[發明專利]車輛重識別方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010105071.3
• 申請日: 2020-02-20
• 公開（公告）號: CN111291821A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 周康明;胡翔
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 曹瀚青

1.一種車輛重識別方法，其特征在于，所述方法包括：

將目標圖像輸入至預先訓練的特征提取模型中；其中，所述目標圖像包括目標對象，所述特征提取模型包括多個特征提取層，每個所述特征提取層用于對所述目標圖像進行特征提取并輸出特征圖；

通過所述特征提取模型對各所述特征提取層輸出的特征圖進行融合處理，得到目標特征圖；

基于所述目標特征圖對所述目標對象進行重識別。

2.根據權利要求1所述的方法，其特征在于，所述特征提取模型還包括池化層和全連接層，所述通過所述特征提取模型對各所述特征提取層輸出的特征圖進行融合處理，得到目標特征圖，包括：

將各所述特征提取層輸出的特征圖分別輸入到所述池化層中，得到多個池化特征圖；

將各所述池化特征圖分別輸入到所述全連接層中，得到多個待融合特征圖；

對多個所述待融合特征圖進行求和計算，得到所述目標特征圖。

3.根據權利要求1-2任一項所述的方法，其特征在于，所述將目標圖像輸入至預先訓練的特征提取模型中之前，所述方法還包括：

將訓練樣本輸入至神經網絡模型中；其中，所述訓練樣本中包括訓練對象，所述神經網絡模型包括多個特征提取層，每個所述特征提取層用于對所述訓練樣本進行特征提取并輸出訓練特征圖；

通過所述神經網絡模型對各所述特征提取層輸出的訓練特征圖進行融合處理，得到融合特征圖；

對所述融合特征圖進行分類，并根據分類結果和所述訓練樣本的標注對所述神經網絡模型進行訓練，得到所述特征提取模型；其中，所述訓練樣本的標注用于指示所述訓練對象的類別。

4.根據權利要求3所述的方法，其特征在于，所述對所述融合特征圖進行分類，并根據分類結果和所述訓練樣本的標注對所述神經網絡模型進行訓練，得到所述特征提取模型，包括：

對所述融合特征圖進行分類，根據分類結果和所述訓練樣本的標注進行三元組損失函數的計算，得到第一損失值；

對所述融合特征圖進行正則化處理，并對正則化處理后的融合特征圖進行分類，根據分類結果和所述訓練樣本的標注進行分類損失函數的計算，得到第二損失值；

對所述第一損失值和所述第二損失值進行求和計算，得到目標損失值；

基于所述目標損失值對所述神經網絡模型進行訓練，在所述目標損失值收斂時結束所述神經網絡模型的訓練，得到所述特征提取模型。

5.根據權利要求1所述的方法，其特征在于，所述基于所述目標特征圖對所述目標對象進行重識別，包括：

將所述目標特征圖和預先獲取的參考特征圖進行比較，得到比較結果；所述參考特征圖對應參考對象；

根據所述比較結果，確定所述目標對象與所述參考對象是否為同一對象。

6.根據權利要求5所述的方法，其特征在于，所述將所述目標特征圖與預先獲取的參考特征圖進行比較，得到比較結果，包括：

對所述目標特征圖進行正則化處理；

計算正則化處理后的目標特征圖與所述參考特征圖之間的相似度；所述相似度包括余弦相似度；

對應地，所述根據所述比較結果，確定所述目標對象與所述參考對象是否為同一對象，包括：

若所述相似度大于預設閾值，則確定所述目標對象與所述參考對象為同一對象。

7.根據權利要求5所述的方法，其特征在于，在所述將所述目標特征圖與預先獲取的參考特征圖進行比較之前，所述方法還包括：

獲取參考圖像，所述參考圖像中包括所述參考對象；

將所述參考圖像輸入到所述特征提取模型中，得到所述參考特征圖。