[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

本申請涉及一種車輛重識別方法、裝置、計算機設備和存儲介質。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。采用本方法能夠節省人力和時間，并提高重識別的準確率。

技術領域

本申請涉及圖像識別技術領域，特別是涉及一種車輛重識別方法、裝置、計算機設備和存儲介質。

背景技術

隨著科技的飛速發展，重識別技術應用到人們生活工作中的多個領域。在智能違法審核領域中，每次進行審核時，先從電警相機的抓拍圖像中檢測出所有車輛，再進行車輛重識別，最后根據重識別結果進行違法審核。

相關技術中，車輛重識別的過程包括：采用神經網絡對車輛圖像進行特征提取，根據提取到的特征進行車輛重識別。通常情況下，為了提高重識別的準確率，會在提取到的特征的基礎上增加一些人工標注的車輛屬性。比如，增加車身顏色、車牌號碼等車輛屬性。

但是，車輛屬性采用人工標注比較耗時耗力，而且在神經網絡中引入車輛屬性也可能帶來額外誤差。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠節省人力時間的車輛重識別方法、裝置、計算機設備和存儲介質。

一種車輛重識別方法，該方法包括：

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

通過特征提取模型對各特征提取層輸出的特征圖進行融合處理，得到目標特征圖；

基于目標特征圖對目標對象進行重識別。

在其中一個實施例中，上述特征提取模型還包括池化層和全連接層，上述通過特征提取模型對各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：

將各特征提取層輸出的特征圖分別輸入到池化層中，得到多個池化特征圖；

將各池化特征圖分別輸入到全連接層中，得到多個待融合特征圖；

對多個待融合特征圖進行求和計算，得到目標特征圖。

在其中一個實施例中，上述將目標圖像輸入至預先訓練的特征提取模型中之前，該方法還包括：

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

通過神經網絡模型對各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；

對融合特征圖進行分類，并根據分類結果和訓練樣本的標注對神經網絡模型進行訓練，得到特征提取模型；其中，訓練樣本的標注用于指示訓練對象的類別。

在其中一個實施例中，上述對融合特征圖進行分類，并根據分類結果和訓練樣本的標注對神經網絡模型進行訓練，得到特征提取模型，包括：

對融合特征圖進行分類，根據分類結果和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；

對第一損失值和第二損失值進行求和計算，得到目標損失值；

基于目標損失值對神經網絡模型進行訓練，在目標損失值收斂時結束神經網絡模型的訓練，得到特征提取模型。