特征向量转换模型处理方法、装置、服务器及存储介质制造方法及图纸

本申请公开了一种特征向量转换模型处理方法、装置、服务器及计算机存储介质。其中，特征向量转换模型处理方法，包括：将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；对初始特征向量集进行特征向量融合处理，得到目标特征向量集，目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值；根据初始特征向量集与目标特征向量集，分别建立与每一车辆识别模型关联的目标特征向量转换模型。本申请实施例有效克服了现有技术中所存在的数据割裂的缺陷，进而有助于准确对车辆进行识别。

【技术实现步骤摘要】
特征向量转换模型处理方法、装置、服务器及存储介质
本申请属于机器学习
，尤其涉及一种特征向量转换模型处理方法、装置、服务器及存储介质。
技术介绍
目前，车辆识别技术已经越来越多地应用到道路交通等领域中。基于识别模型对包括车辆的影像数据进行特征向量的提取，将提取的特征向量与特征向量库进行匹配，以实现对车辆的识别，已经成为比较常见的车辆识别技术。然而，实际应用中，识别模型可能会存在多种，同一车辆的影像数据通过不同识别模型提取出的特征向量之间也会存在差距。换而言之，不同识别模型提取出的特征向量存在数据割裂的情况，导致难以准确对车辆进行识别。
技术实现思路
本申请实施例提供一种特征向量转换模型处理方法、装置、服务器及存储介质，以解决相关技术中不同识别模型提取出的特征向量存在数据割裂的情况，导致难以准确对车辆进行识别的问题。第一方面，本申请实施例提供一种特征向量转换模型处理方法，方法包括：将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；对初始特征向量集进行特征向量融合处理，得到目标特征向量集，目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值；根据初始特征向量集与目标特征向量集，分别建立与每一车辆识别模型关联的目标特征向量转换模型。第二方面，本申请实施例提供了一种特征向量转换模型处理装置，装置包括：第一输出模块，用于将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；融合处理模块，用于对初始特征向量集进行特征向量融合处理，得到目标特征向量集，目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值；第一建立模块，用于根据初始特征向量集与目标特征向量集，分别建立与每一车辆识别模型关联的目标特征向量转换模型。第三方面，本申请实施例提供了一种服务器，服务器包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面所示的特征向量转换模型处理方法。第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的特征向量转换模型处理方法。本申请实施例提供的特征向量转换模型处理方法，将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，对初始特征向量集进行特征向量融合处理，得到与初始特征向量集之间的相似度大于或等于第一相似度阈值的目标特征向量集，根据初始特征向量集与目标特征向量集，分别建立与每一车辆识别模型关联的目标特征向量转换模型。本实施例中，通过针对每一车辆识别模型关联的目标特征向量转换模型，有助于将各车辆识别模型输出的特征向量转换成较为通用的特征向量，有效克服了现有技术中所存在的数据割裂的缺陷，进而有助于准确对车辆进行识别。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请实施例提供的特征向量转换模型处理方法的流程示意图；图2是生成目标特征向量集的原理图图3是建立各个车辆识别模型关联的目标特征向量转换模型的原理图；图4是获取标准特征向量集的原理图；图5是本申请实施例提供的特征向量转换模型处理装置的结构示意图；图6是本申请实施例提供的服务器的结构示意图。具体实施方式下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。为了解决现有技术问题，本申请实施例提供了一种特征向量转换模型处理方法、装置、服务器及计算机存储介质。下面首先对本申请实施例所提供的特征向量转换模型处理方法进行介绍。图1示出了本申请一个实施例提供的特征向量转换模型处理方法的流程示意图。如图1所示，该方法包括：步骤101，将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；步骤102，对初始特征向量集进行特征向量融合处理，得到目标特征向量集，目标特征向量集与初始特征向量集之间的相似度大于或等于第一相似度阈值；步骤103，根据初始特征向量集与目标特征向量集，分别建立与每一车辆识别模型关联的目标特征向量转换模型。以下主要以特征向量转换模型处理方法应用于服务器为例进行说明步骤101中，预设的训练样本集，可以是包括了各种车辆的图像或者视频等。为了简化说明，可以认为训练样本集包括了M张样本图像。该训练样本集可以记为X，且有X=（x1,x2,x3,…,xi,…,xM），其中，xi,表示第i张样本图像。将训练样本集X分别输入到N个车辆识别模型中，可以输出初始特征向量集，初始特征向量集可以记为Y，Y中的各个特征向量可以称为初始特征向量。通常来说，Y中可以包括M×N个特征向量。比如，x1分别输入到N个车辆识别模型中，可以得到一个向量集Y1=（FA1,FB1,FC1,…,FN1），x2分别输入到N个车辆识别模型中，可以得到一个向量集Y2=（FA2,FB2,FC2,…,FN2），以此类推。其中，Y1与Y2均可以认为是Y的子集。当然，在实际应用中，也可以根据需要，选择性地将部分样本图像输入至某一车辆识别模型中。步骤102中，可以针对初始特征向量集Y进行特征向量融合处理，其具体的融合方式，可以包括统一向量维度、权重和的形式融合、向量连接、向量组合、向量指定以及归一化等方式中的一种或多种，此处可不做具体限定。其中，统一向量维度可以是指将Y中的各个特征向量的维度统一成预设的维度数；权重和的形式融合，可以是指将至少两个特征向量中同一维度的数值进行加权求和；向量连接，可以是指将至少两个特征向量进行连接，增加特征向量的维度；向量组合则可以是指在一维或者二维等空间中进行组合；向量指定，在一定程度上可以认为是对特本文档来自技高网...

