[发明专利]一种基于路侧感知的车辆重识别方法、装置及电子设备

说明书

本申请提供了一种基于路侧感知的车辆重识别方法、装置及电子设备，具体涉及车辆重识别技术领域，具体为：获取待识别车辆的图像及多张待匹配的图像；通过预先训练好的主干网络对待识别车辆的图像及多张待匹配的图像分别进行处理，得到待识别车辆的图像的特征图以及多张待匹配的图像的特征图；所述主干网络用于提取图像的特征图，该特征图包括加入采集图像的摄像头的拍摄角度信息的全局特征，以及反映图像细节的局部特征；计算待识别车辆的图像的特征图与各张待匹配的图像的特征图的相似度，获取大于阈值的相似度对应的待匹配的图像作为重识别的图像。本申请能够提高车辆重识别的准确度。

技术领域

本申请涉及车辆重识别技术领域，尤其是涉及一种基于路侧感知的车辆重识别方法、装置及电子设备。

背景技术

从不同场景下的图片和视频序列中识别特定的物体是重识别的主要目的。对于当下车辆重识别，通常都是直接采用CNN的方法来提取其特征；或者是先采用分割模型或者正则化等方法把车辆分割为几个面，再使用卷积神经网络的方法提取每个面上的特征；或者把提取的特征图分为全局特征和局部特征，用loss函数进行评估。

然而，在实际识别的过程中，即使同一种车辆，在不同视角下，实例会存在较大的差异；不同的车辆，相同的颜色也会有着相似的外观；在光照、粉尘、遮挡环境中，也会在摄像头中呈现的车辆外观与原外观差异很大。这些情况导致提取的特征图与原车辆的特征图差异巨大，在识别过程中很容易被当成其他车辆。

当前提取车辆特征的方法有如下缺陷：(1)用卷积神经网络(Resnet50为例)提取特征：在局部特征上提取有优势，但其采用分层的方式收集特征，难以提取全局的特征表示(如视觉元素中提取远距离关系)；(2)引用注意力模块：其注意力都是嵌入到深层，无法改变卷积神经网络的根本问题。

目前，视觉Transformer在目标检测、去雨、去雾等任务上展示了其优越性，也被用在重识别任务上。但是在处理目标重识别任务时，将每个图像分割为带有位置嵌入的小块，将摄像头编号作为可学习的参数进行分割，自主构建了拼图模块和平移模块，对被遮挡的部分进行补充，弥补被遮挡的信息。但在分割的过程中，会忽略前后信息的联系，会丢失一些局部信息，从而限制了重识别的效果。

发明内容

有鉴于此，本申请提供了一种基于路侧感知的车辆重识别方法、装置及电子设备，以解决现有技术的车辆重识别方法的准确不高的技术问题。

一方面，本申请实施例提供了一种基于路侧感知的车辆重识别方法，包括：

获取待识别车辆的图像及多张待匹配的图像；

通过预先训练好的主干网络对待识别车辆的图像及多张待匹配的图像分别进行处理，得到待识别车辆的图像的特征图以及多张待匹配的图像的特征图；所述主干网络用于提取图像的特征图，该特征图包括加入采集图像的摄像头的拍摄角度信息的全局特征，以及反映图像细节的局部特征；

计算待识别车辆的图像的特征图与各张待匹配的图像的特征图的相似度，获取大于阈值的相似度对应的待匹配的图像作为重识别的图像。

进一步的，所述主干网络包括：全局特征提取模块、级联模块和局部特征提取模块；

所述全局特征提取模块采用Transformer，用于将输入图像分割为多个图像块，提取分割后图像的特征并进行拼接，利用摄像头的拍摄角度对拼接后的特征图进行角度偏移操作，得到形式为[B,p,C+1]的偏移操作后的特征图，其中B为输入图像的个数，p为分割后图像的边长，C为图像的通道数；

所述级联模块，用于对Transformer输出的特征图进行重塑,向局部特征提取模块输出形式为[B,C,h,w]的特征图，h为输入图像的长，w为输入图像的宽；

所述局部特征提取模块采用卷积神经网络，用于提取形式为[B,C,h,w]的特征图的局部特征，输出输入图像的特征图。