技术摘要：
本发明属于图像处理技术领域，公开了一种无车牌信息车辆重识别方法、系统、介质、视频监控系统，获取数据集并进行数据集划分、预处理；使用预先训练过的ResNet‑50作为主干网络，进行提取基础特征张量；加入通道注意力机制与空间注意力机制得到新的特征张量；设计四个  全部
背景技术：
目前，车辆重识别技术是在视频监控系统中匹配到由不同外界条件、不同摄像机 拍摄到的同一车辆目标的技术。该工作始于20世纪末，首先得到运用的是基于车牌信息的 车辆重识别方法，这类方法需要对车牌进行定位，然后是字符分割与识别。目前定位功能主 要运用灰度信息、颜色与纹理信息和基于神经网络等方法实现，分割与识别功能主要采用 模板匹配和神经网络等方法实现，但是在社会汽车保有量日益增多的今天，基于车牌信息 的车辆重识别方法无法处理车辆套牌、无牌、多车一号等情况，因此在车辆发生交通违法或 者警察追捕犯罪嫌疑车辆而需要锁定无车牌信息的车辆时，更需要综合其他非车牌信息， 完成车辆重识别工作，继而实现多功能且性能稳定的智能交通解决方案。传统的无车牌信 息车辆重识别方法主要是通过提取车辆图像的HSV特征、LBP特征以及HOG等手工特征来进 行图像特征匹配过程，之后通过对车辆颜色、车型、以及车辆挡风玻璃等分类实现车辆重识 别工作，但单一的手工特征提取方法的精度普遍不高，因此这样的方法提取的各个特征单 一粗糙，使得实现速度慢且效果很不理想。近年来，深度学习(DeepLearning)席卷计算机视 觉界的各个领域，极大的推动了Re-ID的发展，越来越多的方法利用深度神经网络训练模型 提取有效特征来实现车辆重识别技术，逐渐使得深度学习方法成为了实现车辆重识别工作 的主流方法。 目前业内常用的现有技术主要通过深度学习提取车辆的颜色、属性、ID等特征，并 将各特征进行统一融合，之后将融合后的特征进行相似性度量来实现车辆重识别工作。例 如，授权公告号为CN108875754A的“一种基于多深度特征融合网络的车辆再识别方法”中国 专利中，该方法通过深度卷积网络提取训练车辆图像的深度ID特征，提取训练车辆图像的 深度颜色特征，提取训练车辆图像的深度车型特征，将提取的三种深度特征进行组合拼接， 获得融合特征，通过Softmax分类函数对融合后的深度特征进行分类，该方法结合了深度学 习与特征融合的优点，解决了传统车辆再辨识方法对多个线索的依赖以及手工特征精度不 高的问题，但是仍然存在的不足是，车辆颜色、车型等特征容易受到光照、物体遮挡及拍摄 角度等外界因素的影响，因此对于环境复杂度较高的车辆图像来说，通过提取车辆的深度 颜色特征和深度车型特征等外观特征进行分类在一定程度上会影响车辆重识别准确度，另 外忽略了车辆全局特征与局部特征相结合在重识别工作中的重要作用。 通过上述分析，现有技术存在的问题及缺陷为： (1)传统手工特征提取单一，精度低。 (2)传统技术光照强度、物体遮挡及拍摄角度等因素的影响，导致一些深度学习方 法提取的深度外观特征的有效性较差，使得现有很多基于深度学习的车辆重识别技术准确 率不高。 8 CN 111553205 A 说　明　书 2/16 页 (3)传统技术忽略了车辆局部特征对于重识别准确率的重要性。 (4)传统技术车辆重识别结果top-1准确率低于top-5准确率过多。 解决以上问题及缺陷的难度为：基于无车牌信息的车辆重识别方法不同于车型分 类、车牌检测与车脸识别，其不仅要判断两辆车是否属于同一个精细车型，还需要确定两辆 同一年款相同颜色的车是不是同一辆车，这就需要我们既要关注车辆颜色、车型等大型全 局特征，更要关注车窗玻璃年检标、车窗附近摆件、挂件等小型局部特征，而这些局部特征 往往很难精确捕捉。再加上光照、天气、亮度、拍摄角度等环境因素的影响，造成同一车辆在 不同环境下被不同摄像头捕获到的颜色、大小、车辆形状、车辆角度都存在很大差异，使得 无车牌信息的车辆重识别技术更复杂且更具挑战性。 解决以上问题及缺陷的意义为：伴随城镇化建设，汽车保有量与日俱增，立体交通 网络纷繁复杂，车辆的车牌信息错误或缺失等问题给交通管理以及维护公共安全带来严重 挑战，因此提高基于无车牌信息的车辆重识别方法的识别精度，并将其应用到智能交通管 理及违法犯罪追踪中具有非常重要的意义。