[發明專利]基于深度特征和稀疏度量投影的車輛重識別方法及系統

有效

• 申請號: 202110014228.6
• 申請日: 2021-01-05
• 公開（公告）號: CN112699829B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 劉凱
• 申請（專利權）人: 山東交通學院
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/40;G06V10/772;G06V10/77
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本申請公開了基于深度特征和稀疏度量投影的車輛重識別方法及系統，獲取目標車輛圖像；獲取待重識別的圖像集合；對目標車輛圖像和待重識別的圖像集合中的每一幅圖像，進行深度特征提取，得到每一幅圖像的深度特征；計算目標車輛圖像的深度特征所對應的自適應稀疏投影矩陣；計算待重識別圖像集合中每一幅圖像的深度特征所對應的自適應稀疏投影矩陣；基于深度特征和深度特征對應的自適應稀疏投影矩陣，計算出目標車輛圖像的深度特征與待重識別圖像集合中每一幅圖像深度特征之間的距離；重復距離計算模塊的步驟，直到計算出目標圖像的深度特征與待重識別圖像集合中所有幅圖像深度特征之間的距離；選擇最小距離對應的圖像作為目標車輛的重識別圖像。

技術領域

本申請涉及計算機視覺技術領域，特別是涉及基于深度特征和稀疏度量投影的車輛重識別方法及系統。

背景技術

本部分的陳述僅僅是提到了與本申請相關的背景技術，并不必然構成現有技術。

當前，監控攝像頭被廣泛安裝在城市、郊區以及高速公路上，大量的車輛監控圖像被實時采集并存儲，對不同區域出現的目標車輛進行跨攝像機檢索和連續跟蹤成為現實需求，傳統方法主要采用車牌識別技術實現以上功能，但是在真實交通環境下，車輛存在著車牌遮擋、套牌、偽造、移除等情況，在該情況下，使用車牌信息進行檢索，無法準確定位目標車輛。

近年來，隨著計算機視覺和多媒體技術的不斷發展，基于監控視頻中車輛外觀信息的車輛重識別由于其重要的實用價值得到了諸多研究者的關注，這涉及到行車輛識別技術。車輛再識別的任務是在給定目標車輛在某一攝像機中的圖像，找到目標車輛在其他攝像頭下被拍攝到的圖像，以實現跨攝像頭的接力跟蹤。

但是由于攝像頭的位置不同會產生光照變化、視角變化及分辨率的差異，再加上復雜的監控場景下，車輛之間存在不同程度的遮擋，這導致類內差異(同一車輛在不同視角下產生自身差別)和類間相似(不同車輛因型號相同形成類間相似)，使得車輛重識別問題變得更加棘手。

現有的有監督車輛再識別方法可以分為基于特征學習的方法和基于度量學習的方法。基于特征學習的方法通過設計有效的特征對車輛圖像進行表達，以提高車輛外觀特征的匹配準確率。這種方法的可解釋性較強，但是由于實際交通監控環境下光照變化、視角變化以及遮擋等都會引起車輛外觀的差異，因此識別率較低。基于度量學習的方法著重利用度量損失函數學習車輛圖像之間的相似度，通過特征投影來減小光照變化、視角變化以及遮擋等造成的特征差異。

現在基于度量學習的車輛重識別方法主要是學習特定的特征投影矩陣，使得變換后的特征能夠消除視角變化引起的類內差異和類間相似的問題，Bai等人在“Improvingtriplet-wise training of convolutional neural network for vehicle re-identification”一文中設計了一個組內敏感的三元組嵌入(group-sensitive tripletembedding)方法，使用端到端的方式進行度量學習。Liu等人在“Deep Relative DistanceLearning:Tell the Difference between Similar Vehicles”提出的思想得到后人大量的關注，深度相對距離學習(Deep Relative Distance Learning，DRDL)，利用不同分支任務學習到的特征最后通過全連接層整合，得到最后的映射特征，并且本文針對三元損失函數訓練的不穩定的特點，提出構造正負樣本集并利用聚集簇損失函數(Coupled ClustersLoss)替代三元組損失函數做度量學習，能夠讓相同類別的車輛更加聚合，不同類別的車輛更加離散。但是在度量學習過程中，重識別模型對圖像在特征空間中的位置十分敏感，現在車輛重識別度量學習方法在訓練集合和測試集合特征空間的差異性以及重識別模型在其他攝像頭下的泛化能力沒有做深入的研究。

發明內容