CN115311632A - 一种基于多摄像头的车辆重识别方法和设备 - Google Patents

一种基于多摄像头的车辆重识别方法和设备 Download PDF

Info

Publication number
CN115311632A
CN115311632A CN202210961626.3A CN202210961626A CN115311632A CN 115311632 A CN115311632 A CN 115311632A CN 202210961626 A CN202210961626 A CN 202210961626A CN 115311632 A CN115311632 A CN 115311632A
Authority
CN
China
Prior art keywords
image
target
vehicle
matched
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.)
Pending
Application number
CN202210961626.3A
Other languages
English (en)
Inventor
卢鑫
贾军营
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.)
Shenyang Fengchi Software Co ltd
Original Assignee
Shenyang Fengchi Software 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 Shenyang Fengchi Software Co ltd filed Critical Shenyang Fengchi Software Co ltd
Priority to CN202210961626.3A priority Critical patent/CN115311632A/zh
Publication of CN115311632A publication Critical patent/CN115311632A/zh
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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于多摄像头的车辆重识别方法和设备。所述方法包括获取初始图像，进行目标检测，获取目标所属类别并提取初始图像中的目标车辆图像保存至目标图像库；将待匹配车辆图像保存至待匹配图像库；从目标图像库中选取目标车辆图像进行目标分割；引入多种车辆特征用于对目标车辆图像编码，得到编码信息；将编码信息输入基于Transformer的多尺度分层特征提取网络，获取全局特征；根据卷积神经网络和所述目标分割结果提取局部特征；根据全局特征和局部特征计算目标车辆图像与待匹配图像库中的所有待匹配车辆图像之间的近似程度，对目标车辆进行重识别。以此方式，实现了在多摄像头下的车辆重匹配，提高检测效率和质量，节省人力物力，节约成本和资源。

Description

一种基于多摄像头的车辆重识别方法和设备
技术领域
本发明一般涉及车辆识别领域，并且更具体地，涉及一种基于多摄像头的车辆重识别方法和设备。
背景技术
多摄像头车辆重识别是指在多个摄像头中，在不同时刻找出同一辆车。通过分析车辆出现在哪些摄像头中，根据这些摄像头的位置就能判断车辆的行车轨迹，从而实现对车辆的跟踪。
目前在多摄像头下对车辆跟踪识别主要依赖于人工分析，安排工作人员仔细查看每一个摄像头拍摄的图像，并在每个摄像头中找出需要跟踪的同一辆车。近年来也有一些技术采用计算机视觉的方法实现车辆重识别，包括：
1.利用车辆的车牌进行车辆重识别，在不同摄像机下识别车辆的车牌，当在不同摄像头下检测出同一车牌后，即判定为同一辆车，根据这些摄像头的位置就能判断车辆的行车轨迹，实现车辆重识别。
2.利用车辆的外观颜色等信息进行车辆重识别，在不同摄像头下识别颜色最相近的车辆即判定为同一辆车。根据这些摄像头的位置就能判断车辆的行车轨迹，实现车辆重识别。
现有的人工检测技术需要安排大量工作人员仔细检查拍摄图像，找出在不同摄像头下拍摄的同一辆车，耗费大量人力、物力和财力。利用车牌信息进行车辆重识别最大的不足是当车牌因为被遮挡等原因，摄像头无法拍摄到车牌或者拍到但是无法识别车牌时，由于获取不到车牌信息，导致车辆重识别失败，无法在多摄像头下找出同一辆车。利用车辆颜色信息进行车辆重识别最大的不足是在不同摄像头下，由于摄像头周边光照等环境条件的不同，导致车辆的颜色在不同光照环境下可能不相同，因此用车辆外观颜色作为判断车辆重识别的依据可能会出现很多检测错误的情况。
发明内容
根据本发明的实施例，提供了一种基于多摄像头的车辆重识别方案。本方案取代了传统的人工检测方法，能够解决基于车辆车牌进行车辆重识别准确性不高的问题，实现了在多摄像头下的车辆重匹配，提高检测效率和质量，节省人力物力，节约成本和资源。
