车辆重识别方法、装置、设备和计算机存储介质与流程

本发明涉及识别技术领域，尤其涉及一种车辆重识别方法、装置、设备和计算机存储介质。

背景技术：

车辆重识别(vehiclere-identification，reid)用于在数据库中找到与待识别车辆相同的其它车辆图像。车辆重识别可广泛应用于车辆检索、车辆追踪等领域，例如根据待追踪车辆的一张图像在城市的摄像头网络所采集的各车辆图像中重新找到该车辆。现有技术大多都是基于车辆的整体特征进行车辆重识别，但由于大部分车辆的整体外形大同小异，因此仅使用车辆的全局特征进行车辆重识别时存在准确率较低的问题。

技术实现要素：

有鉴于此，本发明提供了一种车辆重识别方法、装置、设备和计算机存储介质，用于提升车辆重识别的准确率。

本发明为解决技术问题所采用的技术方案为提供一种车辆重识别方法，所述方法包括：获取当前车辆图像和目标车辆图像；从所述当前车辆图像和所述目标车辆图像中分别提取当前车辆和目标车辆的特征点信息以及全局特征，所述特征点信息中包含车辆的各特征点以及各特征点的标识信息；根据所提取的特征点信息，确定所述当前车辆和所述目标车辆具有相同标识信息的各特征点，并基于所确定的特征点分别获取所述当前车辆和所述目标车辆的特征点特征；根据车辆的特征点特征与全局特征得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果。

根据本发明一优选实施例，所述全局特征包含车辆的轮廓信息、车辆的颜色信息以及车辆的型号信息中的至少一种。

根据本发明一优选实施例，在提取得到车辆图像中车辆的特征点信息之后，还包括：根据所述车辆图像以及所述车辆的特征点信息，获取所述车辆的方向特征。

根据本发明一优选实施例，所述根据所述车辆图像以及所述车辆的特征点信息，获取所述车辆的方向特征包括：根据所述车辆图像构建车辆的3d模型，并根据所述车辆的3d模型，分别获取所述车辆在车前、车后、车侧以及车顶4个方向上的图像；将在各方向上的图像调整为统一尺寸之后，分别获取所述各方向上的图像对应的特征；根据从车辆图像中所提取的特征点信息确定车辆方向，并根据所确定的车辆方向获取各方向上特征的权重值；根据所述各方向上的图像对应的特征以及所述各方向上特征的权重值，得到所述车辆图像中车辆的方向特征。

根据本发明一优选实施例，在获取车辆的特征点特征时，包括：根据所确定的各特征点，将从所述车辆图像中获取的仅包含单个特征点的最大矩形区域作为各特征点对应的局部块；将所述各特征点对应的局部块调整为统一尺寸之后，依次将所述各特征点对应的局部块进行拼接；对拼接结果进行特征提取，将提取得到的特征作为车辆的特征点特征。

根据本发明一优选实施例，所述根据车辆的特征点特征与全局特征得到车辆的融合特征包括：将车辆的特征点特征、全局特征以及方向特征进行融合，得到所述车辆的融合特征。

根据本发明一优选实施例，所述通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果包括：若所述特征间距值大于预设阈值，则输出所述当前车辆与所述目标车辆不是同一车辆的识别结果；若所述特征间距值小于等于预设阈值时，则输出所述当前车辆与所述目标车辆是同一车辆的识别结果。

本发明为解决技术问题所采用的技术方案为提供一种车辆重识别装置，所述装置包括：获取单元，用于获取当前车辆图像和目标车辆图像；提取单元，用于从所述当前车辆图像和所述目标车辆图像中分别提取当前车辆和目标车辆的特征点信息以及全局特征，所述特征点信息中包含车辆的各特征点以及各特征点的标识信息；处理单元，用于根据所提取的特征点信息，确定所述当前车辆和所述目标车辆具有相同标识信息的各特征点，并基于所确定的特征点分别获取所述当前车辆和所述目标车辆的特征点特征；输出单元，用于根据车辆的特征点特征与全局特征得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果。

