(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 202210861563.4 (22)申请日 2022.07.20 (71)申请人 安徽江淮 汽车集团股份有限公司 地址 230601 安徽省合肥市经济技 术开发 区紫云路99号 (72)发明人 杨天波　吴琼　丁钊　束照坤　 (74)专利代理 机构 北京维澳专利代理有限公司 11252 专利代理师 常小溪 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于分割式神经网络的多端联合车辆重识 别方法 (57)摘要 本发明公开了一种基于分割式神经网络的 多端联合车辆重识别方法， 本发 明的主要设计构 思在于， 将用于识别车辆的完整的分类神经网络 以分割点进行分割， 并分别部署为车端的浅层子 网络和路侧边缘云的剩余层子网络， 在真实的重 识别任务中， 优 先通过车端进行推理分类并得到 最终重识别结果， 而若车端推理结果的置信度不 满足期望， 才将车端推理结果继续交由路侧端进 行后续识别推理， 也即是仅当车端资源难以完成 针对复杂任务的处理则再借助更深层次的路侧 端子网络进行后续处理。 本发明借助分割式的 图 像分类网络完成运算资源的合理部署并以车端 为处理基础， 从而能够充分利用车端自身及路侧 边缘云端的算力， 提升对目标车辆的识别分类精 度。 权利要求书1页 说明书4页 附图1页 CN 115187961 A 2022.10.14 CN 115187961 A 1.一种基于分割式神经网络的多 端联合车辆 重识别方法， 其特 征在于， 包括： 利用预先基于车辆图像样本构建的数据集训练分割式图像分类多层神经网络并确定 分割点； 将训练后的分割式图像分类多层神经网络基于所述分割点拆分为两个子网络， 并分别 部署到车端移动数据中心以及路侧边 缘云中； 在车辆重识别场景中， 采集本车附近的多副车辆图像并输入至部署在本车的车端移动 数据中心中的车端子网络中进行推理； 根据车端的推理结果的置信度， 决策推理任务在车端移动数据中心或路侧边缘云中完 成推理并得到最终的车辆 重识别结果。 2.根据权利要求1所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在 于， 所述分割式图像分类多层神经网络的分割方式采用随机分割 策略， 在所述随机分割 策 略中约束部署在车端的浅层子网络的网络层数小于 部署在路侧端子网络的网络层数。 3.根据权利要求1所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在 于， 所述训练分割式图像分类多层神经网络包括： 对分割式图像分类多层神经网络进行二 值化压缩处 理。 4.根据权利要求1所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在 于， 所述拆 分为两个子网络包括： 对应所述分割点， 在 整个分割式图像 分类多层神经网络中 配置相应的虚拟退 出节点。 5.根据权利要求1～4任一项所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在于， 所述决策推理任务在车端移动数据中心或路侧边缘云中完成推理并得到最 终 的车辆重识别结果包括： 若车端推理的置信度 大于预设阈值， 则确定在本车的车端移动数据中心利用浅层子网 络完成推理， 并由所述虚拟退 出节点退 出本地推理过程， 最终返回车辆 重识别结果。 6.根据权利要求5所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在 于， 所述决策推理任务在车端移动数据中心或路侧边缘云中完成推理并得到最终的车辆重 识别结果还 包括： 若车端推理的置信度小于预设阈值， 则将车端的当前推理结果上传到部署在路侧边缘 云中的路侧端子网络中进行后续推理运 算， 并最终返回车辆 重识别结果。 7.根据权利要求6所述的基于分割式神经网络的多端联合车辆重识别方法， 其特征在 于， 所述当前推理结果包括以特 征图表征的中间结果。权　利　要　求　书 1/1 页 2 CN 115187961 A 2基于分割式神经 网络的多端联合车辆重识别方 法 技术领域 [0001]本发明涉及自动驾驶技术领域， 尤其涉及 一种基于分割式神经网络的多端联合车 辆重识别方法。 背景技术 [0002]地面车辆目标识别技术是智能交通系统的重要任务， 而对于车辆目标识别的研究 具有重要的学术价值， 同时也会产生巨大的社会经济效益。 在自动 驾驶中， 可以通过分析判 断出近几个、 几十个小时中， 自动 驾驶车辆周围车辆的行驶轨迹及跟踪轨迹之类， 具有重要 的技术意义。 [0003]目标识别以往有基于多传感器的融合识别方案， 因为在复杂环境下对车辆进行有 效识别和稳定跟踪非常困难， 仅依靠一种或少数几种识别手段很难准确实现， 因而必须尽 可能结合声、 震动、 红外、 激光、 雷达、 磁等多种传感器所收集到的多种目标属性信息进 行融 合识别， 并将识别结果反馈到各传感器进 行优化， 达到更高的识别准确率。 而 该方案的主要 缺点是： 1)未形成基本的理论框架和广义融合算法； 2)在融合时， 对多传感器观测结果进 行 关联可能会存在关联二 义性； 3)融合的容 错性或稳健 性没有得到有效解决。 [0004]由此， 本领域还提出采用多种分类方法的综合识别技术， 赖于多种分类方法的综 合运用， 以提高识别准确率.如遗传算法、 统计模型算法、 神经网络、 SVM等与其他识别理论 (如分形与分维几何、 模糊集理论、 粗糙集理论、 D ‑S证据理论)的优化结合， 都将是有意义的 车辆识别的研究方向。 [0005]在该类方案之中， 目前基于神经网络的分类方法是主流的研究方向， 但是， 由于车 端自搭载的摄像设备 的计算能力有限， 致使部署的神经网络模型规模受到限制， 从而对采 集到的目标 车辆的识别分类精度存在较大的影响。 发明内容 [0006]鉴于上述， 本发明旨在提供一种基于分割式神经网络的多端联合车辆重识别方 法， 以实现在采用主流的基于神经网络的多分类方案同时， 解决自动驾驶车辆上自搭载摄 像头算力有限而限制识别精度的问题。 [0007]本发明采用的技 术方案如下： [0008]本发明提供了一种基于分割式神经网络的多 端联合车辆 重识别方法， 其中包括： [0009]利用预先基于车辆图像样本构建的数据集训练分割式图像分类多层神经网络并 确定分割点； [0010]将训练后的分割式图像分类多层神经网络基于所述分割点拆分为两个子网络， 并 分别部署到车端移动数据中心以及路侧边 缘云中； [0011]在车辆重识别场景中， 采集本车附近的多副车辆图像并输入至部署在本车的车端 移动数据中心中的车端子网络中进行推理； [0012]根据车端的推 理结果的置信度， 决策推 理任务在车端移动数据中心或路侧边缘云说　明　书 1/4 页 3 CN 115187961 A 3