[發(fā)明專利]基于深度特征和稀疏度量投影的車輛重識(shí)別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110014228.6
• 申請日: 2021-01-05
• 公開（公告）號(hào): CN112699829B
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 劉凱
• 申請（專利權(quán)）人: 山東交通學(xué)院
• 主分類號(hào): G06V20/54
• 分類號(hào): G06V20/54;G06V10/40;G06V10/772;G06V10/77
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 黃海麗

1.基于深度特征和稀疏度量投影的車輛重識(shí)別方法，其特征是，包括：

獲取目標(biāo)車輛圖像；獲取待重識(shí)別的圖像集合；

對目標(biāo)車輛圖像和待重識(shí)別的圖像集合中的每一幅圖像，均進(jìn)行深度特征提取，得到每一幅圖像的深度特征；

計(jì)算目標(biāo)車輛圖像的深度特征所對應(yīng)的自適應(yīng)稀疏投影矩陣；同時(shí)，計(jì)算待重識(shí)別圖像集合中每一幅圖像的深度特征所對應(yīng)的自適應(yīng)稀疏投影矩陣；

所述計(jì)算目標(biāo)車輛圖像的深度特征所對應(yīng)的自適應(yīng)稀疏投影矩陣；具體包括：

根據(jù)過完備字典，計(jì)算目標(biāo)車輛圖像的深度特征所對應(yīng)的稀疏系數(shù)；

將目標(biāo)車輛圖像的深度特征所對應(yīng)的稀疏系數(shù)視為權(quán)重，對元投影矩陣進(jìn)行加權(quán)求和，得到目標(biāo)車輛圖像的深度特征所對應(yīng)的自適應(yīng)稀疏投影矩陣；

所述過完備字典，獲取步驟包括：

初始化過完備字典D為訓(xùn)練數(shù)據(jù)空間的K聚類中心；初始化稀疏系數(shù)矩陣各個(gè)元素；所述訓(xùn)練數(shù)據(jù)，包括：已知目標(biāo)車輛圖像，和已知目標(biāo)車輛的重識(shí)別圖像；

計(jì)算特征稀疏編碼損失函數(shù)；

根據(jù)特征稀疏編碼損失函數(shù)，采用迭代訓(xùn)練策略，首先固定過完備字典D，使用梯度下降法更新稀疏系數(shù)矩陣，然后固定稀疏系數(shù)矩陣，使用梯度下降法更新過完備字典D；

所述元投影矩陣，獲取步驟包括：

采用聯(lián)合訓(xùn)練策略，拼接元投影矩陣構(gòu)建復(fù)合投影矩陣；

計(jì)算復(fù)合投影矩陣的損失函數(shù)；

根據(jù)復(fù)合投影矩陣的損失函數(shù)，采用梯度下降策略，計(jì)算復(fù)合投影矩陣的梯度值，對復(fù)合投影矩陣的梯度值進(jìn)行更新，即獲得各元投影矩陣；

基于深度特征和深度特征對應(yīng)的自適應(yīng)稀疏投影矩陣，計(jì)算出目標(biāo)車輛圖像的深度特征與待重識(shí)別圖像集合中每一幅圖像深度特征之間的距離；

重復(fù)上一步的步驟，直到計(jì)算出目標(biāo)圖像的深度特征與待重識(shí)別圖像集合中所有幅圖像深度特征之間的距離；選擇最小距離所對應(yīng)的圖像作為目標(biāo)車輛的重識(shí)別圖像。

2.如權(quán)利要求1所述的基于深度特征和稀疏度量投影的車輛重識(shí)別方法，其特征是，對目標(biāo)車輛圖像和待重識(shí)別的圖像集合中的每一幅圖像，均進(jìn)行深度特征提取，得到每一幅圖像的深度特征；具體包括：

對目標(biāo)車輛圖像和待重識(shí)別的圖像集合中的每一幅圖像，均采用改進(jìn)后的VGG-19網(wǎng)絡(luò)進(jìn)行深度特征提取，得到每一幅圖像的深度特征；

所述改進(jìn)后的VGG-19網(wǎng)絡(luò)，為將VGG-19網(wǎng)絡(luò)的最后兩個(gè)全連接層去掉，只保留前16個(gè)卷積層和第一個(gè)全連接層。

3.如權(quán)利要求1所述的基于深度特征和稀疏度量投影的車輛重識(shí)別方法，其特征是，基于深度特征和深度特征對應(yīng)的自適應(yīng)稀疏投影矩陣，計(jì)算出目標(biāo)車輛圖像的深度特征與待重識(shí)別圖像集合中每一幅圖像深度特征之間的距離；具體步驟包括：

將目標(biāo)車輛圖像的深度特征，與目標(biāo)車輛圖像的深度特征對應(yīng)的自適應(yīng)稀疏投影矩陣相乘得到第一乘積；

將待重識(shí)別圖像集合中某一幅圖像深度特征，與待重識(shí)別圖像集合中該幅圖像深度特征對應(yīng)的自適應(yīng)稀疏投影矩陣相乘得到第二乘積；

計(jì)算第一乘積與第二乘積的距離；

第一乘積與第二乘積的距離，即為目標(biāo)車輛圖像的深度特征與待重識(shí)別圖像集合中每一幅圖像深度特征之間的距離。

4.如權(quán)利要求2所述的基于深度特征和稀疏度量投影的車輛重識(shí)別方法，其特征是，所述改進(jìn)后的VGG-19網(wǎng)絡(luò)，采用ImageNet數(shù)據(jù)集預(yù)訓(xùn)練。