例如在搜索犯罪嫌疑车辆方面，面对嫌疑车辆 无牌、套牌等车牌信息错误或者缺失的情况，由于无法使用车牌信息进行细致搜索，因此需 要通过车辆重识别技术来进行查找。其次，在交警进行车辆违章判罚方面，需要结合前端抓 拍的图来判断目标车辆是否存在不按车道线行驶、闯红灯、压线等违章操作，但由于车辆在 夜晚或者转弯或者较远时无法正确检测和识别车牌，这就需要使用车辆重识别技术在抓拍 图中找到目标车辆。第三，在智能管理方面，对于一些自动收费系统，例如自动收费停车场 对无牌车进行计费也需要使用到车辆重识别技术。最后是在无人驾驶方面，车辆重识别技 术在一定程度上能够帮助分析判断出近几个几十个小时中，无人驾驶车辆周围车辆的行驶 轨迹以及跟踪轨迹等，有助于无人驾驶技术的研究。因此研究与解决基于无车牌信息的车 辆重识别方法在环境复杂度高的影响下而导致识别精度低的问题，具有重要的理论意义和 重要实用价值。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种无车牌信息车辆重识别方法、系统、 介质、视频监控系统。 本发明是这样实现的，一种无车牌信息车辆重识别方法，所述无车牌信息车辆重 识别方法包括：获取数据集并进行数据集划分、预处理；构建ss车辆重识别主干网络，使用 一个在ImageNet上预先训练过的ResNet-50作为主干网络，并修正进行提取基础特征张量； 加入通道注意力机制与空间注意力机制对基础特征张量进行进一步操作，得到新的特征张 量；构建多向细粒度特征划分网络，设计四个相对独立的网络GMA、HMM、WMM、WHG，四个网络 之间不共享参数，分别用于提取更高层次的语意特征；利用交叉熵损失函数和三元组损失 函数对车辆整体网络进行训练优化得到训练模型；用训练好的模型对测试图像进行测试得 到重识别初始排序结果；对初始排序结果使用重排序算法进行再次排序；可视化最终排序 结果。 进一步，所述无车牌信息车辆重识别方法包括： 第一步，获取车辆重识别数据集及标注文件，通过目标检测获取摄像头捕获到的 车辆图像，保存至Image文件，之后对相应车辆图像的名称、标签、和摄像头ID进行标注形 9 CN 111553205 A 说　明　书 3/16 页 成.txt标注文件； 第二步，划分车辆重识别训练集与测试集； (1)将得到的所有车辆图像按照一定比例划分训练集与测试集，训练集数据占一 半以上； (2)将划分好的测试集再分为探测集和图库集，探测集里每个ID的车辆图像为1 幅，用于查询；其余作为图库图像使用； 第三步，对训练集和测试集全部图像进行预处理； (1)对数据集里每幅图像确定其车辆区域的正向最小外接矩形，并进行剪裁； (2)将剪裁后的车辆图像重新调整为288*288大小； 第四步，构建主干网络，使用一个在ImageNet上预先训练过的ResNet-50作为主干 网络，其中保留了Resnet-50网络部分原始结构，并稍加修正，提取到车辆图像的基础特征 张量T； 第五步，加入通道注意力机制与空间注意力机制对基础特征张量进行进一步操 作，得到新的特征张量T'； (1)加入通道注意力机制，将得到的基础特征张量T的每一个通道都视为一个特征 检测器，使用全局最大池化和全局平均池化对特征张量在空间维度上进行压缩得到两个不 同空间特征描述，然后通过卷积网络等操作对其进行计算得到通道注意力映射MC(T) ,最后 将得到的通道注意力映射MC(T)与输入的基础特征张量T相乘得到特征张量TC； (2)加入空间注意力机制，将得到的特征张量TC再分别使用最大池化和平均池化 对其在通道维度上进行压缩，得到两个二维的特征，然后将其按照通道维度拼接在一起，得 到一个通道数为2的特征，之后通过一个包含单个卷积核的隐藏层对其进行卷积等一系列 操作得到空间注意力映射MS(TC) ,最后将得到的通道注意力映射MS(TC)与特征张量TC相乘得 到特征张量T'； 第六步，构建多向细粒度特征划分网络，在得到图像基础特征之后，设计四个相对 