[發明專利]車紋識別方法及裝置

有效

• 申請號: 202110326344.1
• 申請日: 2021-03-26
• 公開（公告）號: CN112990048B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 王金橋;郭海云;趙朝陽
• 申請（專利權）人: 中科視語（北京）科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 劉明華

1.一種車紋識別方法，其特征在于，包括：

構建多粒度層級特征耦合學習框架；

獲取待識別圖像，將待識別圖像輸入訓練好的多粒度層級特征耦合學習框架得到車紋特征和層級特征分類結果；

根據所述層級特征分類結果對車紋識別數據集中圖像數據進行篩選；

計算待識別圖像的車紋特征與篩選出的圖像的車紋特征之間的歐式距離，根據歐式距離計算結果得到車紋識別結果；

所述構建多粒度層級特征耦合學習框架，包括：

獲取待識別圖像的多個層級特征；

將所述多個層級特征輸入基于圖網絡的多粒度特征學習模型得到多粒度層級嵌入特征；

根據多粒度層級特征計算分類損失和排序損失；

根據所述分類損失和排序損失優化多粒度層級特征耦合學習框架的模型參數以構建多粒度層級特征耦合學習框架；

還包括：構建基于圖網絡的多粒度特征學習模型，包括：

構建多個層級特征的層級關系圖；

根據層級關系圖訓練圖卷積神經網絡模型得到圖卷積神經網絡模型的全連接層的權重與偏置；

根據圖卷積神經網絡模型的全連接層的權重與偏置構建基于圖網絡的多粒度特征學習模型。

2.根據權利要求1所述的車紋識別方法，其特征在于，所述獲取待識別圖像的多個層級特征，包括：

構建車紋識別特征提取網絡；

通過所述特征提取網絡提取待識別圖像的多個層級特征，所述多個層級，包括：品牌層級、子款層級和身份層級；

所述多個層級特征包括品牌層級對應的品牌特征；

子款層級對應的車輛年款特征和車輛子款特征；

身份層級對應的車紋特征。

3.根據權利要求2所述的車紋識別方法，其特征在于，所述構建車紋識別特征提取網絡，包括：

基于Lip-ResNet50構建車紋識別特征提取網絡；

使用在ImageNet上預訓練過的網絡參數來初始化所述車紋識別特征提取網絡；

使用車紋識別數據集訓練所述車紋識別特征提取網絡。

4.根據權利要求3所述的車紋識別方法，其特征在于，所述車紋識別特征提取網絡包括主干網絡和分支網絡，還包括：

所述主干網絡的參數由所述分支網絡中多個層級共同使用；

所述分支網絡的參數由每個層級獨立使用，所述分支網絡包括品牌層級分支、子款層級分支和身份層級分支。

5.根據權利要求4所述的車紋識別方法，其特征在于，所述根據多粒度層級特征計算分類損失和排序損失，包括：

將所述品牌層級分支、子款層級分支和身份層級分支進行全局平均池化后輸入基于圖網絡的多粒度特征學習模型得到多粒度層級嵌入特征；

將所述多粒度層級嵌入特征輸入分類器，計算品牌層級和子款層級上的分類損失；

將所述多粒度層級嵌入特征輸入基于度量學習的多粒度排序損失模塊計算排序損失。

6.根據權利要求5所述的車紋識別方法，其特征在于，所述將所述多粒度層級嵌入特征輸入基于度量學習的多粒度排序損失模塊計算排序損失，包括：

從車紋識別數據集中獲取五元組樣本；

將五元組樣本劃分為圖像對，對圖像對進行分類；

計算每個圖像對在特征空間中的空間距離；

根據所述空間距離構建多粒度排序損失函數。