[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110348463B - 用于识别车辆的方法和装置 - Google Patents

用于识别车辆的方法和装置 Download PDF

Info

Publication number
CN110348463B
CN110348463B CN201910640084.8A CN201910640084A CN110348463B CN 110348463 B CN110348463 B CN 110348463B CN 201910640084 A CN201910640084 A CN 201910640084A CN 110348463 B CN110348463 B CN 110348463B
Authority
CN
China
Prior art keywords
image
vehicle
features
key point
coplanar
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
CN201910640084.8A
Other languages
English (en)
Other versions
CN110348463A (zh
Inventor
蒋旻悦
谭啸
孙昊
文石磊
丁二锐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910640084.8A priority Critical patent/CN110348463B/zh
Publication of CN110348463A publication Critical patent/CN110348463A/zh
Application granted granted Critical
Publication of CN110348463B publication Critical patent/CN110348463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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
    • G06V10/40—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]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

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

Abstract

本公开的实施例公开了用于识别车辆的方法和装置。该方法的一具体实施方式包括：获取待识别的车辆的图像，并识别出图像的至少一个关键点；根据至少一个关键点确定车辆的至少一个共面区域；基于预先训练的神经网络提取各共面区域的局部特征；基于各共面区域的局部特征学习图像的不同特征的权重；基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。该实施方式能够有效提高车辆在遮挡、跨境头场景下的特征有效性，融合车辆的细节特征和整体特征，提高车辆再识别结果。

