取模型分别提取所述任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征，具体包括：
对于所述任意两张待比对车辆图像中每张待比对车辆图像，基于所述第二卷积神经网络，提取所述待比对车辆图像中的车辆特征，并将所述车辆特征输入至注意力机制网络；
基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，并确定所述待比对车辆图像中车辆的显著性区域集合；其中，所述显著性区域掩膜矩阵集合中包括多个显著性区域掩膜矩阵，所述显著性区域集合中包括多个显著性区域，所述显著性区域掩膜矩阵与所述显著性区域一一对应；
将所述待比对车辆图像中车辆的显著性区域集合输入至所述第二卷积神经网络，提取所述显著性区域集合中每个显著性区域的显著性区域特征。
具体地，本发明实施例中，在通过显著性区域特征提取模型提取任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征时，将任意两张待比对车辆图像中每张待比对车辆图像均输入至显著性区域特征提取模型，以待比对车辆图像X为例进行说明。由第二卷积神经网络提取待比对车辆图像X中的车辆特征f(X)，并将车辆特征f(X)输入至注意力机制网络。由注意力机制网络确定待比对车辆图像X中车辆的显著性区域掩膜矩阵集合M＝[M1,M2,...,Mn]，其中，n为待比对车辆图像X中车辆的显著性区域的数量，n的取值可根据具体业务应用场景中模型训练效果进行设定。M1为第一个显著性区域对应的显著性区域掩膜矩阵，M2为第二个显著性区域对应的显著性区域掩膜矩阵，同理Mn为第n个显著性区域对应的显著性区域掩膜矩阵。将得到的显著性区域掩膜矩阵集合M作用于待比对车辆图像X，即可确定待比对车辆图像X中车辆的显著性区域集合，即将显著性区域掩膜矩阵集合M与待比对车辆图像X进行卷积。
然后，将待比对车辆图像X中车辆的显著性区域集合输入至第二卷积神经网络，提取显著性区域集合中每个显著性区域的显著性区域特征。
本发明实施例中，通过第二卷积神经网络以及注意力机制网络确定出显著性区域特征，使得显著性区域特征的提取更加简便可行。
在上述实施例的基础上，本发明实施例中提供的车辆重识别方法，所述基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体包括：
基于所述注意力机制网络的参数矩阵、所述车辆特征以及所述车辆特征的映射变换函数，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合。
具体地，本发明实施例中，在确定显著性区域掩膜矩阵集合时，具体可根据注意力机制网络的参数矩阵、车辆特征以及车辆特征的映射变换函数确定。其中，注意力机制网络的参数矩阵在对显著性区域特征提取模型训练时确定，车辆特征通过第二卷积神经网络确定，车辆特征的映射变换函数为预先确定的函数，例如logistic函数、sigmoid函数等。
在上述实施例的基础上，待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体可以由如下公式确定：
M＝h(f(X))⊙F；
其中，M为所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，X为所述待比对车辆图像，f(X)为所述待比对车辆图像中的车辆特征，F为所述注意力机制网络的参数矩阵，h(f(X))为f(X)的映射变换函数。当映射变换函数具体为logistic函数时，有：
其中，k为常数。
在上述实施例的基础上，本发明实施例中提供的车辆重识别方法，所述显著性区域集合中每个显著性区域均分别对应于一预设权重；
相应地，所述确定所述待比对车辆图像中车辆的显著性区域集合，具体包括：
基于所述显著性区域掩膜矩阵集合中的每个显著性区域掩膜矩阵以及每个显著性区域掩膜矩阵对应的预设权重，确定所述显著性区域集合中的每个显著性区域。
具体地，本发明实施例中，由于车灯、车标、车窗、贴标以及挂件等不同类别的显著性区域在车辆重识别任务中贡献度具有一定差异性，因此本发明实施例中显著性区域集合中每类显著性区域均分别对应于一预设权重。
