买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种基于纯视觉的特征后融合车辆重识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116343135B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310084843.3，技术领域涉及：G06V20/54；该发明授权一种基于纯视觉的特征后融合车辆重识别方法是由艾明晶;贾正宇设计研发完成，并于2023-02-09向国家知识产权局提交的专利申请。

本一种基于纯视觉的特征后融合车辆重识别方法在说明书摘要公布了：本发明是基于纯视觉的特征后融合车辆重识别方法，对车辆细粒度特征、全局特征提取模型结构进行了改进，并针对车辆朝向约束提出了一种新的度量方法。首先针对车辆的车型信息设计了一个分类模型，包括一个用于提取细粒度特征的UNet结构和对图像编码的卷积模型，模型的分类结果用于样本预筛选。对于车辆的全局特征，采用卷积神经网络和Transformer结构的模型进行编码，并进行特征的后融合。同时引入基于聚类算法的局部中心损失函数，以约束相同朝向目标的类内距离，最终使用交叉熵损失、三元组损失和局部中心损失三部分之和表示总体损失函数。本发明在VeRi776和VERI‑WILD大数据集上分别达到了0.799和0.699的mAP准确率，整体性能优于现有的大多数基于纯视觉的车辆重识别方法。

本发明授权一种基于纯视觉的特征后融合车辆重识别方法在权利要求书中公布了：1.一种基于纯视觉的特征后融合车辆重识别方法，其特征在于： 通过Unet网络结构进行细粒度感知实现车型识别模型，用于样本的预筛选；通过两类不同结构的深度神经网络的特征后融合实现图像全局特征的提取；在损失函数中融合了包括中心损失函数在内的三部分约束训练模型的参数；其实现步骤如下： S1、车型识别模型的结构设计： 车型识别模型用于利用车型标签对候选集图像进行车型的识别，并根据是否匹配决定该样本是否进入后续的全局图像匹配过程； 车型识别模型的网络结构包括一个用于编码图像全局特征的ResNet50网络和一个用于生成自适应权重的UNet结构的注意力模块，UNet网络对原图像生成一个具有同样大小的权重分配层，并将编码结果与原图像通过线性运算后作为输入传入ResNet50网络中进行特征提取，得到图像的特征向量表达；最后在该模型中接入一个全连接层，用于生成分类结果；车型识别模型使用车辆的车型标签作为评价依据并使用交叉熵损失函数进行模型的训练； 在模型的测试阶段，首先对每个待检测样本，对候选集中的所有样本进行车型的识别，并将其结果与待检测样本的实际车型进行比较，判断车型识别结果中概率最高的两个车型之中是否有与待测样本相同的车型，若不存在相同车型则将该样本标记为负类并且不参与到后续的全局特征提取过程中； S2、基于特征融合的全局特征提取网络： 全局特征提取模型用于生成图像的全局视觉信息表达，并通过相关的向量相似度计算方法进行图像之间相似度的判定；基于CNN结构和基于Transformer结构的特征提取模型各有其优势，分别适用于对于局部信息的理解和对于全局语义信息的理解，采用后融合的方式将两部分向量共同作为原图像的编码结果参与相似度计算，形成双分支的全局特征提取网络；双分支网络的具体结构分别是ResNet50和SwinTransformer网络； 在训练过程中，两分支网络单独进行训练，模型的编码结果采用BNNeck结构的处理方式进行训练：特征向量直接用于样本间相似度对比损失函数的计算，同时特征向量经过归一化处理后接入全连接层，进行分类类型的损失函数计算；在模型的推理过程中，将两网络生成的特征向量进行拼接处理，生成高维的特征，用于样本间的相似度计算； S3、度量学习方法设计： 在对全局特征提取模型的训练任务中，需要能够同时适用于车辆样本图像以及重识别任务的约束函数作为模型训练的损失函数，具体采用交叉熵损失、三元组损失、局部中心损失三种损失函数联合训练的方式，计算公式如式1所示： L＝LID+LTripelt+λLLocalCenter1 其中，LID、LTripelt和LLocalCenter分别表示交叉熵损失、三元组损失和局部中心损失，λ为局部中心损失对应的权重参数； 局部中心损失函数是对于中心损失函数在车辆样本上的优化：为避免同一类别的车辆样本特征因跨视角偏差而无法聚类到同一中心点，而导致样本在特征空间中的分布会同时受到类别和朝向的共同影响，局部中心损失函数在模型训练过程的每一轮迭代之后，使用K-means聚类的方法对每一类的样本进行聚类，得到4个聚类簇，并获得所有训练样本在特征空间中的聚类中心，以表达同类车辆样本的在多个不同视角下的实际特征分布，其具体的计算公式如式2所示： 其中，B表示一个批量中的样本数量，fj是j样本所对应的特征向量，cjN表示与j样本所对应的第N个类别的聚类中心的特征向量； 在全局特征网络的两个分支中，SwinTransformer网络仅在第二阶段的训练过程中加入局部中心损失进行参数的训练，以避免模型训练不稳定问题。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。