在本发明的第一方面，提供了一种基于多摄像头的车辆重识别方法。该方法包括：
获取若干个摄像头采集的初始图像；
利用目标检测算法对所述初始图像进行目标检测，获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像库；以及，将所述待匹配车辆图像保存至待匹配图像库；
对所述目标图像库和待匹配图像库中的图像进行目标分割，得到目标分割结果；
对所述目标图像库和待匹配图像库中的图像进行编码，引入多种车辆特征对车辆进行编码，得到图像的编码信息；
将所述图像的编码信息输入基于Transformer的多尺度分层特征提取网络，获取图像的全局特征；根据卷积神经网络和所述目标分割结果提取图像的局部特征；
从所述目标图像库中获取目标车辆图像，根据所述目标车辆图像的全局特征和局部特征，计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，并根据所述近似程度对目标车辆进行重识别。
进一步地，所述获取若干个摄像头采集的初始图像，包括：
选取若干个摄像头，其中一个摄像头作为采集摄像头，用于获取目标图像；其他摄像头作为待匹配摄像头，用于获取待匹配图像；
设定图像采集的时间间隔，按照所述时间间隔采集待匹配图像和目标图像，作为的初始图像。
进一步地，所述利用目标检测算法对所述初始图像进行目标检测，获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像库；以及，将所述待匹配车辆图像保存至待匹配图像库，包括：
将所述初始图像输入用于目标检测的深度学习卷积神经网络，输出所述初始图像中所有车辆在对应所述初始图像中的位置信息及所属类别信息，并用矩形框标出所述初始图像中的所有车辆；
对所述矩形框内部分进行提取，得到目标车辆图像和待匹配车辆图像。
进一步地，所述对所述目标图像库和待匹配图像库中的图像进行目标分割，得到目标分割结果，包括：
利用图像分割算法对所述目标图像库和待匹配图像库中的每张图像进行分割，得到若干个区域分割块作为每张图像的目标分割结果，所述区域分割块用于描述图像中的车前部区域、车顶部区域、车侧部区域、车尾部区域以及背景区域。
进一步地，所述对所述目标图像库和待匹配图像库中的图像进行编码，得到所述图像的编码信息，包括：
将所述目标图像库和待匹配图像库中的每张图像分成若干等面积的图像块，根据所述图像块在对应图像中的位置进行编码，得到所述图像块的位置编码信息；
对所述图像块的图像信息进行卷积和线性归一化处理，得到图像编码信息；
根据目标所属类别得到目标类别编码信息；
根据所述目标分割结果得到目标分割结果编码信息；
将所述图像编码信息、目标类别编码信息、目标分割结果编码信息以及所述图像块的位置编码信息之和作为当前图像的编码信息。
进一步地，所述基于Transformer的特征提取网络，包括第一Transformer结构层、第二Transformer结构层、第三Transformer结构层和第四Transformer结构层，其中，所述第一Transformer结构层、第二Transformer结构层和第四Transformer结构层分别包括2个Transformer结构；所述第四Transformer结构层包括6个Transformer结构；相邻的Transformer结构层之间包括1个上采样层。
进一步地，根据卷积神经网络和所述目标分割结果提取图像的局部特征，包括：
通过ResNet卷积神经网络提取所述目标图像库和待匹配图像库中每张图像的图像特征；
根据所述目标分割结果分别制作对应部分的掩膜；
将每张图像的图像特征与所述对应部分的掩膜相乘，再进行线性变换，得到当前图像的局部特征。
进一步地，所述根据所述目标车辆图像的全局特征和局部特征，计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，包括：
以所述目标车辆图像遍历所述待匹配图像库中的全部待匹配车辆图像，计算所述目标车辆图像与待匹配车辆图像对应部分的局部特征欧氏距离，并累加对应部分的权重，得到若干个局部特征距离值；以及计算所述目标车辆图像与待匹配车辆图像的全局特征欧氏距离，得到若干个全局特征距离值；
将相同待匹配车辆图像对应的局部特征距离值与全局特征距离值进行累加，得到所述目标车辆图像与待匹配车辆图像之间的若干个特征距离值。
进一步地，所述根据所述近似程度对目标车辆进行重识别，包括：
获取所述若干个特征距离值中的最小值；
若所述若干个特征距离值中的最小值小于预设阈值，则目标车辆重识别成功，将重识别成功的车辆图像从对应图像库中删除；
若所述若干个特征距离值中的最小值不小于预设阈值，则目标车辆重识别失败，保存目标车辆的局部特征信息、全局特征信息和掩膜信息
在本发明的第二方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；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本发明第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于多摄像头的车辆重识别方法的流程图；
