用于识别车辆的方法和装置制造方法及图纸

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。

Methods and devices for identifying vehicles

【技术实现步骤摘要】
用于识别车辆的方法和装置
本公开的实施例涉及计算机
，具体涉及用于识别车辆的方法和装置。
技术介绍
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。
技术实现思路
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专利技术，而非对该专利技术的限定。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专利技术相关的部分。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、天网监控摄像本文档来自技高网...

【技术保护点】
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确定所述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。

【技术特征摘要】
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确定所述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...

【专利技术属性】
技术研发人员：蒋旻悦，谭啸，孙昊，文石磊，丁二锐，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11