基于城市管理的无人机智能车辆识别方法及系统技术方案

本发明专利技术实施例提供一种基于城市管理的无人机智能车辆识别方法及系统，通过将缺失部分特征的目标车辆的第一车辆描述信息发送给各无人机，由各无人机基于第一车辆描述信息执行针对目标车辆的初步识别，并反馈初步识别结果给无人机控制中心，然后再由无人机控制中心根据初步识别结果进行二次识别，进而精确识别出目标车辆，进而得到目标车辆的第二车辆描述信息（没有缺失特征）。如此，根据第二车辆描述信息可以确定对应的目标无人机对所述目标车辆进行实时跟踪识别及定位。进行实时跟踪识别及定位。进行实时跟踪识别及定位。

【技术实现步骤摘要】
基于城市管理的无人机智能车辆识别方法及系统


[0001]本专利技术涉及智慧城市及监控
，具体而言，涉及一种基于城市管理的无人机智能车辆识别方法及系统。

技术介绍

[0002]无人飞行载具（Unmanned Aerial Vehicle，UAV ）又称为无人机。随着无人飞行技术的快速发展，消费性无人机在各行各业得到的广泛的应用，用于替代人执行相应的工作。
[0003]进一步地，随着智慧城市进程的不断加速，无人机在智慧城市领域的应用（如智慧城市管理）也被广泛推广。例如，无人机用于智慧城市交通监控与指挥、自动送餐、智慧城市物流等各种领域，极大的方便了人们日常的工作与生活，同时使得城市变得越来越“智慧化”。
[0004]然而，在基于智慧城市应用无人机进行城市管理的过程中，例如，基于道路交通的城市管理，往往会出现针对一些特定情况下的目标车辆进行监控的场景，例如针对嫌疑车辆、肇事车辆、需要帮助的紧急求助车辆等的监控跟踪定位，以助于相应任务的完成。然而，在实际应用时，针对目标车辆的某些重要特征（例如号牌、车型等）在监控的初期存在未知或缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于城市管理的无人机智能车辆识别方法，其特征在于，应用于所述无人机控制中心，所述方法包括：接收目标车辆的第一车辆描述信息，根据所述第一车辆描述信息向设定监控区域内的各无人机发送车辆识别指令，使各无人机在对应区域内进行目标车辆的初步识别，所述第一车辆描述信息包括第一车辆描述索引，所述第一车辆描述索引缺少所述目标车辆在预设的多个目标特征描述维度中的至少一个目标特征描述维度对应的索引特征；接收各无人机在初步识别过程中反馈的初步识别结果，并根据所述初步识别结果获得所述目标车辆的第二车辆描述信息，所述初步识别结果包括与所述第一车辆描述信息的匹配度达到第一预设匹配度的至少一个监控视频画面；根据所述第二车辆描述信息，确定所述设定监控区域内的至少一个无人机作为目标无人机；根据所述第二车辆描述信息向所述目标无人机发送跟踪监控指令，使所述目标无人机对所述目标车辆进行实时跟踪监控及定位。2.根据权利要求1所述的基于城市管理的无人机智能车辆识别方法，其特征在于，所述根据所述初步识别结果获得所述目标车辆的第二车辆描述信息，包括：从各所述无人机反馈的所述初步识别结果中获取各所述无人机反馈的与所述第一车辆描述信息的匹配度达到第一预设匹配度的监控视频画面；针对每个所述监控视频画面，调用监控端车辆识别模型，通过所述监控端车辆识别模型包括的与多个特征描述维度分别对应的卷积网络层从所述监控视频画面中提取各所述特征描述维度下的车辆特征信息；通过所述监控端车辆识别模型包括的特征转换层将每个所述特征描述维度下的车辆特征信息进行特征转换，得到每个所述特征描述维度下的车辆特征信息对应的索引特征；通过所述监控端车辆识别模型包括的结果输出层根据所述特征描述维度下的车辆特征信息对应的索引特征与所述第一车辆描述信息对应的第一车辆描述索引计算所述监控视频画面与所述第一车辆描述信息的匹配度， 若所述匹配度达到第二预设匹配度，则将所述监控视频画面确定为目标画面，其中所述第二预设匹配度大于所述第一预设匹配度；获取预先设定的全局特征描述维度序列，所述全局特征描述维度序列包括针对所述目标车辆的多个所述目标特征描述维度；根据所述全局特征描述维度序列以及所述第一车辆描述信息的第一车辆描述索引确定针对所述目标车辆的缺失特征描述维度；从所述目标画面中获取所述缺失特征描述维度下的车辆缺失特征信息，根据所述车辆缺失特征信息对所述第一车辆描述信息进行优化，得到所述第二车辆描述信息；所述根据所述第二车辆描述信息，确定所述设定监控区域内的至少一个无人机作为目标无人机，包括：根据所述第二车辆描述信息中的车辆缺失特征信息所对应的至少一个目标监控画面，确定反馈所述至少一个目标监控画面的至少一个无人机作为所述目标无人机。