[发明专利]基于深度学习的车辆重识别方法和装置

说明书

本发明实施例提供了一种基于深度学习的车辆重识别方法和装置，所述方法包括：将目标车辆图片以及从目标拍摄图像中检测出的各车辆图片，输入特征识别模型，得到目标车辆的第一特征值，以及检测出的各辆车的第二特征值，其中，特征识别模型采用卷积神经网络，卷积神经网络在训练时所使用的损失函数用于减小不同拍摄图像中、同一车辆的特征值之间的差距，以及增大不同拍摄图像中、不同车辆的特征值之间的差距；计算第一特征值与各第二特征值的相似度，将相似度最高的第二特征值确定为目标第二特征值；将目标第二特征值对应的车辆，确定为目标拍摄图像中的目标车辆，从而实现车辆重识别。应用本发明实施例能够提高车辆重识别的准确性。

技术领域

本发明涉及车辆识别领域，特别是涉及一种基于深度学习的车辆重识别方法和装置。

背景技术

随着车辆数量的日益增多，对车辆的管理也愈加复杂。在特定情况下需要在对正在车流中行驶的一个或多个车辆进行追踪，被追踪的一个或多个车辆，作为目标车辆。在具体实现中，需要使用车辆重识别技术，从处于不同位置的多个摄像头拍摄的监控视频中识别目标车辆，以实现对目标车辆的追踪，其中，车辆重识别技术就是指在不同摄像头拍摄的监控视频截取的拍摄图像中识别目标车辆。

目前，车辆重识别方法的处理过程为：

第一步，从监控视频截取的拍摄图像中检测出各车辆的位置，从而获取各车辆图片。

第二步，从上述检测出的各车辆图片中，重识别预先设置的目标车辆图片中的目标车辆，具体的：

获取上述检测出的各车辆的第二车辆特征值，以及从预先设置的目标车辆图片中，获取目标车辆的第一车辆特征值，其中，目标车辆图片作为在拍摄图像中识别目标车辆的对照参考图，车辆特征是指人为设计的特征，比如方向梯度直方图(Histogram ofOriented Gradient，HOG)特征、尺度不变特征变换(Scale-Invariant FeatureTransform，SIFT)等，车辆特征包括：第一车辆特征和第二车辆特征。

第三步，计算第一车辆特征值与各第二车辆特征值的相似度，将相似度最高的第二车辆特征值，确定为目标第二车辆特征值。

第四步，将目标第二车辆特征值对应的车辆，确定为拍摄图像中的目标车辆。

在实际应用中，因为拍摄环境的光线、摄像头的角度以及车辆行驶的角度等因素的影响，所以即使是同一辆车，在不同的拍摄图像中展示出来的车辆特征差异较大，而不同的车辆在不同的拍摄图像中展示出来的车辆特征可能差异较小。比如，同一车辆，由于在白天和夜晚分别拍摄的两张拍摄图像中展示的颜色不同，使得两张拍摄图像中同一车辆的车辆特征差异较大。又比如，两辆车的颜色相同，当两辆车分别位于两个摄像头正下方时，两辆车在两张拍摄图像中展示的均为车顶，颜色和车型均极为相似，使得两张拍摄图像中两辆车的车辆特征差异较小。

可见，通过由人工设计的车辆特征已经无法准确区分多张拍摄图像中的车辆是否为同一车辆，从而导致车辆重识别的准确性较差，可能造成重识别结果出错的问题。

发明内容

本发明实施例的目的在于提供一种基于深度学习的车辆重识别方法和装置，以提高车辆重识别的准确性。具体技术方案如下：

本发明实施例提供了一种基于深度学习的车辆重识别方法，所述方法包括：

将预设的目标车辆图片以及从目标拍摄图像中检测出的各车辆图片，输入预设的特征识别模型，得到目标车辆的第一特征值，以及检测出的各辆车的第二特征值，其中，特征识别模型采用卷积神经网络，卷积神经网络在训练时所使用的损失函数用于减小不同拍摄图像中、同一车辆的特征值之间的差距，以及增大不同拍摄图像中、不同车辆的特征值之间的差距，以区分不同拍摄图像中的车辆是否为同一车辆；

计算第一特征值与各第二特征值的相似度，将相似度最高的第二特征值确定为目标第二特征值；