因此，在确定待比对车辆图像中车辆的显著性区域集合时，具体可以基于显著性区域掩膜矩阵集合中的每个显著性区域掩膜矩阵以及每类显著性区域掩膜矩阵对应的预设权重，确定显著性区域集合中的每个显著性区域。其中，预设权重在显著性区域特征提取模型训练时确定，为常数。
显著性区域集合中的每个显著性区域具体可通过如下公式确定：
Xiatt＝αi(X⊙Μi),i∈n；
其中，Xiatt为显著性区域集合中的第i个显著性区域，αi为第i个显著性区域所属类别对应的预设权重。
显著性区域特征提取模型在训练过程中，将提取的第二类样本车辆图像的n个显著性区域[X1att,X2att,...,Xnatt]输入到第二卷积神经网络中进行显著性区域特征提取，基于所提取的显著性区域特征、不同类别的显著性区域对应的预设权重，结合TripletLoss或ArcLoss等损失函数进行模型训练。训练过程中包括第二卷积神经网络的参数矩阵、注意力机制网络的参数矩阵(包含不同类别的显著性区域对应的预设权重)两部分，具体可采用交替训练的方式，自适应得到显著性区域特征提取模型内的参数矩阵和不同类别的显著性区域对应的预设权重。
本发明实施例中，显著性区域特征提取模型构建与训练时，可以自适应得到不同类别的显著性区域在车辆重识别任务中的贡献度，即预设权重，采用带有权重的多显著性区域特征得到显著性区域相似度，实现端到端的显著性区域区域特征提取，无需增加其他输入数据标注。
在上述实施例的基础上，本发明实施例中提供的车辆重识别方法，所述计算所述任意两张待比对车辆图像中车辆的显著性区域特征之间的显著性区域相似度，具体包括：
分别计算所述任意两张待比对车辆图像中相对应的每个显著性区域的显著性区域特征之间的局部相似度；
基于所有局部相似度以及每类显著性区域对应的预设权重，计算所述显著性区域相似度。
具体地，本发明实施例中在计算显著性区域相似度时，可以先分别计算出局部相似度，然后根据所有局部相似度以及每类显著性区域对应的预设权重，计算所述显著性区域相似度。得到的显著性区域相似度是一种综合性的显著性区域相似度，具体如下：
其中，L为显著性区域相似度，Li为局部相似度。
如图5所示，本发明实施例中提供了一种车辆重识别***，包括：整体相似度确定子***51、显著性区域相似度确定子***52和车辆判断子***53。其中，
整体相似度确定子***51用于将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
显著性区域相似度确定子***52用于若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
车辆判断子***53用于若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到。
具体地，本发明实施例中提供的车辆重识别***中各子***的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述方法类实施例，本发明实施例中对此不再赘述。
图6所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，包括：处理器(processor)601、存储器(memory)602、通信接口(Communications Interface)603和总线604；其中，
所述处理器601、存储器602、通信接口603通过总线604完成相互间的通信。所述存储器602存储有可被所述处理器601执行的程序指令，处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆。
存储器602中的逻辑指令可以通过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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上，本发明实施例中提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (6)

