车辆重识别方法及装置、存储介质及电子设备
文献发布时间:2024-04-18 19:54:45
技术领域
本公开涉及图像处理技术领域,尤其涉及一种车辆重识别方法及装置、存储介质及电子设备。
背景技术
车辆作为城市视频监控中的重要对象,在计算机视觉研究领域吸引了大量关注。车辆重识别,指用车辆的图像去图像库或者视频库中找到该车辆。车辆重识别在视频监控,智能交通和城市计算方面具有普遍应用。
现有的车辆重识别常见的有车辆特征向量生产方法,以表示一辆车独一无二的特征。图像中会有遮挡、视角等变化会导致同一辆车在不同图像中同一个语义区域在空间位置上的不对齐的情况,常通过目标检测获得检测框,再裁剪缩放来克服这些问题。然而汇导致很多信息在裁剪缩放的过程中损失。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆重识别方法及装置、存储介质及电子设备至少在一定程度上克服由于相关技术的限中车辆的特征表示难以克服裁剪缩放过程损失信息的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种车辆重识别方法,包括:获取待识别车辆的图像;基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组;将所述图像特征组输入第二神经网络,所述第二神经网络提取所述待识别车辆的全局特征;将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图;基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆。
在本公开一个实施例中,所述第一神经网络包括目标检测模型和关键点检测模型,所述基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组的步骤,包括:在所述图像的区域内,基于目标检测模型获取所述待识别车辆的外接框,根据所述外接框裁取所述子图;基于所述关键点检测模型获取所述关键点特征;基于每个所述外接框对应的所述子图和所述关键点特征配组,组成所述图像特征组。
在本公开一个实施例中,所述在所述图像的区域内,基于目标检测模型获取所述待识别车辆的外接框,根据所述外接框裁取所述子图的步骤,包括:根据检测到的中心关键点位置,利用偏移量预测调整中心关键点;基于调整后的中心关键点,利用宽高预测确定待识别车辆的外接框;基于图像裁取网络以外接框确定的边界裁取图像,得到待识别车辆的子图。
在本公开一个实施例中,根据关键点热力图上的热力点值的大小排序,每个所述外接框获取多个热力点值大的关键点特征。
在本公开一个实施例中,所述将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图的步骤,包括:基于concat算法对所述全局特征和对应的所述关键点特征进行拼接;将拼接后的图输入卷积滤波器进行融合,得到融合特征图。
在本公开一个实施例中,在所述将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图的步骤之后,所述方法还包括:
所述融合特征图通过拉伸得到融合特征,利用S型函数对所述融合特征进行独热编码,得到重识别特征。
在本公开一个实施例中,所述基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆的步骤,包括:
利用余弦距离计算所述重识别特征与所述特征仓库的特征的相似度,获得相似度结果;基于相似度结果,确定识别到的车辆。
根据本公开的另一个方面,提供一种车辆重识别装置,包括:获取模块,用于获取待识别车辆的图像;第一提取模块,用于基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组;第二提取模块,用于将所述图像特征组输入第二神经网络,所述第二神经网络提取所述待识别车辆的全局特征;融合模块,将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图;和匹配模块,基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆。
根据本公开的再一个方面,提供一种如电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的车辆重识别方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的车辆重识别方法。
本公开的实施例所提供的车辆重识别方法,基于原始图像获取的关键点特征,信息更丰富和保真,减少缩放后引起的特征丢失。将关键点特征与全局特征进行融合,提升了车辆重识别的鲁棒性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种车辆重识别系统结构的示意图;
图2示出本公开实施例中一种车辆重识别方法流程图;
图3示出本公开实施例中第一神经网络处理图像的示意图;
图4示出本公开实施例中另一种车辆重识别方法流程图;
图5示出本公开实施例中再一种车辆重识别方法流程图;
图6示出本公开实施例中又一种车辆重识别方法流程图;
图7示出本公开实施例中第二神经网络处理图像的示意图;
图8示出本公开实施例中另一种车辆重识别方法流程图;
图9示出本公开实施例中再一种车辆重识别方法流程图;
图10示出本公开实施例中一种车辆重识别装置示意图;和
图11示出本公开实施例中一种计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供的方案,综合应用目标检测和关键点检测,从原图像中获取关键点信息,并在提取全局特征后融合关键点特征,能够提高融合后图像的鲁棒性。为了便于理解,下面首先对本申请涉及到的几个名词进行解释。
Sigmoid,sigmoid函数是机器学习中的一个比较常用的函数,与之类似的还有softplus和softmax等函数。
