技术摘要：
本发明提供了一种基于车辆方向信息和多分支神经网络的车辆重识别方法及系统，包括：采集若干车辆待识别图片，和检索数据集上的若干车辆对比图片；获取车辆待识别图片、车辆对比图片的方向信息；将车辆待识别图片与车辆对比图片配对形成若干个图片组，根据方向信息将若  全部
背景技术：
随着社会经济发展，车辆的数目日益增多，对车辆的管理也愈发困难。车辆重识别 是指在不依赖车牌信息的前提下对不同监控相机下的车辆图片进行匹配，在非重叠相机不 同时间拍摄的视频中找到目标车辆的过程。车辆重识别在现实生活中有着重要的应用，如 刑侦、城市计算、公共管理、智能交通。 最初，主要是通过一些传感器来进行车辆的识别，如：磁传感器、感应线圈传感器、 全球定位系统等。但是部署这些传感器的成本非常大，而且得到的信息也有限。随着大规模 城市监控系统的部署以及计算机视觉技术在智能交通领域的广泛应用，基于视觉的车辆重 识别方法成为重点研究领域，而基于视觉的方法又分为基于手工提取特征的方法以及基于 深度特征的方法，而随着深度卷积神经网络在计算机视觉多个领域取得巨大成功，基于深 度特征的方法由于其卓越的性能成为主流。 现有的基于深度特征的方法，大多数都是从整幅图片最显而易见的部分来学习特 征而忽略了一些局部的细节信息，而这些局部的细节信息往往包含着区分视觉上特别相似 的车辆的关键特征。此外尽管有一些方法利用这些局部的细节信息，但是忽略了车辆方向 对特征提取的影响。由于摄像头拍摄角度不同以及车辆的行驶状况不同，造成了拍摄的各 个图片上车辆的方向差别很大。
技术实现要素：
为了解决上述技术问题，本发明提出了一种基于方向信息和多分支神经网络的车 辆重识别方法及系统。根据图片中的车辆是否存在共享视域使网络学习到两种不同的特征 表示，并且每种特征表示中都包含了全局宏观信息以及局部细节信息，提高了车辆重识别 的精度。 本发明采用的技术方案为： 第一方面，本发明提供了一种基于车辆方向信息和多分支神经网络的车辆重识别 方法，步骤包括： 采集若干车辆待识别图片，和检索数据集上的若干车辆对比图片； 获取车辆待识别图片、车辆对比图片的方向信息； 将车辆待识别图片与车辆对比图片配对形成若干个图片组，根据方向信息将若干 个图片组划分为共享视域组和非共享视域组；将图片组输入训练模型，获取共享视域组特 征，或，非共享视域组特征； 根据共享视域组特征或非共享视域组特征计算车辆待识别图片与车辆对比图片 的欧式距离，并进行排序，检索出与待识别车辆相似度靠前的若干车辆。 4 CN 111582178 A 说　明　书 2/8 页 第二方面，本发明还提供了一种基于车辆方向信息和多分支神经网络的车辆重识 别系统，包括： 数据采集模块，被配置为：采集若干车辆待识别图片，和检索数据集上的若干车辆 对比图片； 方向信息获取模块，被配置为：获取车辆待识别图片、车辆对比图片的方向信息； 训练模块，被配置为：将车辆待识别图片与车辆对比图片配对形成若干个图片组， 根据方向信息将若干个图片组划分为共享视域组和非共享视域组；将图片组输入训练模 型，获取共享视域组特征，或，非共享视域组特征； 车辆检索模块，被配置为：根据共享视域组特征，或，非共享视域组特征计算车辆 待识别图片与车辆对比图片的欧式距离，并进行排序，检索出与待识别车辆相似度靠前的 若干车辆。 第三方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述 计算机指令被处理器执行时，完成如第一方面所述的车辆重识别方法。 第四方面，本发明还提供了一种电子设备，包括存储器和处理器以及存储在存储 器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面 所述的车辆重识别方法。 与现有技术对比，本发明具备以下有益效果： 1、本发明通过获取车辆待识别图片、车辆对比图片的方向信息，实现了根据是否 具有共享视域从而学习出两种不同的特征，并且每种特征中都包含全局宏观信息以及局部 的细节信息，提高了车辆重识别的准确率。 2、本发明通过判断两张车辆图片是否具有共享视域采用不同的特征去计算距离， 然后根据车辆图片之间的距离进行车辆的检索；根据是否具有共享视域从而学习出两种不 同的特征，并且每种特征中都包含全局宏观信息以及局部的细节信息，提高了车辆重识别 的准确率。 3、本发明的训练模型采用包括四分支深度卷积神经网络，并使用多任务设计，在 分类任务中使用交叉熵函数作为损失函数；在度量学习任务中采用三元组损失作为网络损 失函数，通过这两种任务，并根据是否具有共享视域从而有效地学习出两种不同的并具有 强辨别力的特征，增强检索排序表现。 附图说明 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示 意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。 图1是本发明所述基于方向信息和多分支神经网络的车辆重识别方法的主网络示 意图。