1.一种车辆重识别方法，其特征在于，包括：
将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，提取每张待比对图像中车辆的显著性区域特征，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
若所述整体相似度大于所述第一阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到；
所述显著性区域特征，基于如下步骤确定：
对于所述任意两张待比对车辆图像中每张待比对车辆图像，基于所述第二卷积神经网络，提取所述待比对车辆图像中的车辆特征，并将所述车辆特征输入至注意力机制网络；
基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，并确定所述待比对车辆图像中车辆的显著性区域集合；其中，所述显著性区域掩膜矩阵集合中包括多个显著性区域掩膜矩阵，所述显著性区域集合中包括多个显著性区域，所述显著性区域掩膜矩阵与所述显著性区域一一对应；
将所述待比对车辆图像中车辆的显著性区域集合输入至所述第二卷积神经网络，提取所述显著性区域集合中每个显著性区域的显著性区域特征；
所述基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体包括：
基于所述注意力机制网络的参数矩阵、所述车辆特征以及所述车辆特征的映射变换函数，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合；
所述显著性区域集合中每类显著性区域均分别对应于一预设权重；相应地，所述确定所述待比对车辆图像中车辆的显著性区域集合，具体包括：
基于所述显著性区域掩膜矩阵集合中的每个显著性区域掩膜矩阵以及每类显著性区域掩膜矩阵对应的预设权重，确定所述显著性区域集合中的每个显著性区域；
所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体由如下公式确定：
M＝h(f(X))⊙F；
其中，M为所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，X为所述待比对车辆图像，f(X)为所述待比对车辆图像中的车辆特征，F为所述注意力机制网络的参数矩阵，h(f(X))为f(X)的映射变换函数。
2.根据权利要求1所述的车辆重识别方法，其特征在于，所述确定所述任意两张待比对车辆图像中车辆的显著性区域相似度，具体包括：
基于所述显著性区域特征提取模型分别提取所述任意两张待比对车辆图像中每张待比对车辆图像中车辆的显著性区域特征；
计算所述任意两张待比对车辆图像中车辆的显著性区域特征之间的余弦距离，将所述余弦距离作为所述显著性区域相似度。
3.根据权利要求1所述的车辆重识别方法，其特征在于，所述确定所述任意两张待比对车辆图像中车辆的显著性区域相似度，还包括：
分别计算所述任意两张待比对车辆图像中相对应的每个显著性区域的显著性区域特征之间的局部相似度；
基于所有局部相似度以及每类显著性区域对应的预设权重，计算所述显著性区域相似度。
4.一种车辆重识别***，其特征在于，包括：
整体相似度确定子***，用于将任意两张待比对车辆图像均输入至车辆整体特征比对模块中，由所述车辆整体特征比对模块基于整体特征提取模型，确定所述任意两张待比对车辆图像中车辆的整体相似度；
显著性区域相似度确定子***，用于若所述整体相似度小于第一阈值，则将所述任意两张待比对车辆图像输入至显著性区域特征比对模块，由所述显著性区域特征比对模块基于显著性区域特征提取模型，提取每张待比对图像中车辆的显著性区域特征，确定所述任意两张待比对车辆图像中车辆的显著性区域相似度；
车辆判断模块，用于若所述显著性区域相似度大于等于第二阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
若所述整体相似度大于所述第一阈值，则判断所述任意两张待比对车辆图像属于同一车辆；
其中，所述整体特征提取模型基于第一卷积神经网络构建，并通过第一类样本车辆图像及所述第一类样本车辆图像中第一类样本车辆的整体特征训练得到；所述显著性区域特征提取模型基于第二卷积神经网络以及注意力机制网络构建，并通过第二类样本车辆图像训练得到；
所述显著性区域特征，基于如下步骤确定：
对于所述任意两张待比对车辆图像中每张待比对车辆图像，基于所述第二卷积神经网络，提取所述待比对车辆图像中的车辆特征，并将所述车辆特征输入至注意力机制网络；
基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，并确定所述待比对车辆图像中车辆的显著性区域集合；其中，所述显著性区域掩膜矩阵集合中包括多个显著性区域掩膜矩阵，所述显著性区域集合中包括多个显著性区域，所述显著性区域掩膜矩阵与所述显著性区域一一对应；
将所述待比对车辆图像中车辆的显著性区域集合输入至所述第二卷积神经网络，提取所述显著性区域集合中每个显著性区域的显著性区域特征；
所述基于所述注意力机制网络，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体包括：
基于所述注意力机制网络的参数矩阵、所述车辆特征以及所述车辆特征的映射变换函数，确定所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合；
所述显著性区域集合中每类显著性区域均分别对应于一预设权重；相应地，所述确定所述待比对车辆图像中车辆的显著性区域集合，具体包括：
基于所述显著性区域掩膜矩阵集合中的每个显著性区域掩膜矩阵以及每类显著性区域掩膜矩阵对应的预设权重，确定所述显著性区域集合中的每个显著性区域；
所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，具体由如下公式确定：
M＝h(f(X))⊙F；
其中，M为所述待比对车辆图像中车辆的显著性区域掩膜矩阵集合，X为所述待比对车辆图像，f(X)为所述待比对车辆图像中的车辆特征，F为所述注意力机制网络的参数矩阵，h(f(X))为f(X)的映射变换函数。
5.一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的车辆重识别方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的车辆重识别方法的步骤。
CN201911032114.3A 2019-10-28 2019-10-28 车辆重识别方法及*** Active CN112733578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911032114.3A CN112733578B (zh) 2019-10-28 2019-10-28 车辆重识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911032114.3A CN112733578B (zh) 2019-10-28 2019-10-28 车辆重识别方法及***