图2示出了根据本发明的实施例的改进的YOLOv4网络结构示意图；
图3示出了根据本发明的实施例的标记矩形框的初始图像示意图；
图4示出了根据本发明的实施例的图像分割结果示意图；
图5示出了根据本发明的实施例的根据图像分割结果制作的掩膜示意图；
图6示出了根据本发明的实施例的基于Transformer的特征提取网络结构示意图；
图7示出了根据本发明的实施例的Transformer层的结构示意图；
图8示出了能够实施本发明的实施例的示例性电子设备的方框图；
其中，800为电子设备、801为CPU、802为ROM、803为RAM、804为总线、805为I/O接口、806为输入单元、807为输出单元、808为存储单元、809为通信单元。
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全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明取代了传统的人工检测方法，能够解决基于车辆车牌进行车辆重识别准确性不高的问题，实现了在多摄像头下的车辆重匹配，提高检测效率和质量，节省人力物力，节约成本和资源。
图1示出了本发明实施例的基于多摄像头的车辆重识别方法的流程图。
该方法包括：
S101、获取若干个摄像头采集的初始图像。
作为本发明的一种实施例，所述获取若干个摄像头采集的初始图像，包括：
首先，选取若干个摄像头，其中任意选取一个摄像头作为采集摄像头，用于获取目标图像；其他摄像头作为待匹配摄像头，用于获取待匹配图像。
然后，设定图像采集的时间间隔，按照所述时间间隔采集待匹配图像和目标图像，作为的初始图像。
在本实施例中，若干个可以用N来表示，N为不小于2的正整数。摄像头每间隔q秒采集一张图像，因此每q秒可以获得N张图像。其中选取任意一个摄像头作为采集摄像头，其余N-1个摄像头作为待匹配摄像头。每隔一个时间间隔q秒，可以采集到1张目标图像和N-1张待匹配图像。
S102、利用目标检测算法对所述初始图像进行目标检测，提取所述初始图像中的目标车辆图像保存至目标图像库；以及，将所述待匹配车辆图像保存至待匹配图像库。
作为本发明的一种实施例，所述利用目标检测算法对所述初始图像进行目标检测，获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像库，包括：
将所述初始图像输入用于目标检测的深度学习卷积神经网络，输出所述初始图像中所有目标车辆在对应初始图像中的位置信息，并用矩形框标出所述初始图像中的目标车辆以及所述待匹配图像中的待匹配车辆；对所述矩形框内部分进行提取，得到目标车辆图像和待匹配车辆图像。
在本实施例中，所述用于目标检测的深度学习卷积神经网络为YOLO v4网络结构。
作为本发明的一种实施例，如图2所示，可以在YOLO v4算法的基础上加以改进，改进的YOLO v4网络结构由：CSPDarknet5、CBL、SPP、UpSample、Conv以及3个输出模块组成。
CSPDarknet53网络是由CSP和Darknet53组成；CSP分别为Cross、Stage、Partial；CSP可以增强CNN的学习能力，能够在轻量化的同时保持准确性、降低计算难度和内存成本。Darknet53是一种基于Darknet的网络结构，其中包含5个大的残差网络块，每一个大的残差网络块又包含一定数量的残差网络结构。CSPDarknet53就是在Darknet53的每个大残差块上加上CSP结构。
CBL由Conv+BN+Leaky_relu激活函数三者组成，其中，Conv表示卷积层，BN表示归一化，Leaky_relu为一种激活函数。
SPP为空间金字塔池化层，能够对于任意大小的输入产生固定的输出，解决了因为输入图像的非比例压缩导致的图像变形误差。
UpSample表示对数据上采样操作。
3个输出模块分别为76*76*3*(4+1+class_num)、38*38*3*(4+1+class_num)和19*19*3*(4+1+class_num)。
上述实施例中，改进后的YOLO v4网络结构在YOLO v 4网络中加入两个SPP模块，减少了图像变形的误差，提升了检测小目标的检测能力。
对于每一次采集周期采集到的N张初始图像，首先对其中的1张目标图像进行目标检测，获取车辆位置信息，并用矩形框在所述目标图像中标记出检测到的w辆目标车辆，如图3所示，其中w为不小于1的正整数。提取矩形框内的图像，得到w张目标车辆图像，记作P0w。将P0w放入目标图像库中，用于后续车辆重识别匹配。其次，对N-1张待检测图像进行目标检测，对于第i张待检测图像，设检测到Mi辆待检测车辆，并用矩形框标出，提取矩形框内的图像，对于第j个图像，可以记作Pij(i＝1～N-1；j＝1～Mi)。将所有待匹配车辆图像放入待匹配图像库中，用于后续与目标图像库中目标图像进行车辆重识别匹配。
在本实施例中，一共提取到S张车辆图像。其中，