【技术保护点】
1.一种特征向量转换模型处理方法，其特征在于，包括：/n将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；/n对所述初始特征向量集进行特征向量融合处理，得到目标特征向量集，所述目标特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值；/n根据所述初始特征向量集与所述目标特征向量集，分别建立与每一所述车辆识别模型关联的目标特征向量转换模型。/n

【技术特征摘要】
1.一种特征向量转换模型处理方法，其特征在于，包括：
将预设的训练样本集分别输入到N个车辆识别模型中，输出初始特征向量集，N为大于1的整数；
对所述初始特征向量集进行特征向量融合处理，得到目标特征向量集，所述目标特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值；
根据所述初始特征向量集与所述目标特征向量集，分别建立与每一所述车辆识别模型关联的目标特征向量转换模型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述初始特征向量集与所述目标特征向量集，分别建立与每一所述车辆识别模型关联的目标特征向量转换模型之后，所述方法还包括：
获取第一特征向量，所述第一特征向量为基于车辆识别模型对包括车辆的影像数据进行特征提取得到；
确定与所述车辆识别模型关联的目标特征向量转换模型；
基于与所述车辆识别模型关联的目标特征向量转换模型对所述第一特征向量进行转换，得到第二特征向量；
基于预设的特征向量库对所述第二特征向量进行匹配，得到对所述车辆的识别结果。


3.根据权利要求1所述的方法，其特征在于，所述对所述初始特征向量集进行特征向量融合处理，得到目标特征向量集，包括：
将所述初始特征向量集输入到特征融合模型中，输出中间特征向量集；
在所述中间特征向量集与所述初始特征向量集之间的相似度小于所述第一相似度阈值的情况下，调整所述特征融合模型关联的参数，并返回执行所述将所述初始特征向量集输入到特征融合模型中，输出中间特征向量集的步骤；
在所述中间特征向量集与所述初始特征向量集之间的相似度大于或等于第一相似度阈值的情况下，将所述中间特征向量集确定为所述目标特征向量集。


4.根据权利要求1所述的方法，其特征在于，所述根据所述初始特征向量集与所述目标特征向量集，分别建立与每一所述车辆识别模型关联的目标特征向量转换模型，包括：
获取第一特征向量集，所述第一特征向量集为将所述预设的训练样本集输入到第一车辆识别模型，输出得到的特征向量集，所述第一车辆识别模型为所述N个车辆识别模型中的任一车辆识别模型；
基于所述第一特征向量集与所述目标特征向量集，对预先建立的初始特征向量转换模型进行训练，得到与所述第一车辆识别模型关联的目标特征向量转换模型。


5.根据权利要求4所述的方法，其特征在于，所述基于所述第一特征向量集与所述目标特征向量集，对预先建立的初始特征向量转换模型进行训练，得到与所述第一车辆识别模型关联的目标特征向量转换模型，包括：
将所...

【专利技术属性】
技术研发人员：马晓龙，曾海文，
申请(专利权)人：长沙海信智能系统研究院有限公司，
类型：发明
国别省市：湖南;43