one-hot编码,独热编码即One-Hot编码,又称一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且在任意时候,其中只有一位有效。one-hot编码就是保证每个样本中的单个特征只有1位处于状态1,其他的都是0。
本申请实施例提供的方案涉及车辆重识别等技术,具体通过如下实施例进行说明:
图1是本申请一个示例性实施例提供的计算机系统的结构示意图。该系统包括:若干个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality,增强现实)设备、VR(Virtual Reality,虚拟现实)设备等移动终端,或者,终端120也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。
其中,终端120中可以安装有用于提供车辆重识别的应用程序。
终端120与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
服务器集群140是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。服务器集群140用于为提供…的应用程序提供后台服务。可选地,服务器集群140承担主要计算工作,终端120承担次要计算工作;或者,服务器集群140承担次要计算工作,终端120承担主要计算工作;或者,终端120和服务器集群140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中,服务器集群140用于存储车辆重识别信息。
可选地,不同的终端120中安装的应用程序的客户端是相同的,或两个终端120上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web,Web)客户端等。
本领域技术人员可以知晓,上述终端120的数量可以更多或更少。比如上述终端可以仅为一个,或者上述终端为几十个或几百个,或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
可选的,该系统还可以包括管理设备(图1未示出),该管理设备与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面,将结合附图及实施例对本示例实施方式中的车辆重识别方法的各个步骤进行更详细的说明。
图2示出本公开实施例中一种车辆重识别方法流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行,例如如图1中的终端120和/或服务器集群140。在下面的举例说明中,以终端120为执行主体进行示例说明。
如图2所示,终端120执行车辆重识别方法流程图,终端120具体可以为计算机,车辆重识别方法包括以下步骤:
S202,获取待识别车辆的图像。
其中,图像来源可以是通过摄像头采集的图像,也可以是通过视频库获取的图像,此时获取的原始的图像,没有经过裁剪、压缩等操作。
S204,基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组。
其中,第一神经网络在步骤202中获取的图像上进行车辆的识别,一个图像中可以有多辆车,第一神经网络可以对多辆车分别获取子图。关键点特征在原始图像的基础上获得,保真效果佳。关键点特征可以应用在不同车辆的识别,可以通过算法将适配的关键点特征与子图组合成图像特征组。每个图像特征组包括一个子图和一个或者多个关键点特征,每个图像特征组可以用来识别一辆车,一个图像可以生成有多个图像特征组。
例如,摄像头采集到图像A,在第一神经网络处理后得到子图A1、A2、A3和关键点特征Aa、Ab。组成图像特征组T1、T2、T3,其中图像特征组T1可以包括A1和Aa,图像特征组T2可以包括A2和Aa、Ab,图像特征组T3可以包括A3和Ab。
S206,将所述图像特征组输入第二神经网络,所述第二神经网络提取所述待识别车辆的全局特征。
其中,全局图像特征是指能表示整幅图像上的特征,全局特征是相对于图像局部特征而言的,用于描述图像或目标的颜色和形状等整体特征。常见的全局特征包括颜色特征、纹理特征和形状特征。
在该实施例中,每个图像特征组都可以利用第二神经网络,分别针对每个待识别车辆提取对应的全局特征。
S208,将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图。
其中,全局特征与关键点特征进行拼接。可以是通过图像配准后,然后将图像进行切割和自动选取拼接。拼接后进步对拼接交界处的痕迹进行融合,得到融合的特征图。
S210,基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆。
其中,融合特征图作为检索图,需要与特征仓库中的特征进行特征匹配,最终根据匹配的相似度来确定识别到的车辆。
在该实施例中,通过第一神经网络提取子图和关键点特征组成多个图像特征组,再利用第二神经网络对图像特征组提取全局特征,可以对图像中的多辆车辆进行识别。通过全局特征与关键点特征进行拼接和融合,减少了缩放引起的特征丢失,提升了车辆重识别的鲁棒性。
图3示出了第一神经网络获得子图和关键点特征的过程,在一个实施例中,第一神经网络包括目标检测模型和关键点检测模型。如图4所示,步骤S204,基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组的一种具体实现方式,包括:
S402,在所述图像的区域内,基于目标检测模型获取所述待识别车辆的外接框,根据所述外接框裁取所述子图。
其中,第一神经网络包括卷积滤波器、目标检测模型、关键点检测模型等,摄像头采集的图像传入第一神经网络中经过初始处理获得第一特征图。
目标检测模型的流程可以包括外接框、特征提取和分类,常见的目标检测模型算法包括Two-stage、One-stage等。在该实施例中,可以利用目标检测模块进行外接框、特征提取和分类等操作来获取子图。
在第一特征图的基础上,利用卷积滤波器分别提取出中心点热力图、宽高热力图、偏移量热力图、关键点热力图。基于目标检测模型的中心检测方法,可以根据这些热力图找到多个车辆的外接框。继续利用目标检测模型根据外接框从图像中裁取车辆的子图。