Description

用于识别车辆的方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于识别车辆的方法和装置。
背景技术
随着现代工业化进程的发展，居民机动车保有量不断提高，为人们的生活带来了巨大的便捷，但也随之给交通管理方面带来了严峻的挑战。于是，智能交通系统(ITS)的智能化程度的提高成为一个研究热点。在ITS中，指定车辆的再识别方法的研究是关键之一。
现有车辆再识别系统针对车辆的整体图片进行提取特征，在遮挡情况下鲁棒性差。跨摄像头情况下，同一车辆可见部分不同，直接使用全图匹配会导致同一车辆的在不同镜头下的特征差异大。不同车辆的差异性一般集中于细节，但现有车辆再识别方法缺乏针对车辆局部的对比。
发明内容
本公开的实施例提出了用于识别车辆的方法和装置。
第一方面，本公开的实施例提供了一种用于识别车辆的方法，包括：获取待识别的车辆的图像，并识别出图像的至少一个关键点；根据至少一个关键点确定车辆的至少一个共面区域；基于预先训练的神经网络提取各共面区域的局部特征；基于各共面区域的局部特征学习图像的不同特征的权重；基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
在一些实施例中，基于各共面区域的局部特征学习图像的不同特征的权重，包括：基于神经网络提取图像的全局特征；基于各共面区域的局部特征、全局特征学习图像的不同特征的权重。
在一些实施例中，基于各共面区域的局部特征学习图像的不同特征的权重，包括：获取至少一个关键点的热力图；基于各共面区域的局部特征、至少一个关键点的热力图、全局特征学习图像的不同特征的权重。
在一些实施例中，识别出图像的至少一个关键点，包括：将图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；将图像的镜像图像输入深度神经网络，得到至少一张特征图，并对至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
在一些实施例中，基于预先训练的神经网络提取各共面区域的局部特征，包括：通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。
在一些实施例中，基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度，包括：对于每种特征，计算对图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。
第二方面，本公开的实施例提供了一种用于识别车辆的装置，包括：关键点识别单元，被配置成获取待识别的车辆的图像，并识别出图像的至少一个关键点；共面确定单元，被配置成根据至少一个关键点确定车辆的至少一个共面区域；局部特征提取单元，被配置成基于预先训练的神经网络提取各共面区域的局部特征；权重确定单元，被配置成基于各共面区域的局部特征学习图像的不同特征的权重；计算单元，被配置成基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；输出单元，被配置成将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
在一些实施例中，权重确定单元进一步被配置成：基于神经网络提取图像的全局特征；基于各共面区域的局部特征、全局特征学习图像的不同特征的权重。
在一些实施例中，权重确定单元进一步被配置成：获取至少一个关键点的热力图；基于各共面区域的局部特征、至少一个关键点的热力图、全局特征学习图像的不同特征的权重。
在一些实施例中，关键点识别单元进一步被配置成：将图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；将图像的镜像图像输入深度神经网络，得到至少一张特征图，并对至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
在一些实施例中，局部特征提取单元进一步被配置成：通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。
在一些实施例中，计算单元进一步被配置成：对于每种特征，计算对图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。
第三方面，本公开的实施例提供了一种用于识别车辆的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于识别车辆的方法和装置，利用车辆关键点检测，并根据关键点的共面关系，获取车辆二维共面区域，并针对车辆不同共面区域提取特征，进行特征融合，能够有效增强跨镜头场景下的车辆特征的鲁棒性。融合后的特征可作为车辆再识别系统的输入，由再识别系统输出识别结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于识别车辆的方法的一个实施例的流程图；
图3是根据本公开的用于识别车辆的方法的一个应用场景的示意图；
图4是根据本公开的用于识别车辆的方法的又一个实施例的流程图；
图5是根据本公开的用于识别车辆的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本申请的用于识别车辆的方法或用于识别车辆的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括摄像头101、102、103，网络104和服务器105。网络104用以在摄像头101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用摄像头101、102、103通过网络104与服务器105交互，以接收或发送消息等。