独立的网络，四个网络之间不共享参数，分别用于提取更高层次的语意特征； (1)第一个相对独立网络GMA用于提取图像的全局特征：GMA由两个更精细的网络 分支组成，该两个分支之间共享参数，经过一系列网络层分别提取深层次特征进行Loss计 算，优化模型； (2)第二个相对独立网络HMM用于提取图像的细粒度特征：HMM由两个更精细的网 络分支组成，该两个分支之间共享参数，两个分支分别将第五步得到的车辆特征T'通过特 征通道与特征高度进行特征四等分割，每个分支得到四个不同的特征块，共八个特征块，之 后通过一系列网络层提取深层次的细粒度特征进行Loss计算，优化模型； (3)第三个相对独立网络WMM用于提取图像的另一部分细粒度特征：WMM由两个更 精细的网络分支组成，两个分支之间共享参数，两个分支分别将第五步里得到的车辆特征 T'通过特征通道与特征宽度进行特征四等分割，每个分支得到四个不同的特征块，共八个 特征块，之后通过一系列网络层提取深层次的细粒度特征进行Loss计算，优化模型； (4)第四个相对独立网络WHG用于提取图像的细粒度全局特征：WHG将第五步里得 到的车辆特征T'通过特征高度与特征宽度按照横向、纵向进行特征平均分割，得到四个深 度相同的特征块，之后将四个特征块分别通过一系列网络层提取深层次的细粒度特征进行 10 CN 111553205 A 说　明　书 4/16 页 Loss计算，优化模型； 第七步，利用多向细粒度划分网络联合多损失函数对数据进行训练； (1)将训练图像送入整个多向细粒度特征划分网络中，采用向前传播算法分别提 取其各个细粒度特征； (2)将第六步的(1)-(4)得到的深度细粒度特征分别进行softmax交叉熵损失计 算，之后将得到的各个特征的交叉熵损失进行求和并求均值，得到最终的交叉熵损失 LSoftmax； (3)将第六步的(3)-(4)得到的部分深度细粒度特征，分别计算三元组损失 LTriplet，之后联合交叉熵损失LSoftmax以及三元组损失LTriplet，通过公式计算得到最终损失： Ltotal＝λ1LSoftmax λ2LTriplet，其中λ为平衡两种损失函数的参数； (4)利用分类结果和真实结果的误差，通过反向传播算法来训练整个多向细粒度 特征划分网络，在不停的前向反向传播中来训练参数，使最终损失函数值越来越小，直至模 型收敛； 第八步，使用第七步中训练得到的基于深度学习多向细粒度特征划分网络模型进 行测试，实现重识别过程： (1)将多向细粒度特征划分网络中最后一个完全连接层Fc之前得到的深度细粒度 特征进行特征向量拼接，获得融合特征V，将融合特征V用作测试特征； (2)对测试集中的探测图像集进行特征提取：利用多向细粒度特征划分网络模型 提取探测集中的各个图像特征，分别进行特征拼接融合，得到每个图像对应的融合特征VPi， 得到特征向量VP＝[VP1,VP2,VP3…VPm]，其中探测集里共有m张图像； (3)对图库集中的所有图库图像进行特征提取：利用多向细粒度特征划分网络模 型提取图库集图像特征，并分别进行特征拼接融合，得到每个图像对应的融合特征Vgj，从而 得到特征向量Vg＝[Vg1,Vg2,Vg3…Vgn]，其中图库集里共有n张图像； 第九步，计算特征相似度并进行初始排序； (1)已知探测图像Pi的特征向量VPi＝(x1,x2,x3…xk)，图库图像gj的特征向量Vgj＝ (y1,y2,y3…yk)，则图像Pi与图像gj之间的距离计算公式： (2)将探测集里每个探测图像与图库集里每个图库图像分别计算距离，并将每个 探测图像返回一个与所有图库图像的距离从小到大排序，得到相似度初始排序结果； 第十步，通过K-RNN集合方法将初始排序结果进行再重排序； (1)对于探测图像Pi，将返回的初始排序中前k个图库图像记为伪探测图像，k＝ 10，将该k个伪探测图像分别作为探测图像进行探测，并返回k个伪排序列表； (2)查看返回的k个伪排序列表里每个列表对应的前k个图像是否包含原始探测图 像Pi，将列表中包含Pi的伪探测图像构成K-RNN集合，即K-RNN集合是一个仅包含图库图像的 集合，且里面的图库图像与探测图像相似度更高； (3)对原始探测图像Pi的K-RNN集合里的图像元素再分别求其K-RNN集合，将重合 达到一定数量的样本并入Pi的K-RNN集合里，最后通过计算Jaccard距离得到重排序结果； 第十一步，根据重排序的结果来输出预测结果并进行排序结果可视化，将与探测 图像相似度最高的前10个车辆图像可视化出来，并保存成一张图片。 