[發(fā)明專利]一種基于改進深度相對距離學(xué)習(xí)模型的車輛再識別方法

有效

• 申請?zhí)枺?/td>: 202010685999.3
• 申請日: 2020-07-16
• 公開（公告）號: CN111914911B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計）人: 胡聰;李超;許川佩;朱愛軍;黃喜軍;張本鑫;梁志勛
• 申請（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市持衡專利商標事務(wù)所有限公司 45107
• 代理人: 陳躍琳

本發(fā)明公開一種基于改進深度相對距離學(xué)習(xí)模型的車輛再識別方法，利用RepNet的特性，負責(zé)標簽屬性分類的粗粒度學(xué)習(xí)通道將車輛的顏色信息和車輛型號信息提取出來，通過抑制層將提取的特征對后面的細粒度相似性學(xué)習(xí)進行反饋，消除掉那些嵌入到細粒度學(xué)習(xí)通道中的粗粒度屬性特征，這樣既節(jié)省了訓(xùn)練時間，又可以讓細粒度學(xué)習(xí)時將更多地注意力關(guān)注在復(fù)雜特征的提取上，來提高識別精度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于改進深度相對距離學(xué)習(xí)(DRDL)模型的車輛再識別方法。

背景技術(shù)

車輛再識別技術(shù)主要應(yīng)用在視頻監(jiān)控方面，例如監(jiān)測某個特定的車輛是否出現(xiàn)。為了監(jiān)測公共交通，大多數(shù)交通擁擠的區(qū)域已經(jīng)安裝了大量的監(jiān)控攝像機，使得車輛的信息獲取更加方便。現(xiàn)在大多數(shù)車輛再識別算法本質(zhì)上是汽車車牌的識別，其首先將車牌的位置在圖片中定位出來，然后通過對圖像預(yù)處理、特征提取、車牌字符識別等技術(shù)，識別出車輛牌號從而得到車輛的其他信息。顯然車牌是車輛的獨特識別碼，車牌識別也己經(jīng)在運輸管理等方面得到廣泛應(yīng)用。然而，由于視角和環(huán)境引起的挑戰(zhàn)，在大多數(shù)情況下，很難準確的從視頻錄像中獲取所有車牌信息，這樣就會造成識別的困難。哪怕是高清卡口相機，多數(shù)時，也不能很好進行車牌捕獲，并且識別到的有些會是特殊的車牌，有些車牌可能模糊不清，甚至有些車是沒有車牌的，這樣就會造成這些攝像機拍攝的圖像或視頻數(shù)據(jù)的可識別性能急劇下降。此外，在大量以前的安全事件中牌照常常被阻擋、移除、甚至偽裝，在這些情況下，車牌無法用于車輛重新識別。

發(fā)明內(nèi)容

本發(fā)明所要解決的是現(xiàn)有基于汽車車牌來實現(xiàn)車輛再識別方法容易出現(xiàn)識別困難的問題，提供一種基于改進深度相對距離學(xué)習(xí)模型的車輛再識別方法。

為解決上述問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

一種基于改進深度相對距離學(xué)習(xí)模型的車輛再識別方法，包括步驟如下：

步驟1、構(gòu)建改進深度相對距離學(xué)習(xí)模型，該改進深度相對距離學(xué)習(xí)模型將圖像深度卷積后的特征分為兩個流：一個為屬性分類流，其具有softmax損失函數(shù)；一個為相似性學(xué)習(xí)流，其具有焦點損失函數(shù)；同時在兩個流之間添加抑制層，該抑制層將相似性學(xué)習(xí)流的第一層特征與屬性分類流中最終層特征交互后作為相似性學(xué)習(xí)流的最終層特征；

步驟2、將給定的車輛數(shù)據(jù)集分成訓(xùn)練集和測試集，其中車輛數(shù)據(jù)集中的圖像為同時包含車輛ID、車輛顏色和車輛型號三種標簽標簽的圖像；

步驟3、利用訓(xùn)練集對步驟1所構(gòu)建的改進深度相對距離學(xué)習(xí)模型進行訓(xùn)練，以確定模型中的網(wǎng)絡(luò)參數(shù)，由此得到訓(xùn)練好的車輛再識別模型；在訓(xùn)練過程中，將訓(xùn)練集中的圖像輸入到深度卷積網(wǎng)絡(luò)進行特征提取，并將所得到的特征分成兩個分支即標簽屬性分類分支和相似性學(xué)習(xí)分支；標簽屬性分類分支對車輛的顏色信息和車輛型號信息進行特征提取，并通過抑制層將標簽屬性分類分支所提取的特征對相似性學(xué)習(xí)分支分支的細粒度相似性學(xué)習(xí)進行反饋，消除嵌入到細粒度相似性學(xué)習(xí)中的粗粒度屬性特征；

步驟4、利用測試集對步驟3所得到的訓(xùn)練好的車輛再識別模型進行測試，以評估該訓(xùn)練好的車輛再識別模型的性能；在測試過程中，從測試集中隨機抽取兩張圖像，并對比這兩張圖像的車輛ID標簽確定其是否為同一輛車，并記錄這兩張圖像的編號和對比結(jié)果，生成一組測試數(shù)據(jù)；使用訓(xùn)練好的車輛再識別模型來計算出預(yù)定組數(shù)的測試數(shù)據(jù)的閾值和準確率，并進行統(tǒng)計后得出最佳閾值與準確率，將最佳閾值作為設(shè)定閾值；將測試集輸入到訓(xùn)練好的車輛再識別模型中，獲取每一幅圖像對應(yīng)的最終特征向量，并計算該每組測試數(shù)據(jù)中的兩幅圖像的最終特征向量的夾角余弦；將夾角余弦與設(shè)定閾值進行比對，若大于設(shè)定閾值則認為這兩幅圖像為同一輛車，否則認為這兩幅圖像為同一輛車；最后計算MAP值作為評估模型性能指標；

步驟5、將兩幅車輛圖像送入到步驟3所訓(xùn)練好的車輛再識別模型中，得到這兩幅車輛圖像是否為同一輛車的判定，以實現(xiàn)車輛再識別。

上述步驟1中，抑制層為級聯(lián)抑制層。