3.根据权利要求2所述的基于城市管理的无人机智能车辆识别方法，其特征在于，所述方法还包括对所述监控端车辆识别模型进行模型训练的步骤，所述步骤包括：获取训练样本库，所述训练样本库包括多个携带有标定车辆描述索引的样本车辆监控
画面；获取预先确定的神经网络模型，所述神经网络模型包括卷积网络层、特征转换层、以及结果输出层；针对每个所述样本车辆监控画面，通过所述卷积网络层获取所述样本车辆监控画面在多个目标特征描述维度下的车辆特征信息；通过所述特征转换层将每个所述目标特征描述维度下的车辆特征信息进行特征转换，得到每个所述目标特征描述维度下的车辆特征信息对应的索引特征；通过所述结果输出层根据所述目标特征描述维度下的车辆特征信息对应的索引特征得到一训练车辆描述索引；根据所述训练车辆描述索引与所述标定车辆描述索引计算得到第一损失函数值；根据所述第一损失函数值对所述神经网络模型的模型参数进行迭代优化，直到所述第一损失函数值满足第一收敛条件，得到训练后的神经网络模型作为所述监控端车辆识别模型；其中，所述第一损失函数值由各所述训练车辆描述索引中的各索引特征与所述标定车辆描述索引中对应的各索引特征的第一匹配度计算得到，所述第一收敛条件包括所述第一损失函数值表征的第一匹配度达到第一预设匹配度阈值。4.根据权利要求2所述的基于城市管理的无人机智能车辆识别方法，其特征在于，所述方法还包括：获取训练样本库，所述训练样本库包括多个携带有标定车辆描述索引的样本车辆监控画面；获取预先确定的神经网络模型，并对所述神经网络模型进行模型压缩处理，得到压缩后的神经网络模型；针对每个所述样本车辆监控画面，通过所述神经网络模型获取所述样本车辆监控画面在多个目标特征描述维度下的车辆特征信息，并根据所述目标特征描述维度下的车辆特征信息以及所述标定车辆描述索引包括的索引特征计算得到第二损失函数值；根据所述第二损失函数值对所述压缩后的神经网络模型的模型参数进行迭代优化，直到所述第二损失函数值满足第二收敛条件，得到训练后的神经网络模型作为机载车辆识别模型；其中，所述第二损失函数值由各所述目标特征描述维度下的车辆特征信息与所述标定车辆描述索引中对应的各索引特征的第二匹配度计算得到，所述第二收敛条件包括所述第二损失函数值表征的第二匹配度达到第二预设匹配度阈值，所述第二预设匹配度阈值小于所述第一预设匹配度阈值；将所述机载车辆识别模型下发至各所述无人机，使所述无人机根据所述机载车辆识别模型对所述设定监控区域内的车辆进行目标车辆识别，以向所述无人机控制中心反馈所述初步识别结果。5.根据权利要求3或4所述的基于城市管理的无人机智能车辆识别方法，其特征在于，所述获取训练样本库，包括：通过多个无人机获取设定场景下的车辆监控画面，得到多个车辆监控画面；将各所述车辆监控画面作为车辆监控画面样本存储至预先设定的样本数据库中；提取所述样本数据库中的各所述车辆监控画面样本在多个目标特征描述维度下的车辆特征信息，得到每个车辆监控画面样本对应的特征提取结果；
根据每个所述车辆监控画面样本对应的特征提取结果，对所述样本数据库中的车辆监控画面样本进行样本过滤，得到过滤后的样本数据库；根据过滤后的样本数据库中各车辆监控画面样本对应的特征提取结果得到所述车辆监控画面样本对应的标定车辆描述索引，并将所述车辆描述索引与所述车辆监控画面样本在所述样本数据库中进行关联存储，得到所述训练样本库；其中，根据每个所述车辆监控画面样本对应的特征提取结果，对所述样本数据库中的车辆监控画面样本进行样本过滤，得的过滤后的样本数据库，包括：针对每个所述车辆监控画面样本，确定所述...

【专利技术属性】
技术研发人员：杨翰翔，杨德润，
申请(专利权)人：深圳联和智慧科技有限公司，
类型：发明
国别省市：