Publications (2)

Publication Number Publication Date
CN112733578A CN112733578A (zh) 2021-04-30
CN112733578B true CN112733578B (zh) 2024-05-24

Family

ID=75588826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911032114.3A Active CN112733578B (zh) 2019-10-28 2019-10-28 车辆重识别方法及***

Country Status (1)

Country Link
CN (1) CN112733578B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177533B (zh) * 2021-05-28 2022-09-06 济南博观智能科技有限公司 一种人脸识别方法、装置及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610102A (zh) * 2012-02-27 2012-07-25 安科智慧城市技术（中国）有限公司 一种嫌疑车辆查控方法及***
CN105320923A (zh) * 2014-08-05 2016-02-10 北京大学 车型识别方法及装置
WO2018121690A1 (zh) * 2016-12-29 2018-07-05 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
CN109034086A (zh) * 2018-08-03 2018-12-18 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109063768A (zh) * 2018-08-01 2018-12-21 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109145777A (zh) * 2018-08-01 2019-01-04 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109165589A (zh) * 2018-08-14 2019-01-08 北京颂泽科技有限公司 基于深度学习的车辆重识别方法和装置
CN109189970A (zh) * 2018-09-20 2019-01-11 北京京东尚科信息技术有限公司 图片相似度比对方法和装置
CN109815924A (zh) * 2019-01-29 2019-05-28 成都旷视金智科技有限公司 表情识别方法、装置及***
WO2019153908A1 (zh) * 2018-02-11 2019-08-15 北京达佳互联信息技术有限公司 基于注意力模型的图像识别方法和***
CN110298240A (zh) * 2019-05-21 2019-10-01 北京迈格威科技有限公司 一种汽车用户识别方法、装置、***及存储介质
CN110309880A (zh) * 2019-07-01 2019-10-08 天津工业大学 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102610102A (zh) * 2012-02-27 2012-07-25 安科智慧城市技术（中国）有限公司 一种嫌疑车辆查控方法及***
CN105320923A (zh) * 2014-08-05 2016-02-10 北京大学 车型识别方法及装置
WO2018121690A1 (zh) * 2016-12-29 2018-07-05 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
WO2019153908A1 (zh) * 2018-02-11 2019-08-15 北京达佳互联信息技术有限公司 基于注意力模型的图像识别方法和***
CN109063768A (zh) * 2018-08-01 2018-12-21 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109145777A (zh) * 2018-08-01 2019-01-04 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109034086A (zh) * 2018-08-03 2018-12-18 北京旷视科技有限公司 车辆重识别方法、装置及***
CN109165589A (zh) * 2018-08-14 2019-01-08 北京颂泽科技有限公司 基于深度学习的车辆重识别方法和装置
CN109189970A (zh) * 2018-09-20 2019-01-11 北京京东尚科信息技术有限公司 图片相似度比对方法和装置
CN109815924A (zh) * 2019-01-29 2019-05-28 成都旷视金智科技有限公司 表情识别方法、装置及***
CN110298240A (zh) * 2019-05-21 2019-10-01 北京迈格威科技有限公司 一种汽车用户识别方法、装置、***及存储介质
CN110309880A (zh) * 2019-07-01 2019-10-08 天津工业大学 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Attention Is All You Need;Ashish Vaswani et al;《31st Conference on Neural Information Processing Systems (NIPS 2017)》;第1-11页 *
CBAM: Convolutional Block Attention Module;Sanghyun Woo et al;《arXiv》;第1-17页 *
一种改进的视频分割网络及其全局信息优化方法;张琳 等;《自动化学报》;第1-11页 *
基于 SoC FPGA 和 CNN 模型的动作识别***设计;陈旭东 等;《电子技术应用 》;第45卷(第2期);第97-108页 *
王兆晖.《图像复制》.西安：西安电子科技大学出版社,2017,第105-108页. *

Also Published As

Publication number Publication date
CN112733578A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
US10803359B2 (en) Image recognition method, apparatus, server, and storage medium
Jung et al. ResNet-based vehicle classification and localization in traffic surveillance systems
US10176405B1 (en) Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN108470332B (zh) 一种多目标跟踪方法及装置
CN111709409B (zh) 人脸活体检测方法、装置、设备及介质
CN108197326B (zh) 一种车辆检索方法及装置、电子设备、存储介质
CN108491837B (zh) 一种提高车牌攻击鲁棒性的对抗攻击方法
CN108447080B (zh) 基于分层数据关联和卷积神经网络的目标跟踪方法、***和存储介质
WO2016145547A1 (en) Apparatus and system for vehicle classification and verification
WO2018109505A1 (en) Transforming source domain images into target domain images
CN108805016B (zh) 一种头肩区域检测方法及装置
CN109117701A (zh) 基于图卷积的行人意图识别方法
CN105117720A (zh) 基于时空模型的目标尺度自适应跟踪方法
CN111860352B (zh) 一种多镜头车辆轨迹全跟踪***及方法
CN111079847A (zh) 一种基于深度学习的遥感影像自动标注方法
CN113034545A (zh) 一种基于CenterNet多目标跟踪算法的车辆跟踪方法
US20220148292A1 (en) Method for glass detection in real scenes
WO2021243947A1 (zh) 对象再识别方法及装置、终端和存储介质
CN116935447B (zh) 基于自适应师生结构的无监督域行人重识别方法及***
CN110852358A (zh) 一种基于深度学习的车辆类型判别方法
CN102339390A (zh) 一种视频监控***目标模板的更新方法及***
CN112733578B (zh) 车辆重识别方法及***
CN108280481A (zh) 一种基于残差网络的联合目标分类和三维姿态估计方法
CN113269038B (zh) 一种基于多尺度的行人检测方法
CN114998801A (zh) 基于对比自监督学习网络的森林火灾烟雾视频检测方法

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