根据本发明一优选实施例，所述全局特征包含车辆的轮廓信息、车辆的颜色信息以及车辆的型号信息中的至少一种。

根据本发明一优选实施例，所述提取单元在提取得到车辆图像中车辆的特征点信息之后，还执行：根据所述车辆图像以及所述车辆的特征点信息，获取所述车辆的方向特征。

根据本发明一优选实施例，所述提取单元在根据所述车辆图像以及所述车辆的特征点信息，获取所述车辆的方向特征时，具体执行：根据所述车辆图像构建车辆的3d模型，并根据所述车辆的3d模型，分别获取所述车辆在车前、车后、车侧以及车顶4个方向上的图像；将在各方向上的图像调整为统一尺寸之后，分别获取所述各方向上的图像对应的特征；根据从车辆图像中所提取的特征点信息确定车辆方向，并根据所确定的车辆方向获取各方向上特征的权重值；根据所述各方向上的图像对应的特征以及所述各方向上特征的权重值，得到所述车辆图像中车辆的方向特征。

根据本发明一优选实施例，所述处理单元在获取车辆的特征点特征时，具体执行：根据所确定的各特征点，将从所述车辆图像中获取的仅包含单个特征点的最大矩形区域作为各特征点对应的局部块；将所述各特征点对应的局部块调整为统一尺寸之后，依次将所述各特征点对应的局部块进行拼接；对拼接结果进行特征提取，将提取得到的特征作为车辆的特征点特征。

根据本发明一优选实施例，所述输出单元在根据车辆的特征点特征与全局特征得到车辆的融合特征时，具体执行：将车辆的特征点特征、全局特征以及方向特征进行融合，得到所述车辆的融合特征。

根据本发明一优选实施例，所述输出单元在通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果时，具体执行：若所述特征间距值大于预设阈值时，则输出所述当前车辆与所述目标车辆不是同一车辆的识别结果；若所述特征间距值小于等于预设阈值时，则输出所述当前车辆与所述目标车辆是同一车辆的识别结果。

由以上技术方案可以看出，本发明首先提取车辆图像中车辆的全局特征以及特征点信息，并基于所提取的特征点信息来确定当前车辆与目标车辆具有相同标识信息的的各特征点，进而根据所确定的各特征点来获取当前车辆与目标车辆的特征点特征，从而利用车辆的特征点特征与全局特征的融合特征进行车辆重识别，由于使用了车辆中种类更为丰富的特征，从而提升了车辆重识别的准确率。

【附图说明】

图1为本发明一实施例提供的一种车辆重识别方法流程图；

图2a为本发明一实施例提供的车辆特征点信息的标注结果的示意图；

图2b为本发明一实施例提供的同一车辆特征点信息的标注结果的另一示意图；

图3为本发明一实施例提供的一种车辆重识别装置结构图；

图4为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1为本发明一实施例提供的一种车辆重识别方法流程图，如图1中所示，所述方法包括：

在101中，获取当前车辆图像和目标车辆图像。

在本步骤中，获取当前车辆图像和目标车辆图像。其中，本步骤将当前车辆图像中所包含的车辆作为当前车辆，将目标车辆图像中所包含的车辆作为目标车辆。而本发明中进行车辆重识别的目标即为确定当前车辆是否与目标车辆为同一车辆。

可以理解的是，本步骤可以将终端设备实时拍摄的车辆图像作为当前车辆图像，将数据库中的车辆图像作为目标车辆图像，即确定实时拍摄的车辆与数据库中的某一车辆是否为同一车辆。举例来说，本步骤可以将某个路口的监控摄像头在某一时刻所拍摄的车辆图像作为当前车辆图像。

在102中，从所述当前车辆图像和所述目标车辆图像中分别提取当前车辆和目标车辆的特征点信息以及全局特征，所述特征点信息中包含车辆的各特征点以及各特征点的标识信息。

在本步骤中，从步骤101中所获取的车辆图像中进行特征提取，从而分别提取当前车辆和目标车辆的特征点信息以及全局特征，其中所提取的车辆的特征点信息中包含车辆的特征点以及各特征点的标识信息。

具体地，本步骤在从车辆图像中提取车辆的特征点信息时，可以采用以下方式：将车辆图像输入预先训练得到的特征点提取模型中，根据特征点提取模型的输出结果获取车辆的特征点信息。

