(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210961626.3 (22)申请日 2022.08.11 (71)申请人 沈阳风驰软件股份有限公司 地址 110167 辽宁省沈阳市 浑南区上深沟 村861-17号 （3门） (72)发明人 卢鑫　贾军营　 (74)专利代理 机构 辽宁惟则知识产权代理事务 所(普通合伙) 21273 专利代理师 李巨智 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/26(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多摄像头的车辆重识别方法和设 备 (57)摘要 本发明提供了一种基于多摄像头的车辆重 识别方法和设备。 所述方法包括获取初始图像， 进行目标检测， 获取目标所属类别并提取初始图 像中的目标车辆图像保存至目标图像库； 将待匹 配车辆图像 保存至待匹配图像库； 从目标图像库 中选取目标车辆图像进行目标分割； 引入多种车 辆特征用于对目标车辆图像编码， 得到编码信 息； 将编码信息输入基于Transformer的多尺度 分层特征提取网络， 获取全局特征； 根据卷积神 经网络和所述目标分割结果提取局部特征； 根据 全局特征和局部特征计算目标车辆图像与待匹 配图像库中的所有待匹配车辆图像之间的近似 程度， 对目标车辆进行重识别。 以此方式， 实现了 在多摄像头下的车辆重匹配， 提高检测效率和质 量， 节省人力物力， 节约成本和资源。 权利要求书2页 说明书11页 附图6页 CN 115311632 A 2022.11.08 CN 115311632 A 1.一种基于多摄 像头的车辆 重识别方法， 其特 征在于， 包括： 获取若干个 摄像头采集的初始图像； 利用目标检测算法对所述初始图像进行目标检测， 获取目标所属类别并提取所述初始 图像中的目标车辆图像保存至目标图像库； 以及， 将所述待匹配车辆图像保存至待匹配图 像库； 对所述目标图像库和待匹配图像库中的图像进行目标分割， 得到目标分割结果； 对所述目标图像库和待 匹配图像库中的图像进行编码， 引入多种车辆特征对车辆进行 编码， 得到图像的编码信息； 将所述图像的编码信息输入基于Transformer的多尺度分层特征提取网络， 获取图像 的全局特 征； 根据卷积神经网络和所述目标分割结果 提取图像的局部特 征； 从所述目标图像库中获取目标车辆图像， 根据所述目标车辆图像的全局特征和局部特 征， 计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之间的近似程 度， 并根据所述近似程度对目标 车辆进行重识别。 2.根据权利要求1所述的方法， 其特征在于， 所述获取若干个摄像头采集的初始图像， 包括： 选取若干个摄像头， 其中一个摄像头作为采集摄像头， 用于获取目标图像； 其他摄像头 作为待匹配 摄像头， 用于获取待匹配图像； 设定图像采集的时间间隔， 按照所述时间间隔采集待匹配图像和目标图像， 作为的初 始图像。 3.根据权利要求2所述的方法， 其特征在于， 所述利用目标检测算法对所述初始图像进 行目标检测， 获取目标所属类别并提取所述初始图像中的目标车辆图像保存至目标图像 库； 以及， 将所述待匹配车辆图像保存至待匹配图像库， 包括： 将所述初始图像输入用于目标检测的深度 学习卷积神经网络， 输出所述初始图像 中所 有车辆在对应所述初始图像中的位置信息及所属类别信息， 并用矩形框标出所述初始图像 中的所有车辆； 对所述矩形框内部分进行提取， 得到目标 车辆图像和待匹配车辆图像。 4.根据权利要求1所述的方法， 其特征在于， 所述对所述目标图像库和待 匹配图像库中 的图像进行目标分割， 得到目标分割结果， 包括： 利用图像分割算法对所述目标图像库和待 匹配图像库中的每张图像进行分割， 得到若 干个区域分割块作为每张图像的目标分割结果， 所述区域分割块用于描述图像中的车前部 区域、 车顶部区域、 车侧部区域、 车尾部区域以及背景区域。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述目标图像库和待 匹配图像库中 的图像进行编码， 得到所述图像的编码信息， 包括： 将所述目标图像库和待 匹配图像库中的每张图像分成若干等面积的图像块， 根据 所述 图像块在对应图像中的位置进行编码， 得到所述图像块的位置编码信息； 对所述图像块的图像信息进行 卷积和线性归一 化处理， 得到图像编码信息； 根据目标 所属类别得到目标类别编码信息； 根据所述目标分割结果得到目标分割结果编码信息； 将所述图像编码信息、 目标类别编码信息、 目标分割结果编码信息以及所述图像块的权　利　要　求　书 1/2 页 2 CN 115311632 A 2位置编码信息之和作为当前图像的编码信息 。 6.根据权利 要求1所述的方法， 其特征在于， 所述基于Transformer的特征提取网络， 包 括第一Transformer结构层、 第二Transformer结构层、 第三Transformer结构层和第四 Transformer结构层， 其中， 所述第 一Transformer结构层、 第 二Transformer结构层和第四 Transformer结构层 分别包括2个Transformer结构； 所述第四Transformer结构层包括6个 Transformer结构； 相邻的Transformer结构层之间包括1个上采样层。 7.根据权利要求1所述的方法， 其特征在于， 根据 卷积神经网络和所述目标分割结果提 取图像的局部特 征， 包括： 通过ResNet卷积神经网络提取所述目标图像库和待匹配图像库中每张图像的图像特 征； 根据所述目标分割结果分别制作对应部分的掩膜； 将每张图像的图像特征与所述对应部分的掩膜相乘， 再进行线性变换， 得到当前图像 的局部特 征。 8.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标车辆图像的全局特征和 局部特征， 计算所述目标车辆图像与所述待匹配图像库中的所有待匹配车辆图像之 间的近 似程度， 包括： 以所述目标车辆图像遍历所述待匹配图像库中的全部待 匹配车辆图像， 计算所述目标 车辆图像与待匹配车辆图像对应部分的局部特征欧氏距离， 并累加对应部分的权重， 得到 若干个局部特征距离值； 以及计算所述目标车辆图像与待匹配车辆图像的全局特征欧氏距 离， 得到若干个全局特 征距离值； 将相同待 匹配车辆图像对应的局部特征距离值与全局特征距离值进行累加， 得到所述 目标车辆图像与待匹配车辆图像之间的若干个特 征距离值。 9.根据权利要求8所述的方法， 其特征在于， 所述根据所述近似程度对目标车辆进行重 识别， 包括： 获取所述若干个特 征距离值中的最小值； 若所述若干个特征距离值中的最小值小于预设阈值， 则目标车辆重识别成功， 将重识 别成功的车辆图像从对应图像库中删除； 若所述若干个特征距离值中的最小值不小于预设阈值， 则目标车辆重识别失败， 保存 目标车辆的局部特 征信息、 全局特 征信息和掩膜信息 。 10.一种电子设备， 包括至少一个处理器； 以及与 所述至少一个处理器通信连接的存储 器； 其特征在于， 所述存储器存储有 可被所述至少一个处理器执行的指令， 所述指令被所述 至少一个处理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑9中任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 115311632 A 3