[发明专利]车辆重识别方法、装置、电子设备及介质

说明书

本申请提供一种车辆重识别方法、装置、电子设备及介质。其中方法包括：构建用于车辆检索的重识别模型，包括哈希编码层；基于训练样本对所述重识别模型进行训练；将包括目标车辆的目标图像输入训练好的重识别模型，得到输出的目标车辆的哈希编码数据；将包括待识别车辆的待识别图像输入训练好的重识别模型，得到输出的待识别车辆的哈希编码数据；将所述待识别车辆与所述目标车辆的哈希编码数据进行比较，根据比较结果得到所述待识别车辆的识别结果。本方案中，将哈希编码方法与深度学习网络相结合，改进了重识别模型识别准确度。并使用哈希编码进行车辆检索，大大压缩了嵌入向量的维数，提高了重识别模型的识别效率。

技术领域

本申请涉及智能识别技术领域，具体涉及一种车辆重识别方法及装置、一种电子设备以及一种计算机可读存储介质。

背景技术

重识别是指在目标检测结束后为将目标与同类目标区分开来所做的工作。从一些简单的开源数据集的表现来看，现有的重识别模型已接近可用状态，如Market1501以及VeRi776公开数据集的SOTA已达到96％。SOTA(全称state of the art)，用于描述机器学习中取得某个任务上当前最优效果的模型。例如在图像分类任务上，某个模型在常用的数据集(如ImageNet)上取得了当前最优的性能表现，就可以说这个模型达到了SOTA。

然而，现有的重识别模型，通过跨域的测试来看，性能仅有60％。这种跨域的测试主要是指用一个公开数据集去测试在另一个数据集中训练得到的重识别模型。从信息量来看，公开数据集多数仅提供了ID(标识)和摄像信息作为标签，忽略了不同标签之间的差异大小这一重要信息。从模型研发的进程来看，从最初的交差熵损失到Center-Loss，再到triplet-loss，以及Multi-loss，贯穿着对标签信息充分利用的思想，也确实起到了明显的改进效果。但就车辆重识别任务而言，公开数据集的标注信息仍然是相对不足的，这成为制约车辆重识别任务实现效果的重要原因之一。此外，当前的车辆重识别模型以提高模型准确率为首要目标，输出的嵌入向量高达上千维，不利于最终的应用，例如查询。

发明内容

本申请的目的是提供一种车辆重识别方法及装置、一种电子设备以及一种计算机可读存储介质，以提高车辆重识别的准确度和识别效率。

本申请第一方面提供一种车辆重识别方法，包括：

构建用于车辆检索的重识别模型，所述重识别模型包括哈希编码层；

基于训练样本对所述重识别模型进行训练；

将包括目标车辆的目标图像输入训练好的重识别模型，得到哈希编码层输出的目标车辆的哈希编码数据；

将包括待识别车辆的待识别图像输入训练好的重识别模型，得到哈希编码层输出的待识别车辆的哈希编码数据；

将所述待识别车辆的哈希编码数据与所述目标车辆的哈希编码数据进行比较，根据比较结果得到所述待识别车辆的识别结果。

本申请第二方面提供一种车辆重识别装置，包括：

模型构建模块，用于构建用于车辆检索的重识别模型，所述重识别模型包括哈希编码层；

模型训练模块，用于基于训练样本对所述重识别模型进行训练；

第一识别模块，用于将包括目标车辆的目标图像输入训练好的重识别模型，得到哈希编码层输出的目标车辆的哈希编码数据；

第二识别模块，用于将包括待识别车辆的待识别图像输入训练好的重识别模型，得到哈希编码层输出的待识别车辆的哈希编码数据；

比较模块，用于将所述待识别车辆的哈希编码数据与所述目标车辆的哈希编码数据进行比较，根据比较结果得到所述待识别车辆的识别结果。