[发明专利]一种车辆重识别方法、系统、计算机设备和存储介质

说明书

本发明公开了一种车辆重识别方法、系统、计算机设备和存储介质，所述方法包括：将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。本发明能够解决车辆重识别中类间相似和类内差异问题，减少计算过程中的噪声，提高重识别的准确率，同时在一定程度上解决了遮挡问题。

技术领域

本发明涉及车辆重识别技术领域，特别是涉及一种基于超分辨率的局部特征提取车辆重识别方法、系统、计算机设备和存储介质。

背景技术

随着深度学习的发展，车辆重识别问题在最近几年得到广泛的研究，目前，常用的车辆重识别方法有两种，一种方法是度量学习，通过设计相应的相似度度量函数，使得相似的图片距离拉近，不相似的图片距离推远，以便把属于同一辆车的图片寻找出来；另一种方法是特征表示学习，利用深度学习的强大表达能力，提取车辆图片的全局特征和局部特征来进行车辆重识别。

这两种方法在使用过程中都存在一定的局限性，由于不同车辆之间的类间相似和同一车辆的类内差异都很大，第一种方法无法很好的适应多个不同的视角，对于视角变化大的数据集效果会降低；第二种方法中车辆的局部特征多种多样难以提取，并且在不同视角下提取局部特征时会造成与全局特征的重复计算，并且带来不必要的噪声，影响重识别的效果。

发明内容

本发明的目的是解决车辆重识别中类间相似和类内差异问题，利用目标检测方法把局部区域聚焦在小且具有辨识度的特征块上，减少计算过程中的噪声，并结合超分辨率技术提升局部区域的图片质量，提高重识别的准确率。

为了实现上述目的，本发明提供了一种基于超分辨率的局部特征提取车辆重识别方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种基于超分辨率的局部特征提取车辆重识别方法，所述方法包括：

将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；

对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；

对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；

将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；

将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。

进一步地，所述对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块的步骤包括：

通过YOLOV5模型对所述车辆图像中的局部区域目标进行检测，得到局部区域目标的边界框；

将所述边界框内的图像区域作为初始局部区域块。

进一步地，所述对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块的步骤包括：

将所述初始局部区域块输入RCAN模型，对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块。

进一步地，所述将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果的步骤包括：

对所述高质量局部区域块进行重识别的检索，计算所述高质量局部区域块与待检索图片块的欧式距离；

根据所述欧式距离，计算每一个高质量局部区域块的辨识度分数；