[发明专利]车辆重识别方法、装置、计算机设备和存储介质

权利要求书

1.一种车辆重识别方法，其特征在于，所述方法包括：

将目标图像输入至预先训练的特征提取模型中；其中，所述目标图像包括目标对象，所述特征提取模型包括多个特征提取层，每个所述特征提取层用于对所述目标图像进行特征提取并输出特征图；

通过所述特征提取模型对各所述特征提取层输出的特征图进行融合处理，得到目标特征图；

基于所述目标特征图对所述目标对象进行重识别。

2.根据权利要求1所述的方法，其特征在于，所述特征提取模型还包括池化层和全连接层，所述通过所述特征提取模型对各所述特征提取层输出的特征图进行融合处理，得到目标特征图，包括：

将各所述特征提取层输出的特征图分别输入到所述池化层中，得到多个池化特征图；

将各所述池化特征图分别输入到所述全连接层中，得到多个待融合特征图；

对多个所述待融合特征图进行求和计算，得到所述目标特征图。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述将目标图像输入至预先训练的特征提取模型中之前，所述方法还包括：

将训练样本输入至神经网络模型中；其中，所述训练样本中包括训练对象，所述神经网络模型包括多个特征提取层，每个所述特征提取层用于对所述训练样本进行特征提取并输出训练特征图；

通过所述神经网络模型对各所述特征提取层输出的训练特征图进行融合处理，得到融合特征图；

对所述融合特征图进行分类，并根据分类结果和所述训练样本的标注对所述神经网络模型进行训练，得到所述特征提取模型；其中，所述训练样本的标注用于指示所述训练对象的类别。

4.根据权利要求3所述的方法，其特征在于，所述对所述融合特征图进行分类，并根据分类结果和所述训练样本的标注对所述神经网络模型进行训练，得到所述特征提取模型，包括：

对所述融合特征图进行分类，根据分类结果和所述训练样本的标注进行三元组损失函数的计算，得到第一损失值；

对所述融合特征图进行正则化处理，并对正则化处理后的融合特征图进行分类，根据分类结果和所述训练样本的标注进行分类损失函数的计算，得到第二损失值；

对所述第一损失值和所述第二损失值进行求和计算，得到目标损失值；

基于所述目标损失值对所述神经网络模型进行训练，在所述目标损失值收敛时结束所述神经网络模型的训练，得到所述特征提取模型。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标特征图对所述目标对象进行重识别，包括：

将所述目标特征图和预先获取的参考特征图进行比较，得到比较结果；所述参考特征图对应参考对象；

根据所述比较结果，确定所述目标对象与所述参考对象是否为同一对象。

6.根据权利要求5所述的方法，其特征在于，所述将所述目标特征图与预先获取的参考特征图进行比较，得到比较结果，包括：

对所述目标特征图进行正则化处理；

计算正则化处理后的目标特征图与所述参考特征图之间的相似度；所述相似度包括余弦相似度；

对应地，所述根据所述比较结果，确定所述目标对象与所述参考对象是否为同一对象，包括：

若所述相似度大于预设阈值，则确定所述目标对象与所述参考对象为同一对象。

7.根据权利要求5所述的方法，其特征在于，在所述将所述目标特征图与预先获取的参考特征图进行比较之前，所述方法还包括：

获取参考图像，所述参考图像中包括所述参考对象；

将所述参考图像输入到所述特征提取模型中，得到所述参考特征图。