11 CN 111553205 A 说　明　书 5/16 页 进一步，所述第四步保留了Resnet-50网络部分原始结构，并修正，实现方法为：保 留了Resnet-50网络原始结构中包括Bottleneck模块Conv4及其前面的网络层不变，将原始 Resnet50中最后一个模块Conv5的下采样步幅设置为1，使得特征尺寸没有缩为一半，其网 络层依次为：卷积层Conv1→批归一化层BN1→线性整流层Relu→最大池化层Maxpool→ Bottleneck模块Conv2_1→Bottleneck模块Conv2_2→Bottleneck模块Conv2_3→ Bottleneck模块Conv3_1→Bottleneck模块Conv3_2→Bottleneck模块Conv3_3→ Bottleneck模块Conv3_4→Bottleneck模块Conv4_1→Bottleneck模块Conv4_2→ Bottleneck模块Conv4_3→Bottleneck模块Conv4_4→Bottleneck模块Conv4_5，→ Bottleneck模块Conv4_6→模块Conv5，由此提取到车辆图像的基础特征； Bottleneck模块包括这三层卷积结构，分别是1*1卷积，3*3卷积和1*1卷积，其中 第一个1*1卷积层负责减小特征维度，使3*3卷积层成为具有较小输入/输出尺寸的瓶颈，第 三个1*1卷积层负责增加特征维度。 进一步，所述第五步的(1)加入通道注意力机制，实现步骤为： 所述第五步的(1)中加入通道注意力机制，实现方法为： 1)将第四步中得到的基础特征张量 分别使用全局最大池化和全局平均 池化对特征张量在空间维度上进行压缩，从而得到两个不同的一维空间特征描述 与 2)将得到的一维特征矢量 与 分别通过卷积网络操作，得到 两个新的特征向量 与 3)将f C与f C1 2 相加后通过激活函数得到通道注意力映射 计算公式 如下： MC(T)＝σ(MLP(GMP(T) MLP(GAP(T)))； 4)将得到的通道注意力映射MC(T)与输入的基础特征张量T相乘得到特征张量TC, 计算公式如下： 进一步，所述第五步的(2)中加入空间注意力机制，实现步骤为： 1)将第五步的(2)中得到的特征张量 在通道维度上分别进行最大池化 和平均池化操作，得到两个二维的特征矢量 与 2)将 与 按照通道维度进行拼接融合，得到一个新的特征 张量 3)使用一个卷积核为7*7的隐藏卷积层对张量Ts进行卷积操作得到 以保证最后得到的特征在空间维度上与输入的特征一致； 4)之后通过激活函数得到空间注意力映射 计算公式如下： Ms(TC)＝σ(f7*7([Avgpool(TC)；Maxpool(TC)]))； 5)将得到的通道注意力映射Ms(TC)与输入的基础特征张量TC相乘得到特征张量 12 CN 111553205 A 说　明　书 6/16 页 T',计算公式如下： 进一步，所述第六步的(1)中构建GMA网络实现步骤为： 1)第一个分支将第五步得到的车辆特征张量T'通过一个全局最大池化GMP1进行 信息压缩，提取图像全局性纹理特征，将提取的特征通过一个卷积层Conv1和一个批归一化 层BN1，得到的特征f1a，将得到的特征f1a通过一个完全连接层Fc1得到特征F1a，之后通过 softmax函数计算IDloss； 2)第二个分支将第五步得到的车辆特征T'通过全局平均池化GAP1信息压缩，提取 图像全局性背景特征，将提取到的特征通过卷积层Conv2和一个批归一化层BN2，得到的特 征f1b，将得到的特征f1b通过一个完全连接层Fc2得到特征F1b，通过softmax函数计算 IDloss。 