(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 202210981091.6 (22)申请日 2022.08.16 (71)申请人 深圳市万物云科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 （入驻深圳市 前海商务秘书 有限公司） (72)发明人 常可欣　袁戟　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 冯筠 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01)G06F 21/60(2013.01) G08G 1/017(2006.01) H04L 9/00(2022.01) (54)发明名称 一种部分同步的联邦学习车辆重识别方法 及系统 (57)摘要 本发明公开了一种部分同步的联邦学习车 辆重识别方法及系统， 方法包括： 多个本地端获 取各自的车辆图像数据， 并从云端下载第s轮的 全局模型的全局参数至本地， 并结合本地模型与 本地的分类器进行本地训练； 各所述本地端将本 地训练后的本地参数进行同态加密， 并上传至云 端； 云端对各所述本地参数进行解密， 并对各所 述本地参数进行加权平均， 生成第s+1轮的全局 参数， 并继续进行下一轮的联邦学习， 直至达到 收敛要求； 各本地端利用训练后的本地模型对待 识别的车辆图像数据进行识别， 得到车辆的多角 度外观特征， 并将所述多角度外观特征与登记的 车辆信息进行匹配， 确定违停的车辆车主信息。 本发明搭建了一个 保护数据隐私、 节约物业公司 算力的算法平台。 权利要求书3页 说明书8页 附图2页 CN 115331169 A 2022.11.11 CN 115331169 A 1.一种部分同步的联邦学习车辆 重识别方法， 其特 征在于， 包括： 多个本地端获取各自的车辆 图像数据， 并从云端下载第s轮的全局模型的全局参数至 本地， 并结合本地模型与本地的分类 器进行本地训练； 各所述本地端将本地训练后的本地 参数进行同态加密， 并上传至云端； 云端对各所述本地参数进行解密， 并对各所述本地参数进行加权平均， 生成第s+1轮的 全局参数， 并继续进行 下一轮的联邦学习， 直至 达到收敛要求； 各本地端利用训练后的本地模型对待识别的车辆图像数据进行识别， 得到车辆的多角 度外观特征， 并将所述多角度外观特征与登记的车辆信息进行匹配， 确定违停的车辆车主 信息。 2.根据权利要求1所述的部分同步的联邦学习车辆重识别方法， 其特征在于， 所述本地 的分类器更新方式为： 式中， 表示第s轮的本地模型， 表示第s轮的本地模型的分类器， η表示学 习率， 表示对于本地用户数据b和本地模型的分类器 计算的梯度。 3.根据权利要求1所述的部分同步的联邦学习车辆重识别方法， 其特征在于， 所述各所 述本地端将本地训练后的本地 参数进行同态加密， 并上传至云端， 包括： 所述本地端通过RSA生成公有密钥n、 加密算法e、 解密算法d， 并将所述公有密钥n和加 密算法e上传至云端； 所述云端通过哈希函数对全局参数A进行哈希计算， 并增加噪声r， 再通过加密算法e进 行加密得到 Y(A)， 然后下发至 本地端； 所述本地端使用解密算法d对所述Y(A)进行解密， 得到含有噪声的Z(A)， 并上传至云 端； 同时通过哈希函数对本地参数B进行哈希计算， 然后进行解密， 再进行二次哈希得到第 一加密数据Z(B)； 所述云端对所述Z(A)进行噪声消除， 并进行二次哈希得到第二加密数据D(A)， 并下发 至所述本地端； 所述本地端将所述第二加密数据D(A)与第一加密数据Z(B)进行对比， 得到交集参数， 并将所述交集 参数上传至云端。 4.根据权利要求1所述的部分同步的联邦学习车辆重识别方法， 其特征在于， 所述对各 所述本地 参数进行加权平均， 生成第s+1轮的全局参数， 包括： 按如下公式进行全局模型的更新： 式中， 表示第s+1轮的全局模型， 表示第s+1轮的本地模型， nc表示本轮训练中 本地模型的数据量， 表示参与本轮训练的所有本地模型的总数据量。权　利　要　求　书 1/3 页 2 CN 115331169 A 25.根据权利要求1所述的部分同步的联邦学习车辆重识别方法， 其特征在于， 所述各本 地端利用训练后的本地模型对待识别的车辆图像数据进行识别， 得到车辆的多角度外观特 征， 包括： 对所述待识别的车辆图像数据进行 预处理； 使用残差网络ResNet ‑50对所述车辆图像数据进行 特征提取， 得到特 征向量； 通过一层或者多层全连接层将特 征向量转化为可构建损失函数的o ne‑hot编码； 使用交叉熵的方法构建损失函数， 以对本地模型进行梯度优化； 通过余弦距离来计算度量矩阵， 测试特征向量与特征向量之间的距离， 以评估本地模 型的性能； 利用K‑近邻方法选取前K个最为匹配的图像， 得到一个排序列表， 以对所述本地模型进 行准确性评估。 6.根据权利要求5所述的部分同步的联邦学习车辆重识别方法， 其特征在于， 所述使用 残差网络ResNet ‑50对所述车辆图像数据进行 特征提取， 得到特 征向量包括： 通过多层的卷积网络层将所述车辆图像数据转化为特征图谱， 通过池化层将所述特征 图谱转化为特征向量。 7.一种部分同步的联邦学习车辆重识别系统， 其特征在于， 包括云端和多个本地端， 其 中， 所述云端包括： 参数生 成单元， 任一所述本地端包括： 模 型训练单元、 加密单元以及匹配 单元； 模型训练单元， 用于多个本地端获取各自的车辆图像数据， 并从云端下载第s轮的全局 模型的全局参数至 本地， 并结合本地模型与本地的分类 器进行本地训练； 加密单元， 用于各 所述本地端将本地训练后的本地 参数进行同态加密， 并上传至云端； 参数生成单元， 用于云端对各所述本地参数进行解密， 并对各所述本地参数进行加权 平均， 生成第s+1轮的全局参数， 并继续进行 下一轮的联邦学习， 直至 达到收敛要求； 匹配单元， 用于各本地端利用训练后的本地模型对待识别的车辆 图像数据进行识别， 得到车辆的多角度外观特征， 并将所述多角度外观特征与登记的车辆信息进行匹配， 确定 违停的车辆车主信息 。 8.根据权利要求7所述的部分同步的联邦学习车辆重识别系统， 其特征在于， 所述加密 单元包括： 上传子单元， 用于所述本地端通过RSA生成公有密钥n、 加密算法e、 解密算法d， 并将所 述公有密钥n和 加密算法e 上传至云端； 下发子单元， 用于所述云端通过哈希函数对全局参数A进行哈希计算， 并增加噪声r， 再 通过加密算法e进行加密得到 Y(A)， 然后下发至 本地端； 第一加密 数据获取子单元， 用于所述本地端使用解密算法d对所述Y(A)进行解密， 得到 含有噪声的Z(A)， 并上传至云端； 同时通过哈希函数对本地参数B进行哈希计算， 然后进行 解密， 再进行二次哈希得到第一加密数据Z(B)； 第二加密数据获取子单元， 用于所述云端对所述Z(A)进行噪声消除， 并进行二次哈希 得到第二加密数据D(A)， 并下发至所述本地端； 对比子单元， 用于所述本地端将所述第二加密数据D(A)与第一加密数据Z(B)进行对 比， 得到交集 参数， 并将所述交集 参数上传至云端。权　利　要　求　书 2/3 页 3 CN 115331169 A 3