RepNet车辆再识别网络中的车辆图像处理方法及装置制造方法及图纸

本发明专利技术提供一种RepNet车辆再识别网络中的车辆图像处理方法及装置。所述方法包括：将车辆再识别网络RepNet中卷积层获取的车辆图像的初始特征输入注意力提取网络APN层，获取所述车辆图像的注意力区域图像；对所述注意力区域图像进行超分辨率处理，获取车辆图像的细节特征；将所述细节特征输入RepNet的全连接层。本发明专利技术提供的RepNet车辆再识别网络中的车辆图像处理方法及装置，通过将APN网络获取车辆图像的的注意力区域图像，并对车辆图像中注意力区域图像进行超分辨率放大，获取丰富的车辆细节特征。在摄像头设备采集图像的分辨率较低或者车辆在图像中较小无法提取车辆的细节特征的情况下，为车辆再识别提供了丰富的细节特征。特征。特征。

【技术实现步骤摘要】
RepNet车辆再识别网络中的车辆图像处理方法及装置


[0001]本专利技术涉及图像处理
，具体涉及一种RepNet车辆再识别网络中的车辆图像处理方法及装置。

技术介绍

[0002]现有的基于深度学习网络的车辆再识别方法，是通过深度神经网络获取车辆的特征，通过比对不同车辆图像的特征实现车辆的再识别。
[0003]现有基于深度学习的车辆再识别方法中，需要大量的数据对模型进行支撑，所以数据的质量对最终的模型起着关键的作用。但是目前车辆再识别中，获取的数据大都是来自交通的摄像头拍摄。摄像头的种类繁多，且外界干扰的因素也非常多，因此获得的图像质量参差不齐，导致很多车辆在图像中的分辨率很低，最终获取的车辆的细节特征较少。
[0004]因此，如何提出一种方法，能够在获取的车辆图像分辨率较低以及车辆在图像中较小的情况下，提取丰富的车辆细节特征，具有十分重要的意义。