Figure BDA0003792966990000091
其中，S为提取到的车辆图像数量；w为所述目标图像中的目标车辆数量；Mi为第i张待检测图像中的待检测车辆数量；N为每一采集周期采集到的车辆图像数量。
S103、对所述目标图像库和待匹配图像库中的图像进行目标分割，得到目标分割结果。
作为本发明的一种实施例，利用图像分割算法对对所述目标图像库和待匹配图像库中的图像进行分割，每张图像得到若干个区域分割块作为目标分割结果，所述区域分割块用于描述图像中的车前部区域、车顶部区域、车侧部区域、车尾部区域以及背景区域。
在本实施例中，图像分割可以采用基于深度学习的图像分割算法，例如Deeplab系列、PSPNet网络、U-Net网络、U-Net++网络等。
在本实施例中，可以将车辆图像划分为4个部分，分别为车的前部、侧部、顶部和尾部。其中车的前部可以是以车头为正视图所显示的部分；车的侧部可以是以车的两个侧部为正视图所显示的部分，车的顶部可以是以车顶为正视图所显示的部分，车的尾部可以是以车尾为正视图所显示的部分。其中，划分的前部、侧部、顶部和尾部不存在重复区域，且覆盖车体的全部部分。图像剩余部分为图像的背景部分，在计算局部特征时，不考虑背景部分。如图4所示，其中图4(a)为车辆图像，图4(b)为图像分割结果，包括车的前部、侧部和顶部。
S104、对所述目标图像库和待匹配图像库中的图像进行编码，得到图像的编码信息。
作为本发明的一种实施例，对图像进行编码，包括：
将目标图像库和待匹配图像库中的每张图像分成若干等面积的图像块，根据所述图像块在对应图像中的位置进行编码，得到所述图像块的位置编码信息；
对所述图像块的图像信息进行卷积和线性归一化处理，得到图像编码信息；
根据目标所属类别得到目标类别编码信息；
根据所述目标分割结果得到目标分割结果编码信息；
将所述图像编码信息、目标类别编码信息、目标分割结果编码信息以及所述图像块的位置编码信息之和作为当前图像的编码信息。
在上述实施例中，将目标检测获取的图像尺寸统一成224*224*3。
图像块的位置编码：
将车辆图像分成等面积的图像块，输入图像的宽为224，高为224，图像通道数为3。先对输入图像进行分块，以4*4为一个窗口，即把224*224的图像分成56*56＝3136个图像块。对3136个图像分块从0到3135位置编码，即得到图像块的位置编码信息。
图像编码：
以卷积核尺寸为4，通道数96，对输入图像卷积和线性归一化操作，输出结果为B*96*56*56，整理后为B*3136*96，即图像编码信息。
目标类别编码：
目标检测一共将车辆分为9个类别，分别为轿车(两厢)、SUV、厢式货车、轿车(三厢)、MPV、轻型货车(皮卡)、公交车、卡车、多功能车。他们对应的类别ID分别为0～8。根据车辆类别采用类别ID进行编码，得到目标类别编码信息。
图像分割结果编码：
在上述实施例中，已经通过图像分割算法对车辆图像进行目标分割，将车辆分为5个部分，即车前部区域、车顶部区域、车侧部区域、车尾部区域以及背景区域。统计每个部分在图像中所占的面积。以车前部、车顶部、车侧部、车尾部的顺序二进制编码，如果4个部分都没检测出来，则编码为0000，对应的十进制编码为0。记车前部区域面积为S1，车顶部区域面积为S2，车侧部区域面积为S3，车后部区域面积为S4。当S1大于0.2*(S1+S2+S3+S4)时，认为检测出车前部，则二进制编码为1000，即十进制编码为8。如果一张目标车辆图像中，同时检测出车侧部和车后部，则二进制编码为0011，即十进制编码为3。统计所有图像的分割结果，每张图像对应一个数字编码。
将上述特征编码扩充到统一维度，并在同维度上相加，即得到目标车辆图像的整体特征编码信息，输入到基于Transformer的特征提取网络中。
S105、将所述目标车辆图像的编码信息输入基于Transformer的特征提取网络，获取图像的全局特征；根据卷积神经网络和所述目标分割结果提取图像的局部特征。
具体地，在本实施例中，通过引入Transformer技术进行全局目标提取，不仅在提取特征时有优异的性能，而且解决了卷积神经网络在提取小图片特征时容易丢失细节特征的问题，提升了重识别小尺寸图片的能力。
在本实施例中，如图6所示，所述基于Transformer的特征提取网络，包括第一Transformer结构层、第二Transformer结构层、第三Transformer结构层和第四Transformer结构层，其中，所述第一Transformer结构层、第二Transformer结构层和第四Transformer结构层分别包括2个Transformer结构；所述第四Transformer结构层包括6个Transformer结构；相邻的Transformer结构层之间包括1个上采样层。
