[發明專利]一種基于感知級聯上下文的車輛重識別方法

有效

• 申請號: 202011302398.6
• 申請日: 2020-11-19
• 公開（公告）號: CN112381017B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 呂建明;莫晚成
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/44;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 詹麗紅

本發明公開了一種基于感知級聯上下文的車輛重識別方法，包括以下步驟：構造車輛圖像的特征提取模型，基礎網絡使用預訓練的ResNet?50分類網絡；將基于感知級聯上下文的注意力增強模塊嵌入到特征提取模型中；輸入車輛圖像數據集，對構建好的特征提取模型進行訓練；采用已訓練的特征提取模型進行車輛重識別任務。本發明通過在車輛圖像的特征提取模型中嵌入基于感知級聯上下文的注意力增強模塊，能夠提取出車輛圖像中更豐富、更具區分度的特征信息，從而提高了重識別任務的準確率；并且僅僅需要車輛ID一項標簽信息作為監督信號進行模型訓練，不依賴于任何細粒度的標簽信息(如車牌、車型、顏色等)。

技術領域

本發明涉及智能交通監控技術領域，具體涉及一種基于感知級聯上下文的車輛重識別方法。

背景技術

車輛重識別目前在科研領域中屬于目標重識別范疇，是計算機視覺下的子領域任務。在深度學習技術興起前，傳統的車輛重識別只能通過不斷抓拍車輛圖像，并以車牌作為車輛身份的唯一ID進行識別。不幸的是，這種技術過度依賴于對車牌的識別精度。在許多的違法犯罪事件中，牌照常常被遮擋、移除甚至偽造。在這種情況下，公安人員只能通過人眼排查視頻中車輛出現的時間地點以及車輛特征進行偵查。

目前主流的基于深度學習車輛重識別算法，幾乎都需要使用許多細粒度的標簽信息進行特征提取模型的訓練，隨后在推理過程中通過目標檢測方法中同時提取車輛整體特征和區域特征，對多種特征進行融合后通過歐氏距離或余弦距離等距離函數對車輛相似度進行排序，最后得出重識別結果。但是，這樣的方法卻有著先天性的不足：首先，要獲取更細粒度的標簽信息可能會需要更高清的拍攝設備，更大的圖像尺寸會導致整個模型推理效率的下降；其次，需要花費更多的人力物力去對細粒度區域進行標簽的標注。

針對上述方法的不足，目前亟待提出一種基于感知級聯上下文的車輛重識別方法。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于感知級聯上下文的車輛重識別方法。該方法通過在特征提取模型中嵌入基于級聯上下文的注意力增強模塊，高效地提取出車輛圖像中更豐富、更具區分度的特征信息。該方法不依賴于任何細粒度的標簽信息(如車牌、車型、顏色等)輔助訓練，僅需要車輛ID一項標簽信息作為監督信號進行模型訓練。

本發明的目的可以通過采取如下技術方案達到：

一種基于感知級聯上下文的車輛重識別方法，所述的車輛重識別方法包含以下步驟：

S1、構造車輛圖像的特征提取模型，所述的特征提取模型包括依次連接的主干網絡和分類網絡；

S2、將基于感知級聯上下文的注意力增強模塊嵌入到特征提取模型中；

S3、輸入車輛圖像數據集，對構建的特征提取模型進行訓練；

S4、采用經過訓練的特征提取模型進行車輛重識別任務。

進一步地，所述的主干網絡結構如下：