摄像头101、102、103泛指用于进行车辆监控的摄像头。可以是在十字路口对违法(比如，跨越车道压实线、逆向行驶、占用非机动车道、不按导向标识行驶、闯红灯等)车辆进行抓拍的电子警察。还可以是安装位置在高速公路、省道和国道的一些重点路段用来抓拍超速开车违法行为的卡口摄像头。摄像头101、102、103还可以是违停抓拍摄像头、流量监控摄像头、天网监控摄像头、流动抓拍摄像头等。
服务器105可以是提供各种服务的服务器，例如对摄像头101、102、103上采集的车辆数据提供分析的后台分析服务器。后台分析服务器可以对接收到的车辆图像进行分析等处理，并将处理结果(例如车辆信息)输出。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于识别车辆的方法一般由服务器105执行，相应地，用于识别车辆的装置一般设置于服务器105中。
应该理解，图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像头、网络和服务器。
继续参考图2，示出了根据本公开的用于识别车辆的方法的一个实施例的流程200。该用于识别车辆的方法，包括以下步骤：
步骤201，获取待识别的车辆的图像，并识别出图像的至少一个关键点。
在本实施例中，用于识别车辆的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用于拍摄车辆照片的摄像头获取待识别的车辆的图像。车辆关键点可以是如图3所示的车轮轴、车牌、车门转轴、车门把手等。可通过训练好的关键点检测模型检测出车辆的关键点。训练关键点检测模型的方法可以包括以下步骤：
步骤2011，获取样本集。
在本实施例中，训练关键点检测模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器中获取存储于其中的现有的样本集。再例如，用户可以通过摄像头来收集样本。这样，执行主体可以接收摄像头所拍摄的车辆图像作为样本，并将这些样本存储在本地，从而生成样本集。
在这里，样本集中可以包括至少一个样本。其中，样本可以包括样本车辆图像以及与样本车辆图像中的关键点的标注信息。
可选地，可进行训练样本的数据增强，包括旋转、尺寸变化、剪裁、翻转、改变光线亮度等手段获得扩充的训练数据、并且使模型有更强的泛化性。在对图片进行数据增强的同时，标注的关键点坐标也要进行对应的旋转、尺度变化、翻转等操作。
在本实施例中，样本车辆图像通常指包含车辆的图像。其可以是平面车辆图像，也可以是立体车辆图像(即包含深度信息的车辆图像)。而且样本车辆图像可以是彩色图像(如RGB(Red、Green、Blue，红绿蓝)照片)和/或灰度图像等等。该图像的格式在本申请中并不限制，如jpg(Joint Photo graphic Experts Group，一种图片格式)、BMP(Bitmap，图像文件格式)或RAW(RAW Image Format，无损压缩格式)等格式，只要可以被执行主体读取识别即可。
步骤2012，从样本集中选取样本。
在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行训练步骤。其中，样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本车辆图像的清晰度较好(即像素较高)的样本。
步骤2013，将选取的样本的样本车辆图像输入初始第一模型，得到特征图。
在本实施例中，执行主体可以将步骤2012中选取的样本的样本车辆图像输入初始第一模型。通过对样本车辆图像中的关键点区域进行检测分析，可以得到包含关键点的特征图。
在本实施例中，初始第一模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。初始模型的存储位置在本申请中同样不限制。
步骤2014，基于特征图和样本车辆图像中的关键点的标注信息确定第一层损失值。
在本实施例中，执行主体可以将样本车辆图像的关键点的标注信息与和步骤2013得到的特征图进行分析，从而可以确定第一层损失值。例如可以将特征图和关键点的标注信息作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间损失值。
在本实施例中，损失函数通常是用来估量模型的预测值(如特征图)与真实值(如标注信息)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
步骤2015，将特征图输入初始第二模型，得到检测出的关键点的位置坐标。
在本实施例中，执行主体可以将步骤2013生成的特征图输入初始第二模型，得到检测出的关键点的位置坐标。初始第二模型可以是以注意力模型为基础的神经网络。初始第二模型主要目的是将从不同尺度的特征图中提取出关注的特征，既可保留细节特征还可保留语义特征。从而集中重要特征，弱化不重要特征。
步骤2016，基于检测出的关键点的位置坐标和样本车辆图像中的关键点的标注信息确定第二层损失值。
在本实施例中，执行主体可以将样本车辆图像的关键点的标注信息与和步骤2015得到的关键点的位置坐标进行分析，从而可以确定第二层损失值。例如可以将检测出的关键点的位置坐标和关键点的标注信息作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间损失值。
在本实施例中，损失函数通常是用来估量模型的预测值(如检测出的关键点的位置坐标)与真实值(如关键点的标注信息)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
步骤2017，基于第一层损失值与第二层损失值确定初始第一模型和初始第二模型是否训练完成。