图像的编码信息首先输入到第一Transformer层中，该层有两个Transformer结构组成，其中Transformer结构如图7所示。车辆图像的长度和宽度都为224，因此输入大小为B*56*56*96。经过第一Transformer层后输出也为B*56*56*96。之后输入到第一上采样层，所述上采样层用于进行扩大视野的操作，目的是获得更大的视野范围。对输出结果进行卷积和线性变换，输出的宽高相较于输入各减少一半，通道数则增加一倍。之后再依次通过第二Transformer层、上采样层、第三Transformer层、上采样层以及第四Transformer层，进行3次Transformer层变换以及2次上采样层扩大视野的操作，输出最终的全局特征。其中，Transformer结构如图7所示，包括两个线性变换层、Mulit-headed Self-attention层和多层感知器等。
通过上述过程，能够获取到若干张图像的全局特征信息，但是仅仅通过图像的全局信息难以准确在不同摄像头下车辆重识别，因此除了图像全局特征还要引入图像局部特征。
作为本发明的一种实施例，所述根据卷积神经网络和所述目标分割结果提取图像的局部特征，包括：
通过ResNet卷积神经网络提取若干所述目标车辆图像的特征；
根据所述目标分割结果分别制作对应部分的掩膜；
将每张图像的图像特征与所述对应部分的掩膜相乘，再进行线性变换，得到所述目标车辆图像的局部特征。
在本实施例中，根据所述目标分割结果分别制作对应部分的掩膜，包括：
根据目标分割结果分别制作车前部、侧部、顶部、尾部的掩膜。对于图像分割没有检测出车辆的部分，则对应部分的掩膜为空。如图5所示，其中图5(a)表示车前部的掩膜，图5(b)表示车尾部的掩膜，图5(c)表示车顶部的掩膜，图5(d)表示车侧部的掩膜。可以看出，上述车辆图像中由于图像分割没有检测出车尾部分，故对应车尾部的掩膜几乎为空。
每个掩膜的尺寸为32*32，因此一共形成了S*4*32*32个掩膜。
在本实施例中，通过卷积神经网络提取S张车辆图像的特征；卷积神经网络的输出层维度为32*32，因此输出的特征总数为S*32*32。
根据上述实施例，对于每一张车辆图像，将其对应的4个掩膜分别与尺寸为32*32的特征相乘，得到4*32*32个特征，线性变换后变为4*516个特征。因此，对于S张车辆图像，则有S*4*516个局部特征。
S106、从所述目标图像库中获取目标车辆图像，根据所述目标车辆图像的全局特征和局部特征，计算目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，并根据所述近似程度对目标车辆进行重识别。
作为本发明的一种实施例，从所述目标图像库中获取目标车辆图像，所述根据全局特征和局部特征，计算目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，包括：
以所述目标车辆图像遍历所述待匹配图像库中的全部待匹配车辆图像，计算所述目标车辆图像与所述待匹配车辆图像对应部分的局部特征的欧氏距离，并累加对应部分的权重，得到若干个局部特征距离值；所述局部特征距离值的个数为遍历待匹配图像库中待匹配车辆图像的个数。
在本实施例中，对于待匹配图像库中的任一待匹配车辆图像，计算所述目标车辆图像与所述待匹配车辆图像对应部分的局部特征的欧氏距离，并累加对应部分的权重，得到局部特征距离值。例如，设目标车辆库有S1张车辆图像，待匹配图像库有S2张车辆图像，从目标车辆库中选择一张车辆图像N3，该车辆图像N3分别与待匹配图像库中的S2张车辆图像进行计算局部特征的欧氏距离，若车辆图像N3分割为4个部分，则一共得到4*S2个欧氏距离值，再根据各自部分权重进行加权计算，得到S2个局部特征距离值。
在对两张图像进行局部特征比较时，不同的局部特征所占的权重应该不同。权重计算公式如下：
Figure BDA0003792966990000141
其中，
Figure BDA0003792966990000142
和
Figure BDA0003792966990000143
分别为目标车辆图像和待匹配车辆图像中第i部分的面积；
Figure BDA0003792966990000144
为目标车辆图像和待匹配车辆图像中第i部分的权重；z为图像分割后的部分的数量。
同一辆车在不同摄像头下，各个局部掩膜大小与整个车辆的大小比例不相同。例如有的车辆图像中有车的前部、顶部、侧部掩膜，其中车的前部和侧部掩膜面积较大，而后部掩膜几乎没有。又例如有的车辆图像中有车的后部、顶部、侧部掩膜，其中车的后部和侧部掩膜面积较大，而前部掩膜几乎没有。因此在进行局部特征比较时，应着重考虑重叠部分(如顶部、侧部等)局部特征信息，加大这部分特征比较的权重；而对于重复度非常低的部分(如前部、后部等)，则权重应该减小。通过上述计算公式，可以计算出合理权重用于后续局部特征的比较。
进一步地，遍历所述待匹配图像库中的全部待匹配车辆图像，计算所述目标车辆图像与待匹配车辆图像的全局特征的欧氏距离，作为全局特征距离值。所述特征距离值的个数与遍历待匹配图像库中待匹配车辆图像的数量相同。
在本实施例中，设目标车辆库有S1张车辆图像，待匹配图像库有S2张车辆图像，从目标车辆库中选择一张车辆图像N3，该车辆图像N3分别与待匹配图像库中的S2张车辆图像进行计算全局特征的欧氏距离，得到S2个全局特征距离值。
