一种车辆检索方法及装置、电子设备、存储介质制造方法及图纸

本公开揭示了一种车辆检索方法及装置、电子设备、计算机可读存储介质，该方案包括：获取待检索车辆图像；通过卷积神经网络进行待检索车辆图像的特征提取，获得特征向量；对特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取；合并属性特征和深度特征，获得待检索车辆图像的车辆视觉特征；进行车辆检索数据库中图像与待检索车辆图像之间车辆视觉特征的匹配计算，获得与待检索车辆图像匹配的目标图像。本发明专利技术提供的技术方案，车辆检索的准确性更高，由于无需人工参与查询，车辆检索效率高。

【技术实现步骤摘要】
一种车辆检索方法及装置、电子设备、存储介质
本公开涉及图像识别
，特别涉及一种车辆检索方法及装置、电子设备、计算机可读存储介质。
技术介绍
海量监控录像中检索待查询车辆，在公安系统中有着重要应用。通常监控系统会保存成百上千甚至上万的监控录像，在这么庞大的录像中检索待查询车辆，需要大量的运算，较长的时间。所需运算量及所需时间，随着监控录像数量的增加以及检索时间范围的扩大，迅速增加。现有技术中多个监控录像中的车辆检索可以采用以下两种方案：方案一、人工检索的方式。通过人眼查看待查询车辆是否出现，这种方法检索的准确率高，但效率较低。当需检索的监控录像较少时，可以采用这种方法，当需检索的监控录像较多时则需要花上大量时间。方案二、通过车辆识别技术，基于车牌信息进行车辆检索或基于人为定义的标志物包括年检标、摆件、挂饰中的一种或多种，根据这些标注物特征进行车辆检索。但是可疑车辆缺失车牌信息的可能性较大，同时还可能存在套牌现象，在缺失车牌信息时，将无法完成车辆检索。基于人工定义的特征物进行检索具有局限性，比如车辆的摆件挂饰是经常变动的，基于这些局部特征进行车辆检索的准确性也不高。综上，现有技术中提供的车辆检索方案，检索效率较低，检索准确性不高。
技术实现思路
为了解决现有技术提供的车辆检索方案，检索效率较低，检索准确性不高的问题，本公开提供了一种车辆检索方法及装置。一方面，本专利技术提供了一种车辆检索方法，所述方法包括：获取待检索车辆图像；通过卷积神经网络进行所述待检索车辆图像的特征提取，获得特征向量；对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取；合并所述属性特征和深度特征，获得所述待检索车辆图像的车辆视觉特征；进行车辆检索数据库中图像与所述待检索车辆图像之间车辆视觉特征的匹配计算，获得与所述待检索车辆图像匹配的目标图像。在一种示例性实施例中，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取，包括：通过样本车辆图像以及所述样本车辆图像所标记属性类别构建的类别预测分支模型，对所述特征向量进行所述待检索车辆图像的属性类别预测，获得属性特征。在一种示例性实施例中，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取，包括：通过样本车辆图像以及所对应正负样本构建的正负约束分支模型，对所述特征向量进行深度特征提取。在一种示例性实施例中，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取之前，所述方法还包括：获取样本车辆图像以及所述样本车辆图像所标记的属性类别；通过所述样本车辆图像以及所标记属性类别进行神经网络学习，获得进行所述属性特征提取的类别预测分支模型。在一种示例性实施例中，所述通过所述样本车辆图像以及所标记属性类别进行神经网络学习，获得进行所述属性特征提取的类别预测分支模型，包括：通过所述卷积神经网络提取所述样本车辆图像的样本特征向量；通过搭建多层全连接层对所述样本特征向量进行卷积计算，提取所述样本特征向量对应的样本属性特征；根据所述样本车辆图像所标记的属性类别，优化所述全连接层的权重参数，使所述样本属性特征与所标记的属性类别之间的差异最小，优化后的所述全连接层构成所述类别预测分支模型。在一种示例性实施例中，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取之前，所述方法还包括：获取样本车辆图像以及所述样本车辆图像对应的正负样本，构成样本三元组；对所述样本三元组采用适应于匹配计算的损失函数进行相对正负样本的神经网络学习，获得进行所述深度特征提取的正负约束分支模型。在一种示例性实施例中，对所述样本三元组采用适应于匹配计算的损失函数进行相对正负样本的神经网络学习，获得进行所述深度特征提取的正负约束分支模型，包括：对所述样本三元组进行所述深度特征提取的神经网络学习，通过优化样本车辆图像与正负样本之间的特征距离，获得进行所述深度特征提取的正负约束分支模型。在一种示例性实施例中，所述进行车辆检索数据库中图像与所述待检索车辆图像之间车辆视觉特征的匹配计算，获得与所述待检索车辆图像匹配的目标图像，包括：将车辆检索数据库中图像与所述待检索车辆图像进行车辆视觉特征的比对；在所述车辆检索数据库中查找与所述待检索车辆图像的车辆视觉特征相似度最高的图像，获得与所述待检索车辆图像匹配的目标图像。另一方面，本专利技术还提供了一种车辆检索装置，所述装置包括：图像获取模块，用于获取待检索车辆图像；向量获得模块，用于通过卷积神经网络进行所述待检索车辆图像的特征提取，获得特征向量；特征提取模块，用于对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取；特征合并模块，用于合并所述属性特征和深度特征，获得所述待检索车辆图像的车辆视觉特征；车辆检索模块，用于进行车辆检索数据库中图像与所述待检索车辆图像之间车辆视觉特征的匹配计算，获得与所述待检索车辆图像匹配的目标图像。在一种示例性实施例中，所述特征提取模块包括：属性特征提取单元，用于通过样本车辆图像以及所述样本车辆图像所标记属性类别构建的类别预测分支模型，对所述特征向量进行所述待检索车辆图像的属性类别预测，获得属性特征。在一种示例性实施例中，所述特征提取模块包括：深度特征提取单元，用于通过样本车辆图像以及所对应正负样本构建的正负约束分支模型，对所述特征向量进行深度特征提取。在一种示例性实施例中，所述装置还包括：样本图像获取模块，用于获取样本车辆图像以及所述样本车辆图像所标记的属性类别；类别分支训练模块，用于通过所述样本车辆图像以及所标记属性类别进行神经网络学习，获得进行所述属性特征提取的类别预测分支模型。在一种示例性实施例中，所述类别分支训练模块包括：样本向量提取单元，用于通过所述卷积神经网络提取所述样本车辆图像的样本特征向量；样本特征提取单元，用于通过搭建多层全连接层对所述样本特征向量进行卷积计算，提取所述样本特征向量对应的样本属性特征；参数优化单元，用于根据所述样本车辆图像所标记的属性类别，优化所述全连接层的权重参数，使所述样本属性特征与所标记的属性类别之间的差异最小，优化后的所述全连接层构成所述类别预测分支模型。在一种示例性实施例中，所述装置还包括：三元组获取模块，用于获取样本车辆图像以及所述样本车辆图像对应的正负样本，构成样本三元组；正负约束分支训练模块，用于对所述样本三元组采用适应于匹配计算的损失函数进行相对正负样本的神经网络学习，获得进行所述深度特征提取的正负约束分支模型。在一种示例性实施例中，所述正负约束分支训练模块包括：特征距离优化单元，用于对所述样本三元组进行所述深度特征提取的神经网络学习，通过优化样本车辆图像与正负样本之间的特征距离，获得进行所述深度特征提取的正负约束分支模型。在一种示例性实施例中，车辆检索模块包括：特征对比单元，用于将车辆检索数据库中图像与所述待检索车辆图像进行车辆视觉特征的比对；图像查找单元，用于在所述车辆检索数据库中查找与所述待检索车辆图像的车辆视觉特征相似度最高的图像，获得与所述待检索车辆图像匹配的目标图像。另一方面，本专利技术还提供了一种电子设备，所述电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述任意一种所述的本文档来自技高网...