在本实施例中，将第一层损失值与第二层损失值相加，即为网络的总损失值。在每一次迭代训练过程中，输入图片和对应的关键点标注数据，前向传播计算第一层损失值和第二层损失值,然后计算第一层损失值和第二层损失值的梯度，完成网络的反向传播、更新参数。实验表明，经过一定次数的迭代之后，改变第一层损失值和第二层损失值，只关注难检测的关键点，即只计算和回传第二损失值较大的几个关键点通道，从而起到对难关键点更好的检测效果。
根据损失值的变化，执行主体可以确定初始模型是否训练完成。作为示例，如果步骤2012中选取有多个样本，那么在每个样本的总损失值均达到目标值的情况下，执行主体可以确定初始第一模型和初始第二模型训练完成。再例如，执行主体可以统计总损失值达到目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95％)，可以确定初始模型训练完成。
在本实施例中，若执行主体确定初始第一模型和初始第二模型已训练完成，则可以继续执行步骤2018。若执行主体确定初始第一模型和初始第二模型未训练完成，则可以调整初始第一模型和初始第二模型中的相关参数。例如采用反向传播技术修改初始第一模型中各卷积层中的权重和初始第二模型中各注意力模型中的权重。以及可以返回步骤2012，从样本集中重新选取样本。从而可以继续执行上述训练步骤。
需要说明的是，这里的选取方式在本申请中也不限制。例如在样本集中有大量样本的情况下，执行主体可以从中选取未被选取过的样本。
步骤2018，响应于确定出初始第一模型和初始第二模型训练完成，将初始第一模型和初始第二模型确定为车辆关键点检测模型。
在本实施例中，若执行主体确定初始第一模型和初始第二模型训练完成，则可以将该初始第一模型和初始第二模型确定为车辆关键点检测模型。
可选地，执行主体可以将生成的关键点检测模型存储在本地，也可以将其发送给终端或数据库服务器。
执行主体可以将获取的车辆图像输入关键点检测模型中，从而生成检测对象的车辆关键点检测结果。车辆关键点检测结果可以是用于描述图像中车辆的关键点的位置信息。
步骤202，根据至少一个关键点确定车辆的至少一个共面区域。
在本实施例中，根据关键点检测结果，以及关键点先验共面区域，在共面的车辆区域r1，r2，...，rn，其中，n为共面区域个数。关键点先验共面区域指的是预先知道的共面的关键点组成的区域。例如，车辆左路侧门上的关键点组成一个共面区域。
步骤203，基于预先训练的神经网络提取各共面区域的局部特征。
在本实施例中，由于每个共面区域不一定是矩形，需要通过仿射变换将共面区域转换成矩形后输入神经网络中提取局部特征。该神经网络可以是各种用于将车辆图像进行分类的分类器，通过提取出车辆的特征来判断出车辆的类型。例如宝马1、奔驰2等。该神经网络的训练样本为标注了车辆类型的车辆共面区域的图像。将待识别的共面区域输入到训练好的神经网络中即可得到车辆的特征和车辆的类型。
步骤204，基于各共面区域的局部特征学习图像的不同特征的权重。
在本实施例中，可将各共面区域的局部特征进行串联，输入到上述神经网络中，自主学习不同特征之间的权重。
在本实施例的一些可选的实现方式中，基于神经网络提取图像的全局特征。基于各共面区域的局部特征、全局特征学习图像的不同特征的权重。可将整个图像输入上述神经网络提取图像的全局特征。然后将各共面区域的局部特征、全局特征这两种类型的特征进行串联，输入到上述神经网络中，自主学习不同特征之间的权重。
在本实施例的一些可选的实现方式中，获取至少一个关键点的热力图。基于各共面区域的局部特征、至少一个关键点的热力图、全局特征学习图像的不同特征的权重。将各共面区域的特征，关键点的热力图kp1，kp2，...，kpm，以及全图区域的特征G进行串联，输入到神经网络中，自主学习不同特征之间的权重：
W＝F[CNN(r1，r2，...，rn，kp1，kp2，...，kpm，G)]
其中，CNN(r1，r2，...，rn，kp1，kp2，...，kpm，G)代表从神经网络中提取得到的特征。至少一个关键点的热力图与全局特征相乘可得到至少一个关键点周围的局部特征。可见，该实现方式融合了共面的特征、关键点周围的局部特征、全局特征。
步骤205，基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度。
在本实施例中，在得到上述的特征之后，对应位置都代表着特定的特征，通过与车辆图像库中的各车辆图像比较对应图片上的不同特征部分之间的距离，并将不同图之间的权重进行比较，对不同特征进行加权，得到最终图片间的相似度。可采用欧氏距离、汉明距离等相似度计算方式计算图像与车辆图像库中的各车辆图像的相似度。
步骤206，将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
在本实施例中，遍历与车辆图像库中的各车辆图像进行相似度计算，找出最相似的图像，如果相似度高于预定阈值，则将相似度最大的车辆图像确定为目标图像。在建立车辆图像库过程中，已经收集了车辆图像的相关信息，例如，车牌、车主姓名、车主联系方式等信息。
继续参见图3，图3是根据本实施例的用于识别车辆的方法的应用场景的一个示意图。在图3的应用场景中，通过摄像头采集待识别的车辆的图像，然后识别出图像中的关键点，例如，左前门转轴、左前门把手、前车牌、进气口等。通过已知的关键点共面特性确定出共面区域，例如，前车牌和进气口、车标构成共面区域。通过神经网络提取出各共面区域的特征。将全图输入神经网络可得到全图区域的全局特征。将关键点的热力图和全局特征相乘可得到关键点局部区域的特征。最后将各共面区域的特征、全图区域的全局特征、关键点的热力图三种特征进行串联，输入到神经网络中，自主学习不同特征之间的权重。然后根据权重计算待识别的车辆的图像与车辆图像库中的各车辆图像的相似度，从而根据相似度判断出车辆图像库中与待识别的车辆的图像匹配的车辆图像，其入库时登记的信息即为待识别的车辆的信息。
本公开的上述实施例提供的方法通过使用关键点方法检测车辆关键点，并基于关键点的位置提取车辆局部信息，并结合车辆整体信息进行车辆再识别任务，主要创新点在于利用车辆关键点的局部细节信息以及车辆整体信息，有效提高车辆在遮挡、跨境头场景下的特征有效性，融合车辆的细节特征和整体特征，提高车辆再识别结果。
