【技术实现步骤摘要】
本专利技术涉及车辆识别，特别涉及一种车辆自动识别方法。
技术介绍
1、在现代社会，随着城市化进程的不断加速和交通流量的快速增长，车辆管理和交通安全成为了亟待解决的重要问题。传统的车辆识别和管理方法往往依赖于人工操作，效率低下且易受误判和疏漏的影响，已经无法满足日益增长的交通管理需求，为了提高车辆管理的效率和精准度，自动化技术的应用成为了一种必然趋势。
技术实现思路
1、为了解决以上问题，本专利技术提供了一种车辆自动识别方法。
2、为实现上述目的，本专利技术所采用的技术方案如下：
3、一种车辆自动识别方法，包括如下步骤：
4、采集车辆牌号、驾驶员面容和驾驶员证件的模态数据；
5、将采集到的模态数据进行融合，建立多模态数据的关联；
6、提取每个模态数据的关键特征，并降低其维度；
7、基于融合后的特征，建立多模态数据的关联模型，使不同模态的信息能够在特征空间中相互关联；
8、利用建立的关联模型进行车辆识别、面容验证和证件匹配。
9、进一步的：所述将采集到的模态数据进行融合，建立多模态数据的关联包括：
10、将车辆牌号、驾驶员面容和驾驶员证件信息分别表示为向量形式；
11、将每种数据的向量表示转换为嵌入式表示；
12、建立多模态融合模型，多模态融合模型接受不同模态数据的嵌入式表示作为输入，并输出一个综合的表示；
13、使用已标记的数据集对模型进行训
14、进一步的：所述建立多模态融合模型，多模态融合模型接受不同模态数据的嵌入式表示作为输入，并输出一个综合的表示包括：
15、输入层：接受车辆牌号图像、驾驶员面容信息和驾驶员证件信息的嵌入式表示作为模型的输入；
16、共享层：同时处理来自不同模态的信息；
17、多模态融合层：使用如下公式将不同模态的信息整合在一起：
18、
19、其中，m表示模态的数量，权重i表示第i个模态的权重，模态i表示第i个模态的输出；
20、全连接层：进行特征提取和维度的调整；
21、输出层：输出综合的表示作为后续验证和识别的输入。
22、进一步的：所述使用已标记的数据集对模型进行训练：
23、使用如下损失函数来度量模型输出与真实标签之间的差异：
24、
25、其中，f是模型的输出函数，是锚点样本，是正样本，是负样本，α是边界值，[·]+表示取正数部分；
26、将训练数据集中的多模态数据输入到模型中，包括车辆牌号图像、驾驶员面容信息和驾驶员证件信息；
27、将输入数据通过模型进行前向传播，得到模型的输出；
28、使用定义的多模态损失函数计算模型输出与真实标签之间的差异，包括计算锚点样本和正样本的差异以及锚点样本和负样本的差异；
29、通过反向传播算法，计算损失对模型参数的梯度；
30、使用梯度下降算法，更新模型的参数，以最小化损失函数；
31、重复上述步骤，不断迭代训练模型，直到模型收敛。
32、进一步的：所述提取每个模态数据的关键特征，并降低其维度包括：
33、准备一个有标签的数据集，其中的每个样本都包含车辆牌号图像特征、驾驶员面容信息和驾驶员证件信息，以及对应的标签，表示样本所属的类别；
34、对于数据集中的每个类别，分别计算其类内散度矩阵和类间散度矩阵；
35、对类间散度矩阵进行特征值分解，得到特征值和对应的特征向量；
36、根据特征值的大小，选择前k个特征向量作为新的特征空间的基，其中k为降维后的维度；
37、将原始数据集中的每个样本通过选定的特征向量进行投影，得到降维后的数据集。
38、进一步的：所述基于融合后的特征，建立多模态数据的关联模型，使不同模态的信息能够在特征空间中相互关联包括：
39、多模态数据的关联模型包括三个子模型，子模型对应处理车辆牌号图像、驾驶员面容信息和驾驶员证件信息；
40、在每个子模型中，设置共享层，用于提取模态数据的共享表示，共享层的参数在训练中被多个模态数据共同更新，以使得不同模态信息在共享表示中有相关性；
41、在共享层之后，为每个模态数据设置子模型，用于处理该模态数据的独特特征，每个子模型的参数在训练中也将被更新，以使得每个模态信息能够在特征空间中有相关性；
42、将车辆牌号、驾驶员面容和证件信息的特征表示输入到多模态数据的关联模型中进行联合训练，以最小化不同模态数据在特征空间中的差异，多模态数据的关联模型使用如下的损失函数：
43、
44、其中，embeddingcar、embeddingface、embeddingid分别表示车辆牌号、驾驶员面容和证件信息的嵌入函数，分别表示样本i的车辆牌号、面容和证件信息。
45、本专利技术与现有技术相比，所取得的技术进步在于：
46、本专利技术综合考虑了车辆牌号信息、驾驶员面容信息和驾驶员证件信息三个维度的数据，从不同角度获取车辆和驾驶员的信息，提高了识别的准确性和全面性。本专利技术通过建立多模态关联模型，将不同模态的信息融合在一起，并在特征空间中建立关联，使得各个模态的数据能够相互影响和补充，提高了整体识别的准确性和鲁棒性。本专利技术方法在建立多模态关联模型的基础上，实现了精准的车辆识别、面容验证和证件匹配，能够有效地识别和验证车辆及驾驶员的信息，提高了系统的可靠性和安全性，
47、综上所述，本专利技术充分利用了不同模态信息的关联性，通过综合考虑多个维度的数据，并建立关联模型实现了车辆精准的识别与验证，具有较高的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.一种车辆自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种车辆自动识别方法，其特征在于，所述将采集到的模态数据进行融合，建立多模态数据的关联包括：
3.根据权利要求2所述的一种车辆自动识别方法，其特征在于，所述建立多模态融合模型，多模态融合模型接受不同模态数据的嵌入式表示作为输入，并输出一个综合的表示包括：
4.根据权利要求3所述的一种车辆自动识别方法，其特征在于，所述使用已标记的数据集对模型进行训练：
5.根据权利要求4所述的一种车辆自动识别方法，其特征在于，所述提取每个模态数据的关键特征，并降低其维度包括：
6.根据权利要求5所述的一种车辆自动识别方法，其特征在于，所述基于融合后的特征，建立多模态数据的关联模型，使不同模态的信息能够在特征空间中相互关联包括：
【技术特征摘要】
1.一种车辆自动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种车辆自动识别方法，其特征在于，所述将采集到的模态数据进行融合，建立多模态数据的关联包括：
3.根据权利要求2所述的一种车辆自动识别方法，其特征在于，所述建立多模态融合模型，多模态融合模型接受不同模态数据的嵌入式表示作为输入，并输出一个综合的表示包括：
4.根据...
【专利技术属性】
技术研发人员：王永杰，张莉强，杜俊杰，陈旭，
申请(专利权)人：内蒙古常盛制药有限公司，
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。