进一步地，将相同待匹配车辆图像对应的局部特征距离值与全局特征距离值进行累加，得到所述目标车辆图像与待匹配车辆图像之间的若干个特征距离值。
在本实施例中，所述目标车辆图像与所述待匹配车辆图像之间的特征距离值计算如下：
特征距离值＝0.5*局部特征距离值+0.5*全局特征距离值
在上述实施例中，两张图像分别计算全局特征和局部特征的欧氏距离，并相加得到两张图像之间的特征距离值。所述目标车辆图像与所述待匹配车辆图像之间的特征距离值用于表示两张车辆图像之间的近似程度，特征距离值越小，近似程度越高；反之，特征距离值越大，近似程度越低。
作为本发明的一种实施例，所述根据所述近似程度对目标车辆进行重识别，包括：
获取所述若干个特征距离值中的最小值；
若所述若干个特征距离值中的最小值小于预设阈值，则目标车辆重识别成功，将重识别成功的车辆图像从对应图像库中删除。
在本实施例中，设目标车辆库有S1张车辆图像，待匹配图像库有S2张车辆图像。对于任意一张目标图像库的目标车辆图像，得到S2个特征距离值。获取S2个特征距离值中的最小值，判断该最小值是否小于预设阈值，所述预设阈值设置在0.45～0.6之间，如果该最小值小于预设阈值，则说明两张车辆图像的近似程度较高，该两张车辆图像配对成功，即车辆重识别成功。
如果车辆重识别成功，则记录车辆重识别成功的图像的摄像头信息，并将车辆重识别成功的图像从所在库中删除。
作为本发明的另一种实施例，所述根据所述近似程度对目标车辆进行重识别，还包括：
获取所述若干个特征距离值中的最小值；
若所述若干个特征距离值中的最小值不小于预设阈值，则目标车辆重识别失败，保存目标车辆的局部特征信息、全局特征信息和掩膜信息，用于后续车辆重识别。
在上述实施例中，对于任意一张目标图像库的目标车辆图像，得到S2个特征距离值。获取S2个特征距离值中的最小值，判断该最小值是否小于预设阈值，所述预设阈值设置在0.45～0.6之间，如果该最小值不小于预设阈值，即大于或等于预设阈值，则说明两张车辆图像的近似程度较低，该两张车辆图像配对不成功，即车辆重识别失败。
在下一图像采集周期，得到新提取图像的局部特征和全局特征，与上一周期没有重识别成功的特征放在一起，再次计算图像特征的近似程度，进行车辆重识别。
根据本发明的实施例，采用计算机视觉视觉算法智能实现了在多摄像头下的车辆重匹配，取代了传统的人工检测方法，节省人力物力。同时不依赖于车牌、车身颜色等基础信息。
根据本发明的实施例，分别提取局部特征和全局特征，并将两种特征结合用于车辆重识别。大幅提高车辆重识别的性能和效率。
根据本发明的实施例，引入Transformer技术进行全局目标提取，不仅在提取特征时有优异的性能，而且解决了卷积神经网络在提取小图片特征时容易丢失细节特征的问题，提升了重识别小尺寸图片的能力。
根据本发明的实施例，在提取局部特征时，引入目标分割+局部特征提取的技术，并且加入特征权重，提升了局部特征比较时的能力。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本发明的实施例，本发明还提供了一种电子设备。
图8示出了可以用来实施本发明的实施例的电子设备800的示意性框图。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/或者要求的本发明的实现。
设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如方法S101～S105。例如，在一些实施例中，方法S101～S105可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法S101～S105的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S105。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、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，也可以为分布式***的服务器，或者是结合了区块链的服务器。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种基于多摄像头的车辆重识别方法，其特征在于，包括：
获取若干个摄像头采集的初始图像；
利用目标检测算法对所述初始图像进行目标检测，获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像库；以及，将所述待匹配车辆图像保存至待匹配图像库；
对所述目标图像库和待匹配图像库中的图像进行目标分割，得到目标分割结果；
对所述目标图像库和待匹配图像库中的图像进行编码，引入多种车辆特征对车辆进行编码，得到图像的编码信息；
将所述图像的编码信息输入基于Transformer的多尺度分层特征提取网络，获取图像的全局特征；根据卷积神经网络和所述目标分割结果提取图像的局部特征；