进一步参考图4，其示出了用于识别车辆的方法的又一个实施例的流程400。该用于识别车辆的方法的流程400，包括以下步骤：
步骤401，获取待识别的车辆的图像，并将图像输入深度神经网络，得到至少一张原图特征图。
在本实施例中，用于识别车辆的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式用于拍摄车辆照片的摄像头获取待识别的车辆的图像。将原始图像Iori输入步骤201所训练的车辆关键点模型KP(*)(深度神经网络)，可得到关键点检测结果KPori，即至少一张原图特征图，其中，每个关键点都会对应一张原图特征图。
KPori＝KP(Iori)
步骤402，将图像的镜像图像输入深度神经网络，得到至少一张特征图，并对至少一张特征图做镜像处理得到至少一张镜像特征图。
在本实施例中，将图像的镜像图像Imirror输入步骤201所训练的车辆关键点模型KP(*)(深度神经网络)，可得到关键点检测结果KPmirror，即至少一特征图，其中，每个关键点都会对应一张特征图。
KPori＝KP(Iori)
其中，KPori和KPmirror的维度为H*W*Cp。H，W分别为特征张量的高和宽，Cp为车辆关键点种类数。然后需要将特征图做镜像处理以回到原图坐标系，得到至少一张镜像特征图。
步骤403，对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
在本实施例中，对KPori和KPmirror进行融合，得到检测的关键点。对于每一种关键点来说，通过下述几步操作得到它在原图中的坐标：
1)在H*W的输出特征图KPori和KPmirror恢复到原图坐标系的镜像图上，找到当前特征最大值的位置。
2)对上述两个位置取平均，得到当前关键点的位置。
步骤404，根据至少一个关键点确定车辆的至少一个共面区域。
步骤405，基于预先训练的神经网络提取各共面区域的局部特征。
步骤406，基于各共面区域的局部特征学习所述图像的不同特征的权重。
步骤407，基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度。
步骤408，将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
步骤404-408与步骤202-206基本相同，因此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别车辆的方法的流程400体现了对关键点进行检测的步骤。由此，本实施例描述的方案可以进一步提高车辆识别的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别车辆的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于识别车辆的装置500包括：关键点识别单元501、共面确定单元502、局部特征提取单元503、权重确定单元504、计算单元505、输出单元506。其中，关键点识别单元501，被配置成获取待识别的车辆的图像，并识别出图像的至少一个关键点；共面确定单元502，被配置成根据至少一个关键点确定车辆的至少一个共面区域；局部特征提取单元503，被配置成基于预先训练的神经网络提取各共面区域的局部特征；权重确定单元504，被配置成基于各共面区域的局部特征学习图像的不同特征的权重；计算单元505，被配置成基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；输出单元506，被配置成将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
在本实施例中，用于识别车辆的装置500的关键点识别单元501、共面确定单元502、局部特征提取单元503、权重确定单元504、计算单元505、输出单元506的具体处理可以参考图2对应实施例中的步骤201-206。
在本实施例的一些可选的实现方式中，权重确定单元504进一步被配置成：基于神经网络提取图像的全局特征；基于各共面区域的局部特征、全局特征学习图像的不同特征的权重。
在本实施例的一些可选的实现方式中，权重确定单元504进一步被配置成：获取至少一个关键点的热力图；基于各共面区域的局部特征、至少一个关键点的热力图、全局特征学习图像的不同特征的权重。
在本实施例的一些可选的实现方式中，关键点识别单元501进一步被配置成：将图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；将图像的镜像图像输入深度神经网络，得到至少一张特征图，并对至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
在本实施例的一些可选的实现方式中，局部特征提取单元503进一步被配置成：通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。
在本实施例的一些可选的实现方式中，计算单元505进一步被配置成：对于每种特征，计算对图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别的车辆的图像，并识别出图像的至少一个关键点；根据至少一个关键点确定车辆的至少一个共面区域；基于预先训练的神经网络提取各共面区域的局部特征；基于各共面区域的局部特征学习图像的不同特征的权重；基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括关键点识别单元、共面确定单元、局部特征提取单元、权重确定单元、计算单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，关键点识别单元还可以被描述为“获取待识别的车辆的图像，并识别出所述图像的至少一个关键点的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于识别车辆的方法，包括：
