基于部件分割的识别模型训练、车辆重识别方法及装置制造方法及图纸

本发明专利技术提供了一种基于部件分割的识别模型训练、车辆重识别方法及装置，涉及图像识别技术领域，包括：将输入图像输入所述识别模型的部件分割网络和全局特征提取网络，获取输入图像的多个遮罩图和全局特征图；其中，每个遮罩图分别对应输入图像中待识别对象的一个视角；根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征；根据不同输入图像的多个所述局部特征确定不同输入图像之间的视角感知距离；根据所述视角感知距离构建损失函数，并根据所述损失函数更新所述识别模型的参数，以完成对所述识别模型的训练本发明专利技术根据不同图像的局部特征结合全局特征的欧式距离进行排序，可有效提高车辆重识别的准确度。

Recognition model training and vehicle recognition method and device based on component segmentation

【技术实现步骤摘要】
基于部件分割的识别模型训练、车辆重识别方法及装置
本专利技术涉及图像识别
，具体而言，涉及一种基于部件分割的识别模型训练、车辆重识别方法及装置。
技术介绍
近年来随着计算机视觉的快速发展，车辆再识别技术逐渐成为智能交通系统中的重要组成部分。在智能交通、城市安防中具有重要意义。车辆再识别指的是跨摄像头识别同一车辆图像的检索技术。即给出一张待检索的车辆照片，在一个大的候选集中检测出属于同一辆车的照片。其中，通过车辆的号牌识别来达到车辆重识别是一种简单有效的方法，但在道路监控视频中往往存在无车牌或车牌被遮挡的情况，给交通执法部门带来不小的挑战。此时就需要通过提取、比对拍摄车辆的其他信息才能达到车辆重识别的目的。在通过监控视频提取不同摄像头所拍摄的同一目标时，由于候选集的照片通常来源于多个相机，具有多种视角，且存在车辆姿态、车型相似性高以及光照变化等因素，导致同一目标的车辆图像的角度、颜色和轮廓等特征差别较大，使得车辆重识别问题变得更为复杂。现有的车辆再识别方法一般是基于端到端的深度学习网络模型来完成。通过模型直接提取车辆图片的全局特征，本文档来自技高网...

【技术保护点】
1.一种基于部件分割的识别模型训练方法，其特征在于，包括：/n将输入图像输入所述识别模型的部件分割网络和全局特征提取网络，获取输入图像的多个遮罩图和全局特征图；其中，每个遮罩图分别对应输入图像中待识别对象的一个视角；/n根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征；/n根据不同输入图像的多个所述局部特征确定不同输入图像之间的视角感知距离；/n根据所述视角感知距离构建损失函数，并根据所述损失函数更新所述识别模型的参数，以完成对所述识别模型的训练。/n

【技术特征摘要】
1.一种基于部件分割的识别模型训练方法，其特征在于，包括：
将输入图像输入所述识别模型的部件分割网络和全局特征提取网络，获取输入图像的多个遮罩图和全局特征图；其中，每个遮罩图分别对应输入图像中待识别对象的一个视角；
根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征；
根据不同输入图像的多个所述局部特征确定不同输入图像之间的视角感知距离；
根据所述视角感知距离构建损失函数，并根据所述损失函数更新所述识别模型的参数，以完成对所述识别模型的训练。


2.根据权利要求1所述的基于部件分割的识别模型训练方法，其特征在于，所述根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征具体包括：
确定每个所述遮罩图的可见性分数；
根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征图；
根据多个所述可见性分数和多个所述局部特征图确定与多个所述局部特征图一一对应的多个所述局部特征。


3.根据权利要求2所述的基于部件分割的识别模型训练方法，其特征在于，所述确定每个所述遮罩图的可见性分数具体包括：
分别对每个所述遮罩图求和，得到每个所述遮罩图对应的所述可见性分数。


4.根据权利要求2所述的基于部件分割的识别模型训练方法，其特征在于，所述根据多个所述遮罩图和所述全局特征图确定与多个所述遮罩图一一对应的多个局部特征图具体包括：
分别将每个所述遮罩图与所述全局特征图做逐元素相乘，得到每个所述遮罩图对应的所述局部特征图；
和/或所述根据多个所述可见性分数和多个所述局部特征图确定与多个所述局部特征图一一对应的多个所述局部特征具体包括：
分别对每个所述局部特征图的多个维度求和，再分别除以每个所述局部特征图对应的所述可见性分数，得到与多个所述局部特征图一一对应的多个所述局部特征。


5.根据权利要求1所述的基于部件分割的识别模型训练方法，其特征在于，所述根据不同输入图像的多个所述局部特征确定不同输入图像之间的视角感知距离具体包括：
将不同所述输入图像中对应相同视角的遮罩图作为一个遮罩图组，得到多个遮罩图组；
根据多个所述遮罩图组确定与多个所述遮罩图组一一对应的多个视角感知分数；
对于每个所述遮罩图组，确定与该遮罩图组对应的第一欧式距离，所述第一欧式距离为与该遮罩图组内的各遮罩图一一对应的各局部特征之间的欧式距离，所述各局部特征属于不同所述输入图像；
根据多个所述视角感知分数对与其一一对应的多个所述第一欧式距离加权求和，得到所述视角感知距离。


6.根据权利要求5所述的基于部件分割的识别模型训练方法，其特征在于，所述根据多个所述遮罩图组确定与多个所述遮罩图组一一对应的多个视角感知分数具体包括：
分别对不同所述输入图像的每个所述遮罩图求和，得到每个所述遮罩图的所述可见性分数；
对于每个遮罩图组，将该遮罩图组内的各遮罩图的所述可见性分数相乘，得到与多个所述遮罩图组一一对应的多个相乘结果；
将多个所述相乘结果进行归一化，得到多个所述视角感知分数。


7.根据权利要求5所述的基于部件分割的识别模型训练方法，其特征在于，所述根据多个所述视角感知分数对与其一一对应的多个所述第一欧式距离加权求和，得到所述视角感知距离具体包括：
使用多个所述视角感知分数作为加权求和的权重系数，对与其一一对应的多个所述第一欧式距离加权求和，得到所述视角感知距离。


8.一种基于部件分割的识别模型训练装置，其特征在于，包括：
获取模块，用于将输入图像输入所述识别模型的部件分割网络和全局特征提取网络，获取输入图像的多个遮罩图和全局特征图；其中，每个遮罩图分别对应输入图像...

【专利技术属性】
技术研发人员：孟德超，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11