从所述目标图像库中获取目标车辆图像，根据所述目标车辆图像的全局特征和局部特征，计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，并根据所述近似程度对目标车辆进行重识别。
2.根据权利要求1所述的方法，其特征在于，所述获取若干个摄像头采集的初始图像，包括：
选取若干个摄像头，其中一个摄像头作为采集摄像头，用于获取目标图像；其他摄像头作为待匹配摄像头，用于获取待匹配图像；
设定图像采集的时间间隔，按照所述时间间隔采集待匹配图像和目标图像，作为的初始图像。
3.根据权利要求2所述的方法，其特征在于，所述利用目标检测算法对所述初始图像进行目标检测，获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像库；以及，将所述待匹配车辆图像保存至待匹配图像库，包括：
将所述初始图像输入用于目标检测的深度学习卷积神经网络，输出所述初始图像中所有车辆在对应所述初始图像中的位置信息及所属类别信息，并用矩形框标出所述初始图像中的所有车辆；
对所述矩形框内部分进行提取，得到目标车辆图像和待匹配车辆图像。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标图像库和待匹配图像库中的图像进行目标分割，得到目标分割结果，包括：
利用图像分割算法对所述目标图像库和待匹配图像库中的每张图像进行分割，得到若干个区域分割块作为每张图像的目标分割结果，所述区域分割块用于描述图像中的车前部区域、车顶部区域、车侧部区域、车尾部区域以及背景区域。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标图像库和待匹配图像库中的图像进行编码，得到所述图像的编码信息，包括：
将所述目标图像库和待匹配图像库中的每张图像分成若干等面积的图像块，根据所述图像块在对应图像中的位置进行编码，得到所述图像块的位置编码信息；
对所述图像块的图像信息进行卷积和线性归一化处理，得到图像编码信息；
根据目标所属类别得到目标类别编码信息；
根据所述目标分割结果得到目标分割结果编码信息；
将所述图像编码信息、目标类别编码信息、目标分割结果编码信息以及所述图像块的位置编码信息之和作为当前图像的编码信息。
6.根据权利要求1所述的方法，其特征在于，所述基于Transformer的特征提取网络，包括第一Transformer结构层、第二Transformer结构层、第三Transformer结构层和第四Transformer结构层，其中，所述第一Transformer结构层、第二Transformer结构层和第四Transformer结构层分别包括2个Transformer结构；所述第四Transformer结构层包括6个Transformer结构；相邻的Transformer结构层之间包括1个上采样层。
7.根据权利要求1所述的方法，其特征在于，根据卷积神经网络和所述目标分割结果提取图像的局部特征，包括：
通过ResNet卷积神经网络提取所述目标图像库和待匹配图像库中每张图像的图像特征；
根据所述目标分割结果分别制作对应部分的掩膜；
将每张图像的图像特征与所述对应部分的掩膜相乘，再进行线性变换，得到当前图像的局部特征。
8.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆图像的全局特征和局部特征，计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程度，包括：
以所述目标车辆图像遍历所述待匹配图像库中的全部待匹配车辆图像，计算所述目标车辆图像与待匹配车辆图像对应部分的局部特征欧氏距离，并累加对应部分的权重，得到若干个局部特征距离值；以及计算所述目标车辆图像与待匹配车辆图像的全局特征欧氏距离，得到若干个全局特征距离值；
将相同待匹配车辆图像对应的局部特征距离值与全局特征距离值进行累加，得到所述目标车辆图像与待匹配车辆图像之间的若干个特征距离值。
9.根据权利要求8所述的方法，其特征在于，所述根据所述近似程度对目标车辆进行重识别，包括：
获取所述若干个特征距离值中的最小值；
若所述若干个特征距离值中的最小值小于预设阈值，则目标车辆重识别成功，将重识别成功的车辆图像从对应图像库中删除；
若所述若干个特征距离值中的最小值不小于预设阈值，则目标车辆重识别失败，保存目标车辆的局部特征信息、全局特征信息和掩膜信息。
10.一种电子设备，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；其特征在于，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1-9中任一项所述的方法。
