[发明专利]用于识别车辆的方法和装置

说明书

本公开的实施例公开了用于识别车辆的方法和装置。该方法的一具体实施方式包括：获取待识别的车辆的图像，并识别出图像的至少一个关键点；根据至少一个关键点确定车辆的至少一个共面区域；基于预先训练的神经网络提取各共面区域的局部特征；基于各共面区域的局部特征学习图像的不同特征的权重；基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。该实施方式能够有效提高车辆在遮挡、跨境头场景下的特征有效性，融合车辆的细节特征和整体特征，提高车辆再识别结果。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别车辆的方法和装置。

背景技术

随着现代工业化进程的发展，居民机动车保有量不断提高，为人们的生活带来了巨大的便捷，但也随之给交通管理方面带来了严峻的挑战。于是，智能交通系统(ITS)的智能化程度的提高成为一个研究热点。在ITS中，指定车辆的再识别方法的研究是关键之一。

现有车辆再识别系统针对车辆的整体图片进行提取特征，在遮挡情况下鲁棒性差。跨摄像头情况下，同一车辆可见部分不同，直接使用全图匹配会导致同一车辆的在不同镜头下的特征差异大。不同车辆的差异性一般集中于细节，但现有车辆再识别方法缺乏针对车辆局部的对比。

发明内容

本公开的实施例提出了用于识别车辆的方法和装置。

第一方面，本公开的实施例提供了一种用于识别车辆的方法，包括：获取待识别的车辆的图像，并识别出图像的至少一个关键点；根据至少一个关键点确定车辆的至少一个共面区域；基于预先训练的神经网络提取各共面区域的局部特征；基于各共面区域的局部特征学习图像的不同特征的权重；基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。

在一些实施例中，基于各共面区域的局部特征学习图像的不同特征的权重，包括：基于神经网络提取图像的全局特征；基于各共面区域的局部特征、全局特征学习图像的不同特征的权重。

在一些实施例中，基于各共面区域的局部特征学习图像的不同特征的权重，包括：获取至少一个关键点的热力图；基于各共面区域的局部特征、至少一个关键点的热力图、全局特征学习图像的不同特征的权重。

在一些实施例中，识别出图像的至少一个关键点，包括：将图像输入深度神经网络，得到至少一张原图特征图，其中，每张原图特征图对应一个关键点；将图像的镜像图像输入深度神经网络，得到至少一张特征图，并对至少一张特征图做镜像处理得到至少一张镜像特征图，其中，每张镜像特征图对应一个关键点；对于每个关键点，分别从该关键点对应的原图特征图和镜像特征图中找到当前特征最大值的两个位置，并对上述两个位置取平均得到该关键点的位置。

在一些实施例中，基于预先训练的神经网络提取各共面区域的局部特征，包括：通过仿射变换将各共面区域转换成矩形后输入预先训练的分类器中，得到各共面区域的局部特征。

在一些实施例中，基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度，包括：对于每种特征，计算对图像的该特征与车辆图像库中的各车辆图像的特征之间的距离；基于所学习的各特征的权重对各特征之间的距离进行加权求和，并将距离的加权和转换成相似度。

第二方面，本公开的实施例提供了一种用于识别车辆的装置，包括：关键点识别单元，被配置成获取待识别的车辆的图像，并识别出图像的至少一个关键点；共面确定单元，被配置成根据至少一个关键点确定车辆的至少一个共面区域；局部特征提取单元，被配置成基于预先训练的神经网络提取各共面区域的局部特征；权重确定单元，被配置成基于各共面区域的局部特征学习图像的不同特征的权重；计算单元，被配置成基于所学习的各特征的权重计算图像与车辆图像库中的各车辆图像的相似度；输出单元，被配置成将车辆图像库中相似度高于预定阈值且相似度最大的车辆图像确定为目标图像并输出目标图像的相关信息。