技术实现思路

[0005]本专利技术提供一种RepNet车辆再识别网络中的车辆图像处理方法及装置，用以解决现有技术中因为车辆图像分辨率较低或者车辆在图像中较小的情况下，无法提取丰富的车辆细节特征的技术问题。
[0006]第一方面，本专利技术提供一种RepNet车辆再识别网络中的车辆图像处理方法，包括：
[0007]将车辆再识别网络RepNet中卷积层获取的车辆图像的初始特征输入注意力提取网络APN层，获取所述车辆图像的注意力区域图像；
[0008]对所述注意力区域图像进行超分辨率处理，获取车辆图像的细节特征；
[0009]将所述细节特征输入RepNet的全连接层。
[0010]在一个实施例中，所述将RepNet中卷积层获取的车辆图像的初始特征输入APN层，获取所述车辆图像的注意力区域图像，包括：
[0011]将所述车辆图像的初始特征输入APN层，确定所述初始特征的置信度，将所述置信度满足预设阈值的初始特征确定为注意力区域内的特征；
[0012]根据所述注意力区域内的特征确定车辆图像的注意力区域图像。在一个实施例中，所述初始特征的置信度为：
[0013]P(X)＝f(W
C
×
X)；
[0014]其中，X为初始特征的特征向量，P(X)为初始特征的置信度，W
C
为APN网络的参数，f函数是APN网络中全连接层和softmax层的函数。
[0015]在一个实施例中，所述注意力区域图像的区域为：
[0016][t
x
,t
y
,t
l
]＝g(W
C
×
Y)；
[0017]其中，Y为置信度满足预设阈值特征的特征向量，W
C
为APN网络的参数，g函数为APN网络中通过两个全连接层实现的函数，t
x
为正方形注意力区域中心点横坐标，t
y
为正方形注
意力区域中心点纵坐标，t
l
为正方形注意力区域边长的一半。
[0018]在一个实施例中，所述对所述注意力区域图像进行超分辨率处理，包括：
[0019]将所述注意力区域图像输入两个卷积层，得到通道数量与注意力区域图像尺寸大小一样的特征图像；
[0020]对所述特征图像进行上采样，将上采样后的特征图像重新排列，得到与所述注意力区域图像尺寸大小一样的高分辨率图像。
[0021]在一个实施例中，所述高分辨率特征图像为：
[0022][0023]其中，I
SR
为输出的高分辨率特征图像，I
LR
为输入的所述车辆图像的注意力区域的特征图像，L为当前卷积层的层数，f
L
‑1函数为第L
‑
1个卷积层的函数，W
L
为第L个卷积层的参数，b
L
为第L个卷积层的偏置量，为周期性重组算子。
[0024]在一个实施例中，所述获取车辆图像的细节特征之后，还包括：
[0025]重复执行如下步骤，直到执行次数达到次数阈值：
[0026]将当前车辆图像的细节特征输入APN层，获取当前车辆图像的注意力区域图像；
[0027]对所述当前车辆图像的注意力区域图像进行超分辨率处理，获取下一车辆图像的细节特征。
[0028]第二方面，本专利技术还提供一种RepNet车辆再识别网络中的车辆图像处理装置，包括：
[0029]注意力区域获取模块，用于将车辆再识别网络RepNet中卷积层获取的车辆图像的初始特征输入注意力提取网络APN层，获取所述车辆图像的注意力区域图像；
[0030]超分辨率处理模块，用于对所述注意力区域图像进行超分辨率处理，获取车辆图像的细节特征；
[0031]细节特征处理模块，用于将所述细节特征输入RepNet的全连接层。
[0032]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一种的RepNet车辆再识别网络中的车辆图像处理方法的步骤。
[0033]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一种的RepNet车辆再识别网络中的车辆图像处理方法的步骤。
[0034]本专利技术提供的RepNet车辆再识别网络中的车辆图像处理方法、装置、电子设备及存储介质，通过将RepNet网络中卷积层获取的车辆图像的初始特征输入注意力提取网络APN层，获取车辆图像的的注意力区域图像。同时，对车辆图像中注意力区域图像进行超分辨率放大，获取丰富的车辆细节特征。在摄像头设备采集图像的分辨率较低或者车辆在图像中较小无法提取车辆的细节特征的情况下，为车辆再识别提供了丰富的细节特征。
附图说明
[0035]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些
附图获得其他的附图。
[0036]图1为本专利技术提供的RepNet车辆再识别网络流程示意图；
[0037]图2为本专利技术提供的RepNet车辆再识别网络中的车辆图像处理方法的流程示意图；
[0038]图3为本专利技术提供的优化后的RepNet车辆再识别网络流程示意图；
[0039]图4为本专利技术提供的RepNet车辆再识别网络中的车辆图像处理装置的结构示意图；
[0040]图5为本专利技术提供的电子设备的结构示意图。
具体实施方式
[0041]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种RepNet车辆再识别网络中的车辆图像处理方法，其特征在于，包括：将车辆再识别网络RepNet中卷积层获取的车辆图像的初始特征输入注意力提取网络APN层，获取所述车辆图像的注意力区域图像；对所述注意力区域图像进行超分辨率处理，获取车辆图像的细节特征；将所述细节特征输入RepNet的全连接层。2.根据权利要求1所述的RepNet车辆再识别网络中的车辆图像处理方法，其特征在于，所述将RepNet中卷积层获取的车辆图像的初始特征输入APN层，获取所述车辆图像的注意力区域图像，包括：将所述车辆图像的初始特征输入APN层，确定所述初始特征的置信度，将所述置信度满足预设阈值的初始特征确定为注意力区域内的特征；根据所述注意力区域内的特征确定车辆图像的注意力区域图像。3.根据权利要求2所述的RepNet车辆再识别网络中的车辆图像处理方法，其特征在于，所述初始特征的置信度为：P(X)＝f(W
C
×
X)；其中，X为初始特征的特征向量，P(X)为初始特征的置信度，W
C
为APN网络的参数，f函数是APN网络中全连接层和softmax层的函数。4.根据权利要求2所述的RepNet车辆再识别网络中的车辆图像处理方法，其特征在于，所述注意力区域图像的区域为：[t
x
，t
y
，t
l
]＝g(W
C
×
Y)；其中，Y为置信度满足预设阈值特征的特征向量，W
C
为APN网络的参数，g函数为APN网络中通过两个全连接层实现的函数，t
x
为正方形注意力区域中心点横坐标，t
y
为正方形注意力区域中心点纵坐标，t
l
为正方形注意力区域边长的一半。5.根据权利要求1所述的RepNet车辆再识别网络中的车辆图像处理方法，其特征在于，所述对所述注意力区域图像进行超分辨率处理，包括：将所述注意力区域图像输入两个卷积...

【专利技术属性】
技术研发人员：王雨周，郭佳兴，于冬梅，马洪晓，
申请(专利权)人：中移雄安信息通信科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：