[发明专利]相似车辆的识别方法和装置

权利要求书

1.一种相似车辆的识别方法，其特征在于，包括：

获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征图像包括车辆的唯一标识；

获取多个相似车辆的图像；

将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相似车辆的多个车辆特征图像；

根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特征图像，从所述多个相似车辆中确定所述待识别车辆；

所述全局模型是按照如下训练得到的：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标注的局部特征图像；

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每个车辆图像的局部特征图像；所述局部特征图像是通过所述全局特征图像获得；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型，包括：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。

3.一种相似车辆的识别装置，其特征在于，包括：

获取模块，用于获取待识别车辆的图像；

将所述待识别车辆的图像输入到预先获取的全局模型，获取所述待识别车辆的车辆特征图像，所述全局模型为基于卷积神经网络，采用车辆图像集中已标注的车辆全局特征图像和已标注的车辆局部特征图像训练得到的，车辆特征图像包括车辆的唯一标识；

确定模块，具体用于获取多个相似车辆的图像；将所述多个相似车辆的图像分别输入到所述全局模型，获取所述多个相似车辆的多个车辆特征图；根据所述待识别车辆的车辆特征图像和所述多个相似车辆的多个车辆特征图像，从所述多个相似车辆中确定所述待识别车辆；

所述获取模块还用于：

获取车辆图像集；

对所述车辆图像集中的每个车辆图像进行全局特征标注，获取多个已标注的全局特征图像；

对所述车辆图像集中的每个车辆图像进行局部特征标注，获取多个已标注的局部特征图像；

采用卷积神经网络初始化得到初始全局模型和初始局部模型；

将所述车辆图像集中的每个车辆图像输入到所述初始全局模型，获取每个车辆图像的全局特征图像；

将所述车辆图像集中的每个车辆图像输入到所述初始局部模型，获取每个车辆图像的局部特征图像；所述局部特征图像是通过所述全局特征图像获得；

根据所述每个车辆图像的全局特征图像，以及对应的已标注的全局特征图像，获取全局损失函数；

根据所述每个车辆图像的局部预测图像，以及对应的已标注的局部特征图像，获取局部损失函数；

根据所述局部损失函数和所述全局损失函数，采用卷积神经网络训练得到所述全局模型。

4.根据权利要求3所述的装置，其特征在于，所述获取模块还具体用于：

将所述局部损失函数和所述全局损失函数相加，获取总的损失函数；

根据所述总的损失函数，采用卷积神经网络训练得到所述全局模型。