获取待识别的车辆的图像，并识别出所述图像的至少一个关键点；
根据所述至少一个关键点以及关键点先验共面区域确定所述车辆的至少一个共面区域，其中，关键点先验共面区域指的是预先知道的共面的关键点组成的区域；
基于预先训练的神经网络提取各共面区域的局部特征；
基于各共面区域的局部特征学习所述图像的不同特征的权重；
基于所学习的各特征的权重计算所述图像与车辆图像库中的各车辆图像的相似度；
将所述车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出所述目标图像的相关信息。
2.根据权利要求1所述的方法，其中，所述基于各共面区域的局部特征学习所述图像的不同特征的权重，包括：
基于所述神经网络提取所述图像的全局特征；
基于各共面区域的局部特征、所述全局特征学习所述图像的不同特征的权重。
3.根据权利要求2所述的方法，其中，所述基于各共面区域的局部特征学习所述图像的不同特征的权重，包括：
获取所述至少一个关键点的热力图；
基于各共面区域的局部特征、所述至少一个关键点的热力图、所述全局特征学习所述图像的不同特征的权重。
4.根据权利要求1所述的方法，其中，所述识别出所述图像的至少一个关键点，包括：
将所述图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；
将所述图像的镜像图像输入所述深度神经网络，得到至少一张特征图，并对所述至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；
对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
5.根据权利要求1所述的方法，其中，所述基于预先训练的神经网络提取各共面区域的局部特征，包括：
通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。
6.根据权利要求1所述的方法，其中，所述基于所学习的各特征的权重计算所述图像与车辆图像库中的各车辆图像的相似度，包括：
对于每种特征，计算对所述图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；
基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。
7.一种用于识别车辆的装置，包括：
关键点识别单元，被配置成获取待识别的车辆的图像，并识别出所述图像的至少一个关键点；
共面确定单元，被配置成根据所述至少一个关键点以及关键点先验共面区域确定所述车辆的至少一个共面区域，其中，关键点先验共面区域指的是预先知道的共面的关键点组成的区域；
局部特征提取单元，被配置成基于预先训练的神经网络提取各共面区域的局部特征；
权重确定单元，被配置成基于各共面区域的局部特征学习所述图像的不同特征的权重；
计算单元，被配置成基于所学习的各特征的权重计算所述图像与车辆图像库中的各车辆图像的相似度；
输出单元，被配置成将所述车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出所述目标图像的相关信息。
8.根据权利要求7所述的装置，其中，所述权重确定单元进一步被配置成：
基于所述神经网络提取所述图像的全局特征；
基于各共面区域的局部特征、所述全局特征学习所述图像的不同特征的权重。
9.根据权利要求8所述的装置，其中，所述权重确定单元进一步被配置成：
获取所述至少一个关键点的热力图；
基于各共面区域的局部特征、所述至少一个关键点的热力图、所述全局特征学习所述图像的不同特征的权重。
10.根据权利要求7所述的装置，其中，所述关键点识别单元进一步被配置成：
将所述图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；
将所述图像的镜像图像输入所述深度神经网络，得到至少一张特征图，并对所述至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；
对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。
11.根据权利要求7所述的装置，其中，所述局部特征提取单元进一步被配置成：
通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。
12.根据权利要求7所述的装置，其中，所述计算单元进一步被配置成：
对于每种特征，计算对所述图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；
基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。
13.一种用于识别车辆的电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910640084.8A 2019-07-16 2019-07-16 用于识别车辆的方法和装置 Active CN110348463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640084.8A CN110348463B (zh) 2019-07-16 2019-07-16 用于识别车辆的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640084.8A CN110348463B (zh) 2019-07-16 2019-07-16 用于识别车辆的方法和装置