S404,基于所述关键点检测模型获取所述关键点特征。
其中,关键点检测模型利用外接框和热力图,在第一特征图上提取特征向量。根据热力点的值的大小排序,可以取出排名前八的特征向量作为关键点特征。
S406,基于每个所述外接框对应的所述子图和所述关键点特征配组,组成所述图像特征组。
其中,将步骤S402中获得的子图和步骤S404中获得关键点特征进行配组,得到车辆的图像特征组。
在该实施例中,利用目标检测模型来获取子图,减少了特征提取网络的数量。基于原始图像获取的关键点特征,一次提取后可以用于后续每个车辆的重识别,优化图像识别过程。
如图5所示,步骤S402,在所述图像的区域内,基于目标检测模型获取所述待识别车辆的外接框,根据所述外接框裁取所述子图的一种具体实现方式,包括:
S502,根据检测到的中心关键点位置,利用偏移量预测调整中心关键点。
其中,中心关键点位置和偏移量,可以通过中心点热力图的特征提取获得。
S504,基于调整后的中心关键点,利用宽高预测确定待识别车辆的外接框。
S506,基于图像裁取网络以外接框确定的边界裁取图像,得到待识别车辆的子图。
该实施例中,外接框的获得过程中利用了中心关键点的检测,利用偏移量来对中心关键点进行调整,并基于宽高预测,能够获得精准度更佳的外接框。能够提高裁取的子图的精准度,对车辆的重识别的鲁棒性的提升有利。
如图6所示,步骤S208,将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图的一种具体实现方式,包括:
S602,基于concat算法对所述全局特征和对应的所述关键点特征进行拼接。
其中,图7示出了,第二神经网络的特征提取和特征融合过程。第二神经网络中利用了concat算法对全局特征和关键点特征进行拼接。
S604,将拼接后的图输入卷积滤波器进行融合,得到融合特征图。
其中,拼接后图像在拼接的交界处会有拼接痕迹,通过卷积滤波器可以对图像的边缘等做处理。
如图8所示,步骤S208,将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图之后还包括:
S209,所述融合特征图通过拉伸得到融合特征,利用S型函数对所述融合特征进行独热编码,得到重识别特征。
其中,图像拉伸也称对比度增强或反差增强,是通过改变图像元的亮度值来提高图像全部或局部的对比度,改善图像质量的一种方法。对融合特征图进行改善后,可以利用Sigmoid函数的激活、分类等功能,对融合特征图进行编码,以便在匹配步骤中能够梳理清楚进行比对的图。
如图9所示,步骤S210,基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆的一种具体实现方式,包括:
S902,利用余弦距离计算所述重识别特征与所述特征仓库的特征的相似度,获得相似度结果。
其中,余弦距离,也称为余弦相似度,是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,这就叫"余弦相似性"。
S904,基于相似度结果,确定识别到的车辆。
其中,在匹配后,可以查找到特征相似性最高的前3个车辆输出。在基于人工或者算法来从输出的3个车辆中确定待识别的车辆是哪一辆车。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的车辆重识别装置1000。图10所示的车辆重识别装置1000仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
车辆重识别装置1000以硬件模块的形式表现。车辆重识别装置1000包括:获取模块1002,用于获取待识别车辆的图像;第一提取模块1004,用于基于第一神经网络获取所述待识别车辆的子图和关键点特征,并组成图像特征组;第二提取模块1006,用于将所述图像特征组输入第二神经网络,所述第二神经网络提取所述待识别车辆的全局特征;融合模块1008,将所述全局特征和对应的所述关键点特征进行拼接和融合,得到融合特征图;和匹配模块1010,基于所述融合特征图与特征仓库的匹配操作,确定识别到的车辆。
下面参照图11来描述根据本发明的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于:上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1110执行,使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元1110可以执行如图2中所示的步骤S202、S204、S206、S208与S210,以及本公开的车辆重识别方法中限定的其他步骤。
存储单元1120可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202,还可以进一步包括只读存储单元(ROM)11203。
存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204,这样的程序模块11205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1130可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1100交互的设备通信,和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且,电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
- 一种行人重识别方法、系统及电子设备和存储介质
- 一种漆面识别方法、装置、存储介质及电子设备
- 欺诈行为识别方法、装置、电子设备及可读存储介质
- 命名实体识别方法、装置、电子设备、机器可读存储介质
- 一种虚假主叫识别方法、装置、电子设备及存储介质
- 车辆重识别方法、装置、电子设备及存储介质
- 车辆重识别方法、装置、存储介质及电子设备