所述第六步的(2)中构建HMM网络实现步骤为： 1)第一个分支将第五步得到的车辆特征T'通过最大池化MP1进行降维，相当于求 一个最大值，先将降维后的特征通过一个卷积层Conv4和一个批归一化层BN4得到特征 f2a_0，其中特征f2a_0作为计算tripletloss的一个输入，之后将f2a_0通过一个完全连接层Fc4 得到特征F2a_0，同时将降维后的特征按照通道等量分割成四块，变为四个不同的特征，之后 将分割后的四个特征分别通过一个卷积层Conv3和一个批归一化层BN3得到特征f2a_1，f2a_2， f2a_3，f2a_4，将得到的特征f2a_1，f2a_2，f2a_3，f2a_4分别通过完全连接层Fc3得到特征F2a_1，F2a_2， F2a_3，F2a_4，将得到的F2a_0，F2a_1，F2a_2，F2a_3，F2a_4特征通过softmax函数分别计算IDloss； 2)第二个分支将第五步得到的车辆特征T'通过最大池化MP2降维，相当于求一个 最大值，将降维后的特征按照高度等量分割成四块，变为四个不同的特征，将四个特征分别 通过卷积层Conv5和一个批归一化层BN5，分别得到的特征f2b_1，f2b_2，f2b_3，f2b_4，将得到的 特征f2b_1，f2b_2，f2b_3，f2b_4分别通过完全连接层Fc5得到特征F2b_1，F2b_2，F2b_3，F2b_4，再通过 softmax函数分别计算IDloss。 进一步，所述第六步的(3)中构建WMM网络实现步骤为： 1)将第五步得到的车辆特征T'通过最大池化MP3进行降维，将降维后完整的特征 通过通道进行分割，变为四个不同的特征，将划分后的四个特征以及划分前的特征分别通 过卷积层Conv6、Conv7和批归一化层BN6、BN7，分别得到的特征征f3a_1，f3a_2，f3a_3，f3a_4， f3a_0，其中f3a_0作为计算tripletloss的另一个输入，将得到的特征f3a_1，f3a_2，f3a_3，f3a_4， f3a_0分别通过完全连接层Fc6、Fc7得到特征F3a_1，F3a_2，F3a_3，F3a_4，F3a_0，再通过softmax函数 分别计算IDloss； 2)第二个分支将第五步得到的车辆特征T'通过最大池化MP4进行降维，之后将降 维后的特征按照宽度等量分割成四块，变为四个不同的特征，将该四个特征分别通过一个 卷积层Conv8和一个批归一化层BN8，分别得到的特征f3b_1，f3b_2，f3b_3，f3b_4，将得到的特征 f3b_1，f3b_2，f3b_3，f3b_4分别通过完全连接层Fc8得到特征F3b_1，F3b_2，F3b_3，F3b_4再通过softmax 函数分别计算IDloss。 所述第六步的(4)中构建WHG网络实现步骤为：WHG将第五步得到的车辆特征T'分 别沿着高度与宽度按照横向、纵向进行特征平均分割，得到四个深度相同的特征块，将四个 特征块分别通过全局最大池化GMP2信息压缩，之后将压缩后四个特征分别通过卷积层 13 CN 111553205 A 说　明　书 7/16 页 Conv9和批归一化层BN9得到特征f4a_1，f4a_2，f4a_3，f4a_4，将得到的特征f4a_1，f4a_2，f4a_3，f4a_4 分别通过完全连接层Fc9得到特征F4a_1，F4a_2，F4a_3，F4a_4，再通过softmax函数分别计算 IDloss。 进一步，所述第七步的(2)中本交叉熵损失计算公式为： 其中，K表示在训练过程中数据每通过一次网络结构，计算交叉熵损失的特征个 数，一张图像通过一次网络会提取到24个细粒度特征进行计算交叉熵损失，一张图像对应K ＝24；n表示批大小，每次取多少个样本数据喂进网络，n＝24；C表示分类数；y代表输入图像 的真实标签，f[v]表示第预测出的第v个标签的完全连接层的输出。 进一步，所述第七步的(3)中三元组损失及联合损失计算公式为： 其中，α是阈值参数；对于每一个训练batch，随机挑选P个不同ID的车辆，每个不同 ID的车辆再随机挑选K张不同的图片，即一个batch含有P×K张图片；对于batch中的每一张 图片a，计算初始样本a和batch中的每一张图片在特征空间的欧式距离，然后选出与a距离 最远的正样本p和距离最近的负样本n来与a组成三元组； 计算联合损失： Ltotal＝λ1Lsoftmax λ2Ltriplet； 设置λ1＝2，λ2＝0.5。 