Publications (2)

Publication Number Publication Date
CN110348463A CN110348463A (zh) 2019-10-18
CN110348463B true CN110348463B (zh) 2021-08-24

Family

ID=68175454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640084.8A Active CN110348463B (zh) 2019-07-16 2019-07-16 用于识别车辆的方法和装置

Country Status (1)

Country Link
CN (1) CN110348463B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969160B (zh) * 2019-11-21 2023-04-14 合肥工业大学 一种基于深度学习的车牌图像校正、识别方法及系统
CN111291692B (zh) * 2020-02-17 2023-10-20 咪咕文化科技有限公司 视频场景识别方法、装置、电子设备及存储介质
CN111666826A (zh) * 2020-05-15 2020-09-15 北京百度网讯科技有限公司 处理图像的方法、装置、电子设备和计算机可读存储介质
CN111881994B (zh) * 2020-08-03 2024-04-05 杭州睿琪软件有限公司 识别处理方法及设备和非暂态计算机可读存储介质
CN113780165A (zh) * 2020-09-10 2021-12-10 深圳市商汤科技有限公司 车辆识别方法及装置、电子设备及存储介质
CN113037750B (zh) * 2021-03-09 2022-08-02 成都信息工程大学 一种车辆检测数据增强训练方法、系统、车辆及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095827A (zh) * 2014-04-18 2015-11-25 汉王科技股份有限公司 人脸表情识别装置和方法
CN107463903A (zh) * 2017-08-08 2017-12-12 北京小米移动软件有限公司 人脸关键点定位方法及装置
CN108229468A (zh) * 2017-06-28 2018-06-29 北京市商汤科技开发有限公司 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备
CN109241910A (zh) * 2018-09-07 2019-01-18 高新兴科技集团股份有限公司 一种基于深度多特征融合级联回归的人脸关键点定位方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8824779B1 (en) * 2011-12-20 2014-09-02 Christopher Charles Smyth Apparatus and method for determining eye gaze from stereo-optic views
CN102855758A (zh) * 2012-08-27 2013-01-02 无锡北邮感知技术产业研究院有限公司 一种违章车辆检测方法
CN103673977B (zh) * 2013-11-07 2016-07-27 沈阳师范大学 车辆后方盲区检测的方法和装置
US9436890B2 (en) * 2014-01-23 2016-09-06 Samsung Electronics Co., Ltd. Method of generating feature vector, generating histogram, and learning classifier for recognition of behavior
CN104615998B (zh) * 2015-02-15 2017-10-24 武汉大学 一种基于多视角的车辆检索方法
CN104951775B (zh) * 2015-07-15 2018-02-02 攀钢集团攀枝花钢钒有限公司 基于视频技术的铁路道口防护区域安全智能识别方法
EP3438925A4 (en) * 2016-03-30 2019-04-17 Sony Corporation INFORMATION PROCESSING METHOD AND INFORMATION PROCESSING DEVICE
CN108319907A (zh) * 2018-01-26 2018-07-24 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN108681707A (zh) * 2018-05-15 2018-10-19 桂林电子科技大学 基于全局和局部特征融合的大角度车型识别方法和系统
CN109063768B (zh) * 2018-08-01 2021-10-01 北京旷视科技有限公司 车辆重识别方法、装置及系统
CN109271980A (zh) * 2018-08-28 2019-01-25 上海萃舟智能科技有限公司 一种车辆铭牌全信息识别方法、系统、终端及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095827A (zh) * 2014-04-18 2015-11-25 汉王科技股份有限公司 人脸表情识别装置和方法
CN108229468A (zh) * 2017-06-28 2018-06-29 北京市商汤科技开发有限公司 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备
CN107463903A (zh) * 2017-08-08 2017-12-12 北京小米移动软件有限公司 人脸关键点定位方法及装置
CN109241910A (zh) * 2018-09-07 2019-01-18 高新兴科技集团股份有限公司 一种基于深度多特征融合级联回归的人脸关键点定位方法

Also Published As

Publication number Publication date
CN110348463A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110348463B (zh) 用于识别车辆的方法和装置
Hoang et al. Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning
CN110781711A (zh) 目标对象识别方法、装置、电子设备及存储介质
Huang et al. Spatial-temproal based lane detection using deep learning
Razalli et al. Emergency vehicle recognition and classification method using HSV color segmentation
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN113012215A (zh) 一种空间定位的方法、系统及设备
Bu et al. A UAV photography–based detection method for defective road marking
Balali et al. Multi-class traffic sign detection and classification using google street view images
Dousai et al. Detecting humans in search and rescue operations based on ensemble learning
CN114332776A (zh) 非机动车占用人行道检测方法、系统、设备及存储介质
Huu et al. Proposing Lane and Obstacle Detection Algorithm Using YOLO to Control Self‐Driving Cars on Advanced Networks
CN111753766B (zh) 一种图像处理方法、装置、设备及介质
CN114596548A (zh) 目标检测方法、装置、计算机设备及计算机可读存储介质
Kiew et al. Vehicle route tracking system based on vehicle registration number recognition using template matching algorithm
CN112733864A (zh) 模型训练方法、目标检测方法、装置、设备及存储介质
CN111767839B (zh) 一种车辆行驶轨迹确定方法、装置、设备及介质
Hara et al. An initial study of automatic curb ramp detection with crowdsourced verification using google street view images
Byzkrovnyi et al. Comparison of Object Detection Algorithms for the Task of Person Detection on Jetson TX2 NX Platform
Giannikis et al. Crowdsourcing Recognized Image Objects In Mobile Devices Through Machine Learning
CN114913470A (zh) 一种事件检测方法及装置
Fernandes et al. A robust automatic license plate recognition system for embedded devices
Chen Visible & thermal imaging and deep learning based approach for automated robust detection of potholes to prioritize highway maintenance
CN112529116A (zh) 场景元素融合处理方法、装置和设备及计算机存储介质
Le et al. A Deep Learning Based Traffic Sign Detection for Intelligent Transportation Systems

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