(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 202210209796.6 (22)申请日 2022.03.04 (71)申请人 讯飞智元信息科技有限公司 地址 230000 安徽省合肥市高新区望江西 路666号讯飞大厦8层-10层 申请人 安徽大学　科大讯飞股份有限公司 (72)发明人 贾若然　谭昶　张超斌　郑爱华　 刘江　冯祥　韩辉　张友国　 姜殿洪　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 刘希 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/40(2022.01)G06K 9/62(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 车辆识别方法及相关装置、 电子设备和存储 介质 (57)摘要 本申请公开了一种车辆识别方法及相关装 置、 电子设备和存储介质， 其中， 车辆识别方法包 括： 获取车辆 特征库； 其中， 车辆特征库包括由若 干第一车辆图像 分别提取到的第一车辆特征， 且 第一车辆特征由第一车辆图像的细节特征和视 角特征融合得到； 对待识别车辆的第二车辆图像 进行特征提取， 得到第二车辆 特征； 其中， 第二车 辆特征由第二车辆图像的细节特征和视角特征 融合得到； 再基于第二车辆特征分别 与各第一车 辆特征之间的相似度， 得到待识别车辆的车辆信 息。 上述方案， 能够提高车辆识别的准确性。 权利要求书2页 说明书10页 附图3页 CN 114782784 A 2022.07.22 CN 114782784 A 1.一种车辆识别方法， 其特 征在于， 包括： 获取车辆特征库； 其中， 所述车辆特征库包括由若干第一车辆 图像分别提取到的第一 车辆特征， 且所述第一车辆特 征由所述第一车辆图像的细节特 征和视角特 征融合得到； 对待识别车辆的第二车辆图像进行特征提取， 得到第 二车辆特征； 其中， 所述第 二车辆 特征由所述第二车辆图像的细节特 征和视角特 征融合得到； 基于所述第 二车辆特征分别与各所述第 一车辆特征之间的相似度， 得到所述待识别车 辆的车辆信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述第 一车辆特征或所述第 二车辆特征的 提取步骤 包括： 提取待处理车辆图像的最终视角特征和第 一细节特征， 并将所述最终视角特征变换为 与所述第一细节特 征具有相同维度的变换视角特 征； 将所述第一细节特 征和所述变换视角特 征融合得到融合车辆特 征； 基于所述融合车辆特 征进行细节特 征提取， 得到最终车辆特 征； 其中， 在所述待处理车辆 图像为所述第一车辆 图像的情况下， 所述最终车辆特征为所 述第一车辆特征， 在所述待处理车辆图像为所述第二车辆图像的情况下， 所述最终车辆特 征为所述第二车辆特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述融合车辆特征进行细节特征 提取， 得到最终车辆特 征， 包括： 对所述融合车辆特 征执行所述细节特 征提取， 得到第二细节特 征； 响应于所述细节特征提取的执行次数少于预设阈值， 将所述第 二细节特征作为新的第 一细节特征， 并重新执行所述将所述最 终视角特征变换为与所述第一细节特征具有相同维 度的变换视角特 征的步骤以及后续 步骤； 响应于所述细节特征提取的执行次数不少于所述预设阈值， 将所述第 二细节特征作为 所述最终车辆特 征。 4.根据权利要求1所述的方法， 其特征在于， 所述第一车辆特征和/或所述第二车辆特 征由车辆特征提取模型提取得到， 所述车辆特征提取模型包括视角特征提取网络、 细节特 征提取网络和特 征融合网络； 其中， 所述视角特征提取网络用于提取所述视角特征， 所述细节特征提取网络用于提 取所述细节特 征， 所述特 征融合网络用于融合所述视角特 征和所述细节特 征。 5.根据权利要求4所述的方法， 其特征在于， 所述细节特征提取网络包括若干顺序 连接 的细节特征提取层， 所述特征融合网络包括若干融合子网络， 所述融合子网络包括相互连 接的维度变换层和特征融合层， 且各所述融合子网络的特征融合层分别与不同所述细节特 征提取层连接， 各 所述融合子网络的维度转换层均 与所述视角特 征提取网络连接 。 6.根据权利要求4所述的方法， 其特征在于， 所述车辆提取模型由样本图像集合训练得 到， 所述样本图像集合包括若干样本车辆图像， 且所述细节特征提取网络在所述视角特征 提取网络训练收敛之后再进行训练。 7.根据权利要求6所述的方法， 其特征在于， 所述样本车辆 图像标注有样本视角， 所述 视角特征提取网络的训练步骤 包括： 提取所述样本车辆图像的样本 视角特征；权　利　要　求　书 1/2 页 2 CN 114782784 A 2基于所述样本 视角特征进行视角预测， 得到预测视角； 基于所述样本视角和所述预测视角之间的差异， 调整所述视角特征提取网络的网络参 数。 8.根据权利要求6所述的方法， 其特征在于， 所述样本 图像集合标注有参考信息， 且所 述参考信息包括所述样本车辆图像两两之 间是否属于相同车辆， 所述细节特征提取网络的 训练步骤 包括： 基于所述车辆特 征提取模型分别提取 各个所述样本车辆图像的样本车辆特 征； 基于所述参考信 息， 在各个所述样本车辆图像的样本车辆特征中分别 选择得到所述样 本车辆特 征的正例车辆特 征和负例车辆特 征； 基于所述样本车辆特征分别与其正例车辆特征、 反例车辆特征之间的差异， 调整所述 细节特征提取网络的网络参数。 9.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 响应于所述第二车辆特征分别与各所述第一车辆特征之间的相似度均不满足预设条 件， 将所述第二车辆特征作为新的第一车辆特征， 并将所述第二车辆图像作为新的第一车 辆图像， 一同纳入所述车辆特 征库。 10.一种车辆识别装置， 其特 征在于， 包括： 获取模块， 用于获取车辆特征库； 其中， 所述车辆特征库包括由若干第 一车辆图像分别 提取到的第一车辆特征， 且所述第一车辆特征由所述车辆图像的细节特征和视角特征融合 得到； 提取模块， 用于对待识别车辆的第二车辆图像进行特征提取， 得到第二车辆特征； 其 中， 所述第二车辆特 征由所述第二车辆图像的细节特 征和视角特 征融合得到； 选择模块， 用于基于所述第二车辆特征分别与各所述第一车辆特征之间的相似度， 得 到所述待识别车辆的车辆信息 。 11.一种电子设备， 其特征在于， 包括相互耦接的存储器和 处理器， 所述存储器中存储 有程序指 令， 所述处理器用于执行所述程序指 令以实现权利要求 1至9任一项 所述的车辆识 别方法。 12.一种计算机可读存储介质， 其特征在于， 存储有能够被处理器运行的程序指令， 所 述程序指令用于实现权利要求1至9任一项所述的车辆识别方法。权　利　要　求　书 2/2 页 3 CN 114782784 A 3