基于图像的车辆重识别方法、装置、服务器及存储介质

本发明涉及图像识别，尤其涉及一种基于图像的车辆重识别方法、装置、服务器及存储介质。

背景技术：

1、随着我国经济的快速发展，人们的生活水平日益提高，城市现代化建设逐步完善，汽车制造业发展迅猛，车辆的数量也越来越多，汽车出行已经成为一个普遍的现象，由此给交通管制和交通安全带来很多挑战。在复杂的道路交通环境下，对车辆套牌、违法驾驶、车辆盗窃、交通事故和肇事逃逸等违法行为的破案侦察变得更加棘手。为保障行车安全，道路监控系统不断完善，道路监控摄像头越来越密集，覆盖了道路关键路段。这些摄像头实时捕捉道路车辆的视频图像信息并记录保存，为有关部门追踪违法车辆和被盗车辆提供数据依据。

2、然而，由于道路交通情况复杂，车辆和数量众多，且不重叠的摄像头数量众多，使得在海量的视频图像库中仅靠人力难以检索到目标车辆，费时费力。因此，目前普遍利用以基于神经网络的图像的车辆重识别技术来代替人力搜索，能够在海量的视频图片库中快速准确的搜索、定位和追踪出目标车辆用。

3、而现有的图像识别神经网络只擅长基于图像对车进行识别分类，而在海量汽车数量和图像数据面前，依托于从海量的数据中图像识别神经网络进行某一特定车辆的分别重识别，则会需要强大的算力才能够实现，致使识别出某一具体的车辆变得越来越困难。而如果采用单一某一车辆特征利用图像识别神经网络来实现车辆重识别，则会由于只采用单一车辆特征，而降低了重识别的准确度。

技术实现思路

1、本发明实施例提供了一种基于图像的车辆重识别方法、装置、服务器备及存储介质，以解决现有技术中基于图像对车辆进行重识别需要消耗较强的算力和准确度较低的技术问题。

2、第一方面，本发明实施例提供了一种基于图像的车辆重识别方法，包括：

3、对采集到的车辆图像进行预处理，得到待识别图像；

4、将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图；将所述初始下采样多通道特征图进行特征提取卷积处理，并对进行特征提取卷积后的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到初始标记序列；

5、将初始标记序列转换为转换初始多通道特征图，并对所述转换初始多通道特征图进行加速收敛下采样卷积和特征提取卷积处理，对处理后得到的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到生成标记序列；

6、将初始标记序列和生成标记序列进行多尺度序列化融合，得到多尺度标记序列；

7、将所述多尺度标记序列转换为多尺度多通道特征图，并对所述多尺度通道特征图进行加速收敛下采样卷积和特征提取卷积处理，判断处理后的多尺度通道特征图后的特征通道数是否符合预设的标准特征通道数；

8、在符合预设的标准特征通道数后，提取所述特征通道对应的一维的通道特征，根据所述通道特征与预先存储的车辆图像通道特征进行相似度比对，将相似度最大的车辆图像的车辆信息作为识别结果；

9、否则，将所述多尺度通道特征图作为待识别图像，返回至将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图。

10、第二方面，本发明实施例还提供了一种基于图像的车辆重识别装置，包括：

11、预处理模块，用于对采集到的车辆图像进行预处理，得到待识别图像；

12、第一编码模块，用于将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图；将所述初始下采样多通道特征图进行特征提取卷积处理，并对处理后的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到初始标记序列；

13、第二编码模块，用于将初始标记序列转换为转换初始多通道特征图，并对所述转换初始多通道特征图进行加速收敛下采样卷积和特征提取卷积处理，对处理后得到的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到生成标记序列；

14、融合模块，用于将初始标记序列和生成标记序列进行多尺度序列化融合，得到多尺度标记序列；

15、转换模块，用于将所述多尺度标记序列转换为多尺度多通道特征图，并对所述多尺度通道特征图进行加速收敛下采样卷积和特征提取卷积处理，判断处理后的多尺度通道特征图后的特征通道数是否符合预设的标准特征通道数；

16、比对模块，用于在符合预设的标准特征通道数后，提取所述特征通道对应的一维的通道特征，根据所述通道特征与预先存储的车辆图像通道特征进行相似度比对，将相似度最大的车辆图像的车辆信息作为识别结果；

17、返回模块，用于否则，将所述多尺度通道特征图作为待识别图像，返回至将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图。

18、第三方面，本发明实施例还提供了一种服务器，包括：

19、一个或多个处理器；

20、存储装置，用于存储一个或多个程序，

21、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的基于图像的车辆重识别方法。

22、第四方面，本发明实施例还提供了包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于图像的车辆重识别方法。

23、本发明实施例提供的基于图像的车辆重识别方法、装置、服务器及存储介质，通过对采集到的车辆图像进行预处理，得到待识别图像；将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图；将所述初始下采样多通道特征图进行特征提取卷积处理，并对进行特征提取卷积后的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到初始标记序列；将初始标记序列转换为转换初始多通道特征图，并对所述转换初始多通道特征图进行加速收敛下采样卷积和特征提取卷积处理，对处理后得到的图像进行位置序列化变换，并对位置序列化变换后的图像特征进行编码，得到生成标记序列；将初始标记序列和生成标记序列进行多尺度序列化融合，得到多尺度标记序列；将所述多尺度标记序列转换为多尺度多通道特征图，并对所述多尺度通道特征图进行加速收敛下采样卷积和特征提取卷积处理，判断处理后的多尺度通道特征图后的特征通道数是否符合预设的标准特征通道数；在符合预设的标准特征通道数后，提取所述特征通道对应的一维的通道特征，根据所述通道特征与预先存储的车辆图像通道特征进行相似度比对，将相似度最大的车辆图像的车辆信息作为识别结果；否则，将所述多尺度通道特征图作为待识别图像，返回至将所述待识别图像进行加速收敛下采样卷积，得到初始下采样多通道特征图。通过将通过神经网络提取到的车辆图像特征，最终转换为一维多通道数字化表达特征，并将一维多通道数字化表达特征与预先得到的海量不同汽车图像的一维多通道数字化表达特征进行匹配，根据匹配的近似度确定相同车辆。无需与每个车辆图像利用神经网络模型单独进行分类比对，大大降低了车辆重识别的算力。同时，在对车辆图像特征提取过程中，通过多尺度序列化融合，在提取过程中充分融合多个特征提取卷积中的特征，大大提高了特征提取的准确性。并且通过位置序列化变换，准确提取车辆的局部特征进行统合进行全局特征建模，有效解决了不同车辆图像局部特征相似的问题。进一步提升了车辆重识别的准确性。