CN202210961626.3A 2022-08-11 2022-08-11 一种基于多摄像头的车辆重识别方法和设备 Pending CN115311632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210961626.3A CN115311632A (zh) 2022-08-11 2022-08-11 一种基于多摄像头的车辆重识别方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210961626.3A CN115311632A (zh) 2022-08-11 2022-08-11 一种基于多摄像头的车辆重识别方法和设备

Publications (1)

Publication Number Publication Date
CN115311632A true CN115311632A (zh) 2022-11-08

Family

ID=83860811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210961626.3A Pending CN115311632A (zh) 2022-08-11 2022-08-11 一种基于多摄像头的车辆重识别方法和设备

Country Status (1)

Country Link
CN (1) CN115311632A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546472A (zh) * 2022-11-29 2022-12-30 城云科技（中国）有限公司 一种路面车辆重识别方法、装置及应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546472A (zh) * 2022-11-29 2022-12-30 城云科技（中国）有限公司 一种路面车辆重识别方法、装置及应用
CN115546472B (zh) * 2022-11-29 2023-02-17 城云科技（中国）有限公司 一种路面车辆重识别方法、装置及应用

Similar Documents

Publication Publication Date Title
CN108765506B (zh) 基于逐层网络二值化的压缩方法
CN110991311B (zh) 一种基于密集连接深度网络的目标检测方法
US9830704B1 (en) Predicting performance metrics for algorithms
CN113657390A (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN109871780B (zh) 一种人脸质量判决方法、***及人脸识别方法、***
WO2022083335A1 (zh) 一种基于自我注意力机制的行为识别方法
CN106845341A (zh) 一种基于虚拟号牌的无牌车辆识别方法
CN111091101B (zh) 基于一步法的高精度行人检测方法、***、装置
CN110751195B (zh) 一种基于改进YOLOv3的细粒度图像分类方法
CN112132130B (zh) 一种面向全场景的实时性车牌检测方法及***
CN111767915A (zh) 车牌检测方法、装置、设备及存储介质
Cho et al. Semantic segmentation with low light images by modified CycleGAN-based image enhancement
CN111553247A (zh) 一种基于改进骨干网络的视频结构化***、方法及介质
CN115311632A (zh) 一种基于多摄像头的车辆重识别方法和设备
Gao Performance evaluation of automatic object detection with post-processing schemes under enhanced measures in wide-area aerial imagery
CN114005140A (zh) 一种人员识别方法、装置、设备、行人监控***及存储介质
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN114022865A (zh) 基于车道线识别模型的图像处理方法、装置、设备和介质
CN113112479A (zh) 基于关键区块提取的渐进式目标检测方法和装置
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN110555406B (zh) 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法
CN115731179A (zh) 轨道部件检测方法、终端及存储介质
CN115861922A (zh) 一种稀疏烟火检测方法、装置、计算机设备及存储介质
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置

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