其中，特征点提取模型可以采用以下方式预先训练得到：获取训练数据，所获取的训练数据中包含各车辆图像以及各车辆图像中车辆的特征点信息的标注结果，其中特征点信息的标注结果中包含车辆的各特征点以及各特征点的标识信息；将各车辆图像作为输入，将各车辆图像中车辆的特征点信息的标注结果作为输出，训练神经网络，得到特征点提取模型。利用本步骤所得到的特征点提取模型，能够根据所输入的车辆图像，输出该图像中所包含车辆的特征点信息。

图2为本发明一实施例提供的一种车辆的特征点信息的标注结果的示意图，图2a中为该车辆的0～25号特征点的示意图，图2b中为该车辆的10～31号特征点的示意图，根据对称性，该车辆另一侧的特征点为32～62号。

另外，本步骤在从车辆图像中提取车辆的全局特征时，可以采用以下方式：将车辆图像输入预先训练得到的全局特征提取模型中，根据全局特征提取模型的输出结果获取车辆的全局特征。其中，本步骤所获取的车辆的全局特征可以包含车辆的轮廓信息、车辆的颜色信息以及车辆的型号信息等信息中的至少一种。

其中，全局特征提取模型可以采用以下方式预先训练得到：获取训练数据，所获取的训练数据中包含各车辆图像以及各车辆图像中车辆的全局特征；将各车辆图像作为输入，将各车辆图像中车辆的全局特征作为输出，训练神经网络，得到全局特征提取模型。利用本步骤所得到的全局特征提取模型，能够根据所输入的车辆图像，输出该图像中所包含车辆的全局特征。

为了能够进一步丰富从车辆图像中所提取的车辆特征的种类，从而提升车辆重识别的准确率，本步骤在提取得到车辆的特征点信息之后，还可以包含以下内容：根据车辆图像构建车辆的3d模型，例如使用3d建模的方式来构建车辆的3d模型；根据所构建的车辆的3d模型，分别获取车辆在车前、车后、车侧以及车顶4个方向上的图像；将在各方向上的图像调整为统一尺寸之后，分别获取各方向上的图像所对应的特征，例如通过预先训练得到的特征提取模型来获取各图像所对应的特征；根据从车辆图像中所提取的特征点信息确定车辆方向，并根据所确定的车辆方向获取各方向上特征的权重值，其中车辆方向为以拍摄车辆图像的终端设备的视角来看车辆的朝向；根据各方向上的图像对应的特征以及各方向上特征的权重值，得到车辆图像中车辆的方向特征。

举例来说，若所获取的车辆图像为图2a中的车辆图像，若从该车辆图像中所提取的特征点为0～25号特征点，则可以确定该车辆的车辆方向为左前方，则车前以及车侧特征的权重值可以为1、车后以及车顶特征的权重值可以为0，若对应车前图像的特征为特征1、对应车后图像的特征为特征2、对应车侧图像的特征为特征3以及对应车顶图像的特征为特征4，则车辆图像中车辆的方向特征可以为(1×特征1+0×特征2+1×特征3+0×特征4)。

在103中，根据所提取的特征点信息，确定所述当前车辆和所述目标车辆具有相同标识信息的各特征点，并基于所确定的特征点分别获取所述当前车辆和所述目标车辆的特征点特征。

在本步骤中，根据步骤102中所提取的特征点信息，确定当前车辆和目标车辆具有相同标识信息的各特征点，并基于所确定的特征点来分别获取当前车辆和目标车辆的特征点特征。也就是说，本步骤根据所提取的车辆的特征点信息来获取车辆的特征点特征。

具体地，本步骤在获取车辆的特征点特征时，可以采用以下方式：根据所确定的各特征点，将从车辆图像中获取的仅包含单个特征点的最大矩形区域作为各特征点对应的局部块，例如以特征点的位置为中心来获取车辆图像中仅包含该特征点而不包含其他特征点的最大矩形区域；将各特征点对应的局部块调整为统一尺寸之后，依次将各特征点对应的局部块进行拼接；对拼接结果进行特征提取，将提取得到的特征作为车辆的特征点特征。其中，本步骤可以使用预先训练得到的特征提取模型进行拼接结果的特征提取。

