[发明专利]利用神经网络进行图像分析、视点感知模式识别以及生成多视图车辆表示的车辆重识别技术

说明书

本公开涉及一种改进的车辆重识别技术。本文描述的技术利用人工智能(AI)和机器学习函数来重新识别通过多个摄像机的车辆。可以使用从任何单个视点捕获的车辆图像执行车辆重识别。可以生成标识车辆的区域注意力图，该区域包括捕获图像的视点与一个或多个其他视点之间重叠的视觉图形。注意力图用于生成车辆的多视图表示，车辆的多视图表示提供车辆的多个视点的全局视图。然后可以将车辆的多视图表示与先前捕获的图像数据进行比较，以执行车辆重识别。

相关申请的交叉引用

本申请要求2018年6月18日提交的美国专利申请No.16/010,832的优先权。通过引用的方式将前述申请的内容整体并入到本文中。

技术领域

本公开涉及改进的车辆重识别技术，并且更具体地，涉及利用训练的神经网络和人工智能(AI)算法从单个视点推断出车辆的多视图表示的车辆重识别技术。

背景技术

一般而言，车辆重识别(“vehicle re-ID”)是一种旨在识别由多个摄像机拍摄的图像中的感兴趣的车辆的技术。例如，在第一个摄像机已捕获到车辆并且车辆已离开第一个摄像机的视场(FOV)之后，车辆重识别技术会在车辆进入其他摄像机的FOV时尝试重新识别该车辆。这项技术在各种不同的场景(例如，监视系统和智能运输系统)下都非常有用。

各种技术障碍阻碍了有效、准确的车辆重识别方案的实施。一个技术挑战涉及当多个摄像机的视图彼此不重叠时和/或从不同的视点捕获车辆时跟踪通过多个摄像机的车辆。当摄像机的视图不重叠时，摄像机系统无法直接跟踪车辆的路径，并且必须能够在车辆重新出现在其他摄像机的FOV中时重新识别该车辆。然而，从不同视点捕获的车辆通常在每个视点中具有明显不同的视觉外观。例如，考虑以下情况：第一摄像机从背面视点捕获车辆的图像，第二摄像机从侧面视点捕获车辆的另一图像。由于车辆的视觉外观在两个图像之间差异很大，因此匹配图像中的车辆的任务是困难的。与车辆重识别相关的另一技术难题涉及对从相同视点捕获的相似车辆进行区分。例如，考虑以下另一种情况：在从相同视点拍摄的图像中捕获了具有相同颜色和型号的两个不同车辆。在这种情况下，鉴于图像中车辆的相似视觉外观，匹配图像中的车辆的任务是困难的。

许多常规的车辆重识别方法依赖于车牌识别(LPR)技术或时空跟踪方法(例如，利用时间信息来尝试跟踪和识别车辆)来完成车辆重识别任务。但是，这些常规方法在许多实际情况下都不实用。例如，基于LPR的重识别方法通常要求从特定视点(即，前视点或后视点)拍摄图像，并且必须使用高分辨率摄像机捕获图像。这些障碍使得无法将车辆重识别技术集成到不具有高分辨率设备或者不具有位于适当视点的摄像机的现有系统中。关于时空跟踪方法，许多摄像机系统未被配置为生成时空信息或以任何有意义的方式对其进行处理。改造现有的摄像机系统以跟踪和处理时空信息可能需要对摄像机设备和/或在系统的后端运行的软件进行大量升级。

附图说明

为了便于进一步描述实施例，提供了以下附图，其中相似的附图标记旨在指代相似或相应的部分，并且其中：

图1是根据某些实施例的用于跟踪和/或重新识别车辆的示例性系统的示意图；

图2是根据某些实施例的示例性重识别系统的示意图；

图3是提供根据某些实施例的示例性重识别过程的概述的流程图；

图4是示出根据某些实施例的用于重识别系统的示例性架构的示意图；

图5是示出根据某些实施例的用于视觉注意力模型的示例性架构的示意图；以及

图6是根据本发明某些实施例的用于重新识别车辆的示例性方法的流程图。

具体实施方式