本发明专利技术公开了车辆追踪方法、Siamese网络训练方法及装置、电子设备、存储介质。车辆追踪方法包括：将待追踪车辆的车辆图像和监控设备抓拍的抓拍图像分别输入Siamese网络的两个分支，以分别提取抓拍图像中的抓拍车辆特征和车辆图像中的待追踪车辆特征；计算抓拍车辆特征与待追踪车辆特征的相似度；根据目标监控设备的位置信息确定待追踪车辆的位置，目标监控设备抓拍到的抓拍图像中的抓拍车辆特征与待追踪车辆特征的相似度大于阈值。本发明专利技术能够提高两幅图像相似度对比的准确度，进而最终提高车辆追踪的准确率。辆追踪的准确率。辆追踪的准确率。
【技术实现步骤摘要】
车辆追踪方法、Siamese网络训练方法及装置
[0001]本专利技术涉及车辆追踪
，特别涉及车辆追踪方法、Siamese网络训练方法及装置、电子设备、存储介质。
技术介绍
[0002]目前，对于车辆的定位与追踪，常见的技术为卫星定位，而卫星定位对于通信网络要求较高，在地下车库等网络状态不佳的场合没有办法适用。随着图像识别技术的发展，以及监控设备遍布生活中的各个场所，基于图像识别技术实现车辆追踪成为可能。然而，由于车辆大多车型相似，且运行中的车辆图像抓拍精度较低，还受到抓拍角度限制，现有技术中基于图像识别技术实现车辆追踪，准确性和效率较低。
技术实现思路
[0003]本专利技术提供一种准确性和效率较高的车辆追踪方法、Siamese网络训练方法及装置、电子设备、存储介质。
[0004]具体地，本专利技术是通过如下技术方案实现的：
[0005]第一方面，提供一种车辆追踪方法，所述车辆追踪方法包括：
[0006]将待追踪车辆的车辆图像输入Siamese网络的第一分支，将监控设备抓拍的抓拍图像输入所述Siamese网络的第二个分支，以分别提取所述抓拍图像中的抓拍车辆特征和所述车辆图像中的待追踪车辆特征，其中，所述Siamese网络预先采用包括有车辆特征标注信息的车辆图像集训练完成；
[0007]计算所述抓拍车辆特征与所述待追踪车辆特征的相似度；
[0008]根据目标监控设备的位置信息确定所述待追踪车辆的位置，所述目标监控设备抓拍到的抓拍图像中的抓拍车辆特征与所述待追踪车辆特征的相似度大于阈值。
[0009]可选地，将监控设备抓拍的抓拍图像输入所述Siamese网络的第二个分支包括：
[0010]将包括有车辆图像信息的抓拍图像输入所述Siamese网络的第二个分支。
[0011]可选地，计算所述抓拍车辆特征与所述待追踪车辆特征的相似度，包括：
[0012]计算所述抓拍车辆特征与所述待追踪车辆特征的欧氏距离或余弦距离。
[0013]可选地，所述车辆追踪方法还包括：
[0014]根据抓拍图像的抓拍时间先后顺序连接对应的目标监控设备的位置，以绘制出所述待追踪车辆的行车轨迹。
[0015]可选地，所述待追踪车辆特征包括以下特征中的至少一种：
[0016]车辆型号、车身颜色、车身装饰、车内挂饰、车身纹理、车窗类型、车牌号码。
[0017]第二方面，提供一种Siamese网络的训练方法，所述训练方法包括：
[0018]获取多组图像对作为训练样本，每组图像对包括两幅车辆图像，每幅车辆图像标注有车辆标注特征；
[0019]针对每组图像对，将两幅车辆图像分别输入Siamese网络的两个分支；
[0020]经所述Siamese网络对输入的所述车辆图像进行特征提取，分别获得两幅车辆图像的车辆预测特征；
[0021]计算两幅车辆图像的车辆预测特征的第一相似度，以及两幅车辆图像的车辆标注特征的第二相似度；
[0022]确定所述第一相似度和所述第二相似度之间的差异，并基于所述差异调整所述Siamese网络的网络参数。
[0023]可选地，所述训练样本包括正样本和负样本；
[0024]作为正样本的图像对中的两幅车辆图像为相同车辆的图像；
[0025]作为负样本的图像对中的两幅车辆图像为不同车辆的图像。
[0026]可选地，所述正样本的图像对中的两幅车辆图像以不同的角度拍摄，和/或以不同的焦距拍摄，和/或在不同的光线亮度下拍摄。
[0027]第三方面，提供一种车辆追踪装置，所述车辆追踪装置包括：
[0028]输入模块，用于将待追踪车辆的车辆图像输入Siamese网络的第一分支，将监控设备抓拍的抓拍图像输入所述Siamese网络的第二个分支，以分别提取所述抓拍图像中的抓拍车辆特征和所述车辆图像中的待追踪车辆特征，其中，所述Siamese网络预先采用包括有车辆特征标注信息的车辆图像集训练完成；
[0029]计算模块，用于计算所述抓拍车辆特征与所述待追踪车辆特征的相似度；
[0030]追踪模块，用于根据目标监控设备的位置信息确定所述待追踪车辆的位置，所述目标监控设备抓拍到的抓拍图像中的抓拍车辆特征与所述待追踪车辆特征的相似度大于阈值。
[0031]第四方面，提供一种Siamese网络的训练装置，所述训练装置包括：
[0032]获取模块，用于获取多组图像对作为训练样本，每组图像对包括两幅车辆图像，每幅车辆图像标注有车辆标注特征；