可以理解的是，本步骤也可以无需获取各特征点对应的局部块，直接将车辆的各特征点依次进行拼接，从而将从拼接结果中所提取的特征作为车辆的特征点特征。

举例来说，若从当前车辆图像中所提取的特征点为0～6号特征点，从目标车辆图像中所提取的特征点为0～8号特征点，则本步骤依据从当前车辆图像中所提取的0～6号特征点来获取当前车辆的特征点特征，并依据从目标车辆图像中所提取的0～6号特征点来获取目标车辆的特征点特征。

可以理解的是，目标车辆中与当前车辆各特征点的标识信息不相同的特征点，可以直接滤除，也可以在计算目标车辆的特征点特征时，将该些特征点的权重值调低为合适的值。

在104中，根据车辆的特征点特征与全局特征得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果。

在本步骤中，根据步骤102中所提取的车辆的全局特征以及步骤103中所提取的特征点特征来得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，确定当前车辆是否与目标车辆为同一车辆。

可以理解的是，若步骤102中还进一步获取了车辆的方向特征，则本步骤根据车辆的全局特征、方向特征以及特征点特征得到车辆的融合特征，从而使得车辆特征的种类更为丰富，进一步提升车辆重识别的准确率。

其中，本步骤在计算当前车辆与目标车辆的融合特征之间的特征间距值时，可以首先将当前车辆和目标车辆的融合特征进行函数变换，得到对应当前车辆和目标车辆的高维特征向量，进而将向量间的余弦相似度作为融合特征之间的特征间距值。

具体地，本步骤可以根据特征间距值与预设阈值之间的大小关系，输出当前车辆与目标车辆是否为同一车辆的识别结果，特征间距值越小，说明两张车辆图像越近似，对应同一车辆的可能性就越大。因此，本步骤若确定特征间距值大于预设阈值，则输出当前车辆与目标车辆不是同一车辆的识别结果；若确定特征间距值小于等于预设阈值时，则输出当前车辆与目标车辆是同一车辆的识别结果。

图3为本发明一实施例提供的一种车辆重识别装置图，如图3中所示，所述装置包括：获取单元31、提取单元32、处理单元33以及输出单元34。

获取单元31，用于获取当前车辆图像和目标车辆图像。

获取单元31获取当前车辆图像和目标车辆图像。其中，获取单元31将当前车辆图像中所包含的车辆作为当前车辆，将目标车辆图像中所包含的车辆作为目标车辆。

可以理解的是，获取单元31可以将终端设备实时拍摄的车辆图像作为当前车辆图像，将数据库中的车辆图像作为目标车辆图像，即确定实时拍摄的车辆与数据库中的某一车辆是否为同一车辆。

提取单元32，用于从所述当前车辆图像和所述目标车辆图像中分别提取当前车辆和目标车辆的特征点信息以及全局特征，所述特征点信息中包含车辆的各特征点以及各特征点的标识信息。

提取单元32从获取单元31中所获取的车辆图像中进行特征提取，从而分别提取当前车辆和目标车辆的特征点信息以及全局特征，其中所提取的车辆的特征点信息中包含车辆的特征点以及各特征点的标识信息。

具体地，提取单元32在从车辆图像中提取车辆的特征点信息时，可以采用以下方式：将车辆图像输入预先训练得到的特征点提取模型中，根据特征点提取模型的输出结果获取车辆的特征点信息。

其中，特征点提取模型可以采用以下方式预先训练得到：获取训练数据，所获取的训练数据中包含各车辆图像以及各车辆图像中车辆的特征点信息的标注结果，其中特征点信息的标注结果中包含车辆的各特征点以及各特征点的标识信息；将各车辆图像作为输入，将各车辆图像中车辆的特征点信息的标注结果作为输出，训练神经网络，得到特征点提取模型。

另外，提取单元32在从车辆图像中提取车辆的全局特征时，可以采用以下方式：将车辆图像输入预先训练得到的全局特征提取模型中，根据全局特征提取模型的输出结果获取车辆的全局特征。其中，提取单元32所获取的车辆的全局特征可以包含车辆的轮廓信息、车辆的颜色信息以及车辆的型号信息等信息中的至少一种。