本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程 序使电子设备执行权利要求任意一项所述包括下列步骤：获取数据集并进行数据集划分、 预处理；构建车辆重识别主干网络，使用一个在ImageNet上预先训练过的ResNet-50作为主 干网络，并修正进行提取基础特征张量；加入通道注意力机制与空间注意力机制对基础特 征张量进行进一步操作，得到新的特征张量；构建多向细粒度特征划分网络，设计四个相对 独立的网络GMA、HMM、WMM、WHG，四个网络之间不共享参数，分别用于提取更高层次的语意特 征；利用交叉熵损失函数和三元组损失函数对车辆整体网络进行训练优化得到训练模型； 用训练好的模型对测试图像进行测试得到重识别初始排序结果；对初始排序结果使用重排 序算法进行再次排序；可视化最终排序结果。 本发明的另一目的在于提供一种实施所述无车牌信息车辆重识别方法的无车牌 信息车辆重识别系统，所述无车牌信息车辆重识别系统包括： 数据集处理模块，用于获取数据集并进行数据集划分、预处理； 基础特征张量提取模块，用于构建车辆重识别主干网络，使用一个在ImageNet上 预先训练过的ResNet-50作为主干网络，并修正进行提取基础特征张量； 注意力机制模块，用于对图像重点区域信息的强调，加入通道注意力机制与空间 注意力机制对基础特征张量进行进一步操作，得到新的特征张量； 更高层次语意特征提取模块，用于构建多向细粒度特征划分网络，设计四个相对 独立的网络GMA、HMM、WMM、WHG，四个网络之间不共享参数，分别用于提取更高层次的语意特 14 CN 111553205 A 说　明　书 8/16 页 征； 训练模型获取模块，用于利用交叉熵损失函数和三元组损失函数对车辆整体网络 进行训练优化得到训练模型； 重识别初始排序结果模块，用于通过训练好的模型对测试图像进行测试得到重识 别初始排序结果； 重排序模块，用于对初始排序结果使用重排序算法进行再次排序，可视化最终排 序结果。 本发明的另一目的在于提供一种视频监控系统，所述视频监控系统搭载所述的无 车牌信息车辆重识别系统。 结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过对特 征张量的多向细粒度划分使得整个方法更加注重全局特征与局部特征相结合，用于解决现 有技术中存在的因环境复杂度高而导致车辆重识别精度低的问题。可用于无车牌信息的车 辆重识别系统与车辆检索系统中。 本发明是基于无车牌信息的车辆重识别方法，适用于套牌车、追踪违法犯罪车辆 等方面，该方法通过加入注意力机制，并对特征张量进行多向细粒度划分，形成一个完整有 效的特征提取网络，整个过程更加注重全局特征与局部特征相结合，解决了现有技术中存 在的因环境复杂度高而导致车辆重识别精度低的问题，有效提高了车辆重识别的准确率。 本发明实现多损失联合优化，不仅是将交叉熵损失应用在各个细粒度特征分类， 同时加入了三元组损失来优化模型，最后加入了重排序算法来提高重识别准确率，解决了 车辆重识别结果top-1准确率低于top-5准确率过多的问题。 附图说明 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使 用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的 附图。 图1是本发明实施例提供的无车牌信息车辆重识别方法流程图。 图2是本发明实施例提供的无车牌信息车辆重识别方法实现流程图。 图3是本发明实施例提供的整体网络架构图。 图4是本发明实施例提供的Resnet50主干网络的结构图。 图5是本发明实施例提供的注意力机制网络的结构图。 图6是本发明实施例提供的多向细粒度特征划分网络的结构图。 图7是本发明实施例提供的最终重识别排序结果的可视化图。