[发明专利]车辆重识别方法、装置、存储介质及电子设备

说明书

本公开提供了一种车辆重识别方法、装置、存储介质及电子设备，涉及计算机视觉技术领域，用以解决相关技术中在模型训练过程中，由于标注数据缺乏导致车辆重识别结果准确率不高的问题。涉及的车辆重识别方法包括：获取未知车辆图像；基于自监督学习算法学习所述未知车辆图像的特征；使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型；使用所述车辆重识别模型对待检测车辆图像进行识别，得到车辆识别结果，以从所述待检测车辆图像中识别出目标车辆的图像。本公开实施例可提高车辆重识别的精度。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种车辆重识别方法、装置、存储介质及电子设备。

背景技术

近年来，计算机视觉飞速发展，已应用在很多领域。然而在车辆重识别技术的实际应用方面，效果仍有待提高。在不同的交通摄像头下，即使是同一个辆车，也会因为光照、角度、分辨率的不同而产生不同的图像。目前，训练模型所需的标注数据的成本较高，且在多变的交通车辆环境下，数据繁多，很难实现对所有类型数据的标注。而目前的有监督学习模型主要依赖于标注数据进行训练，模型在基于训练范围之外的数据进行预测时，效果较差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种车辆重识别方法、装置、存储介质及电子设备，至少在一定程度上克服车辆重识别技术中，由于训练模型所需的标注数据缺乏导致车辆重识别结果准确率不高的问题。

根据本公开的第一个方面，提供了一种车辆重识别方法，包括：获取未知车辆图像；基于自监督学习算法学习所述未知车辆图像的特征；使用所述未知车辆图像的特征中的部分特征以及所述部分特征的标签训练车辆重识别模型；使用所述车辆重识别模型对待检测车辆图像进行识别，得到车辆识别结果，以从所述待检测车辆图像中识别出目标车辆的图像。

可选的，所述车辆重识别方法还包括：在基于自监督学习算法学习所述未知车辆图像的特征之后，根据所述未知车辆图像的特征，构建车辆重识别属性知识库；其中，所述车辆重识别属性知识库中包括以下至少一种车辆特征：车牌、车内挂饰、车型、轮胎型、车辆颜色以及车身标志。

可选的，所述车辆重识别方法包括：在基于自监督学习算法学习所述未知车辆图像的特征之后，对所述部分特征进行标注，得到所述对应于所述部分特征中各特征的标签，所述标签包括车辆标识以及以上至少一种所述车辆特征。

可选的，在基于自监督学习算法学习所述未知车辆图像的特征的过程中通过噪声对比估计算法确定所述未知车辆图像的特征中的噪声数据以及真实数据。

可选的，基于自监督学习算法学习所述未知车辆图像的特征，包括：在基于自监督学习算法学习所述未知车辆图像的特征的过程中，将学习到的车辆图像的特征存储在预先建立的内存银行中离散的内存块中；在每次计算所述未知车辆图像的特征对所述未知车辆图像的概率时，从所述离散的内存块中获取所述未知车辆图像的特征；根据从所述离散的内存块中获取的各未知车辆图像的特征计算各未知车辆图像的特征对应于所述未知车辆图像的概率；根据所述概率确定各未知车辆图像的特征为噪声数据或真实数据。

可选的，所述车辆重识别模型，包括：全局特征检测网络、局部特征检测网络以及属性特征检测网络；使用所述车辆重识别模型对待检测车辆图像进行识别，以从所述待检测车辆图像中识别出目标车辆的图像，包括：将所述待检测图像输入所述车辆重识别模型；得到所述全局特征检测网络输出的第一分类检索结果，所述局部特征检测网络输出的第二分类检索结果以及所述属性特征检测网络输出的第三分类检索结果；将所述第一分类检索结果、所述第二分类检索结果以及所述第三分类检索结果进行融合，得到所述车辆识别结果。

可选的，获取未知车辆图像，包括：获取不同交通摄像头采集的未知车辆图像。