【技术保护点】
1.一种车辆检索方法，其特征在于，所述方法包括：获取待检索车辆图像；通过卷积神经网络进行所述待检索车辆图像的特征提取，获得特征向量；对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取；合并所述属性特征和深度特征，获得所述待检索车辆图像的车辆视觉特征；进行车辆检索数据库中图像与所述待检索车辆图像之间车辆视觉特征的匹配计算，获得与所述待检索车辆图像匹配的目标图像。

【技术特征摘要】
1.一种车辆检索方法，其特征在于，所述方法包括：获取待检索车辆图像；通过卷积神经网络进行所述待检索车辆图像的特征提取，获得特征向量；对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取；合并所述属性特征和深度特征，获得所述待检索车辆图像的车辆视觉特征；进行车辆检索数据库中图像与所述待检索车辆图像之间车辆视觉特征的匹配计算，获得与所述待检索车辆图像匹配的目标图像。2.根据权利要求1所述的方法，其特征在于，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取，包括：通过样本车辆图像以及所述样本车辆图像所标记属性类别构建的类别预测分支模型，对所述特征向量进行所述待检索车辆图像的属性类别预测，获得属性特征。3.根据权利要求1所述的方法，其特征在于，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取，包括：通过样本车辆图像以及所对应正负样本构建的正负约束分支模型，对所述特征向量进行深度特征提取。4.根据权利要求1所述的方法，其特征在于，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取之前，所述方法还包括：获取样本车辆图像以及所述样本车辆图像所标记的属性类别；通过所述样本车辆图像以及所标记属性类别进行神经网络学习，获得进行所述属性特征提取的类别预测分支模型。5.根据权利要求4所述的方法，所述通过所述样本车辆图像以及所标记属性类别进行神经网络学习，获得进行所述属性特征提取的类别预测分支模型，包括：通过所述卷积神经网络提取所述样本车辆图像的样本特征向量；通过搭建多层全连接层对所述样本特征向量进行卷积计算，提取所述样本特征向量对应的样本属性特征；根据所述样本车辆图像所标记的属性类别，优化所述全连接层的权重参数，使所述样本属性特征与所标记的属性类别之间的差异最小，优化后的所述全连接层构成所述类别预测分支模型。6.根据权利要求1所述的方法，其特征在于，所述对所述特征向量分别进行属性特征提取和相对正负样本之间深度特征的提取之前，所述方法还包括：获取样本车辆图像以及所述样本车辆图像对应的正负样本，构成样本三元组；对所述样本三元组采用适应于匹配计算的损失函数进行相对正负样本的神经网络学习，获得进行所述深度特征提取的正负约束分支模型。7.根据权利要求6所述的方法，其特征在于，所述对所述样本三元组采用适应于匹配计算的损失函数进行相对正负样本的神经网络学习，获得进行所述深度特征提取的正负约束分支模型，包括：对所述样本三元组进行所述深度特征提取的神经网络学习，通过优化样本车辆图像与正负样本之间的特征距离，获得进行所述深度特征提取的正负约束分支模型。8....

【专利技术属性】
技术研发人员：彭湃，郭晓威，张有才，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44