[0033]输入模块，用于针对每组图像对，将两幅车辆图像分别输入Siamese网络的两个分支，以经所述Siamese网络对输入的所述车辆图像进行特征提取，分别获得两幅车辆图像的车辆预测特征；
[0034]计算模块，用于计算两幅车辆图像的车辆预测特征的第一相似度，以及两幅车辆图像的车辆标注特征的第二相似度；
[0035]调整模块，用于确定所述第一相似度和所述第二相似度之间的差异，并基于所述差异调整所述Siamese网络的网络参数。
[0036]第五方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的车辆追踪方法。
[0037]第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的车辆追踪方法的步骤。
[0038]第七方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的Siamese网络的训练方法。
[0039]第八方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程
序被处理器执行时实现上述任一项所述的Siamese网络的训练方法的步骤。
[0040]本专利技术的实施例提供的技术方案可以包括以下有益效果：
[0041]本专利技术采用Siamese网络实现车辆追踪，由于Siamese网络能够提取鉴别能力强的深度特征，从而即便仅抓取了车辆的局部图像，通过训练好的Siamese网络也能提取反映整车车辆特性的车辆特征，能够提高两幅图像相似度对比的准确度，进而最终提高车辆追踪的准确率。
[0042]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0043]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0044]图1是本专利技术一示例性实施例示出的一种车辆追踪方法的流程图；
[0045]图2是本专利技术另一示例性实施例示出的一种车辆追踪方法的流程图；
[0046]图3是使用图2的车辆追踪方法得到的待追踪车辆的行车轨迹的示意图；
[0047]图4是本专利技术一示例性实施例示出的一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆追踪方法，其特征在于，所述车辆追踪方法包括：将待追踪车辆的车辆图像输入Siamese网络的第一分支，将监控设备抓拍的抓拍图像输入所述Siamese网络的第二个分支，以分别提取所述抓拍图像中的抓拍车辆特征和所述车辆图像中的待追踪车辆特征，其中，所述Siamese网络预先采用包括有车辆特征标注信息的车辆图像集训练完成；计算所述抓拍车辆特征与所述待追踪车辆特征的相似度；根据目标监控设备的位置信息确定所述待追踪车辆的位置，所述目标监控设备抓拍到的抓拍图像中的抓拍车辆特征与所述待追踪车辆特征的相似度大于阈值。2.如权利要求1所述的车辆追踪方法，其特征在于，将监控设备抓拍的抓拍图像输入所述Siamese网络的第二个分支包括：将包括有车辆图像信息的抓拍图像输入所述Siamese网络的第二个分支。3.如权利要求1所述的车辆追踪方法，其特征在于，计算所述抓拍车辆特征与所述待追踪车辆特征的相似度，包括：计算所述抓拍车辆特征与所述待追踪车辆特征的欧氏距离或余弦距离。4.如权利要求1所述的车辆追踪方法，其特征在于，所述车辆追踪方法还包括：根据抓拍图像的抓拍时间先后顺序连接对应的目标监控设备的位置，以绘制出所述待追踪车辆的行车轨迹。5.如权利要求1所述的车辆追踪方法，其特征在于，所述抓拍车辆特征、所述待追踪车辆特征均包括以下特征中的至少一种：车辆型号、车身颜色、车身装饰、车内挂饰、车身纹理、车窗类型、车牌号码。6.一种Siamese网络的训练方法，其特征在于，所述训练方法包括：获取多组图像对作为训练样本，每组图像对包括两幅车辆图像，每幅车辆图像标注有车辆标注特征；针对每组图像对，将两幅车辆图像分别输入Siamese网络的两个分支；经所述Siamese网络对输入的所述车辆图像进行特征提取，分别获得两幅车辆图像的车辆预测特征；计算两幅车辆图像的车辆预测特征的第一相似度，以及两幅车辆图像的车辆标注特征的第二相似度；确定所述第一相似度和所述第二相似度之间的差异，并基于所述差异调整所述Siamese网络的网络参数。7.如权利要求6所述的Siamese网络的训练方法，其特征在于，所述训练样本包括正样本和负样本；作为正样本的图像对中的两幅车辆图像为相同车辆的图像；作为负样本的图像对中的两幅车辆图像为不同车辆的图像。8.如权利要求7所述的Siam...
【专利技术属性】
技术研发人员：卢洪志，
申请(专利权)人：浙江大搜车软件技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。