其中，全局特征提取模型可以采用以下方式预先训练得到：获取训练数据，所获取的训练数据中包含各车辆图像以及各车辆图像中车辆的全局特征；将各车辆图像作为输入，将各车辆图像中车辆的全局特征作为输出，训练神经网络，得到全局特征提取模型。

为了能够进一步丰富从车辆图像中所提取的车辆特征的种类，从而提升车辆重识别的准确率，提取单元32在提取得到车辆的特征点信息之后，还可以包含以下内容：根据车辆图像构建车辆的3d模型；根据所构建的车辆的3d模型，分别获取车辆在车前、车后、车侧以及车顶4个方向上的图像；将在各方向上的图像调整为统一尺寸之后，分别获取各方向上的图像所对应的特征；根据从车辆图像中所提取的特征点信息确定车辆方向，并根据所确定的车辆方向获取各方向上特征的权重值；根据各方向上的图像对应的特征以及各方向上特征的权重值，得到车辆图像中车辆的方向特征。

处理单元33，用于根据所提取的特征点信息，确定所述当前车辆和所述目标车辆具有相同标识信息的各特征点，并基于所确定的特征点分别获取所述当前车辆和所述目标车辆的特征点特征。

处理单元33根据提取单元32所提取的特征点信息，确定当前车辆和目标车辆具有相同标识信息的各特征点，并基于所确定的特征点分别获取当前车辆和目标车辆的特征点特征。即处理单元33根据所提取的车辆的特征点信息来获取车辆的特征点特征。

具体地，处理单元33在获取车辆的特征点特征时，可以采用以下方式：根据所确定的各特征点，将从车辆图像中获取的仅包含单个特征点的最大矩形区域作为各特征点对应的局部块；将各特征点对应的局部块调整为统一尺寸之后，依次将各特征点对应的局部块进行拼接；对拼接结果进行特征提取，将提取得到的特征作为车辆的特征点特征。其中，处理单元33可以使用预先训练得到的特征提取模型进行拼接结果的特征提取。

可以理解的是，处理单元33也可以无需获取各特征点对应的局部块，直接将车辆的各特征点依次进行拼接，从而将从拼接结果中所提取的特征作为车辆的特征点特征。

可以理解的是，目标车辆中与当前车辆各特征点的标识信息不相同的特征点，可以直接滤除，也可以在计算目标车辆的特征点特征时，将该些特征点的权重值调低为合适的值。

输出单元34，用于根据车辆的特征点特征与全局特征得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，输出所述当前车辆与所述目标车辆是否为同一车辆的识别结果。

输出单元34根据提取单元32所提取的车辆的全局特征以及处理单元33所提取的特征点特征来得到车辆的融合特征，并通过当前车辆与目标车辆的融合特征之间的特征间距值，确定当前车辆是否与目标车辆为同一车辆。

可以理解的是，若提取单元32还进一步获取了车辆的方向特征，则输出单元34根据车辆的全局特征、方向特征以及特征点特征得到车辆的融合特征，从而使得车辆特征的种类更为丰富，进一步提升车辆重识别的准确率。

其中，输出单元34在计算当前车辆与目标车辆的融合特征之间的特征间距值时，可以首先将当前车辆和目标车辆的融合特征进行函数变换，得到对应当前车辆和目标车辆的高维特征向量，进而将向量间的余弦相似度作为融合特征之间的特征间距值。

具体地，输出单元34可以根据特征间距值与预设阈值之间的大小关系，输出当前车辆与目标车辆是否为同一车辆的识别结果，特征间距值越小，说明两张车辆图像越近似，对应同一车辆的可能性就越大。因此，输出单元34若确定特征间距值大于预设阈值，则输出当前车辆与目标车辆不是同一车辆的识别结果；若确定特征间距值小于等于预设阈值时，则输出当前车辆与目标车辆是同一车辆的识别结果。

如图4所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

利用本发明所提供的技术方案，首先提取车辆图像中车辆的全局特征以及特征点信息，并基于所提取的特征点信息来确定当前车辆与目标车辆具有相同标识信息的的各特征点，进而根据所确定的各特征点来获取当前车辆与目标车辆的特征点特征，从而利用车辆的特征点特征与全局特征的融合特征进行车辆重识别，由于使用了车辆中种类更为丰富的特征，从而提升了车辆重识别的准确率。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。