[發明專利]一種利用弱監督區域推薦的車輛重識別方法

有效

• 申請號: 202110566479.5
• 申請日: 2021-05-24
• 公開（公告）號: CN113177518B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 徐勝軍;葉松濤;孟月波;劉光輝;韓九強;史亞;王艷;劉求緣;郝明;詹博涵;鄧博文
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/774;G06V10/764;G06V10/82;G08G1/017
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種利用弱監督區域推薦的車輛重識別方法，其特征在于，包括以下步驟：

S1、獲取車輛圖像數據，并將車輛圖像數據設置為同一大小，分別構建車輛重識別訓練集T、查詢集Q與圖庫集G，對車輛重識別訓練集T進行裁剪、翻轉、旋轉和歸一化數據增強操作；

S2、設計弱監督區域推薦網絡模型結構，包括骨干網絡，全局分支網絡和局部分支網絡，采用批量訓練方法將步驟S1得到的車輛重識別訓練集T輸入骨干網絡中獲取特征映射F_i，將特征映射F_i輸入至全局分支網絡和局部分支網絡，獲取全局特征和多尺度局部特征；

構建局部分支網絡具體為：

構建局部區域推薦模塊用于獲取車輛圖像中具有辨識度的局部特征，局部區域推薦模塊包含具有三層特征金字塔結構的卷積層，通過對特征映射Fⁱ進行連續的空間下采樣，獲取目標車輛在不同空間分辨率的多尺度特征；利用滑動窗口在多尺度特征上生成不同大小和長寬比的錨框；設計兩層卷積層用于計算錨框所提取的區域特征的信息量I，并使用非極大值抑制技術剔除相互覆蓋的區域；按照信息量大小對區域特征進行排序，提取出前3個信息最大的區域其對應的信息量分別為對Fⁱ按照區域執行感興趣區域對齊池化，獲取3個區域不同的細粒度局部特征進行融合以獲取多尺度局部特征使用局部三元組損失L(f_l^A，f_l^N，f_l^P)進行約束，分別增加一個批量歸一化層BN(·)、一個線性層W和一個softmax層用于獲取分類置信度并計算分類損失確保獲取到的信息量大的區域是車輛圖像的關鍵性區域，設計區域建議損失函數L(I，C)對其進行約束，區域建議損失函數L(I，C)為：

L(I，C)＝∑f(I_s-I_i)

其中，函數f(x)＝max(1-x，0)，I_s為第s個區域的信息量，I_i為第i個區域的信息量；

S3、將步驟S1獲取的車輛訓練集T輸入步驟S2設計的弱監督區域推薦網絡模型結構中，使用適應性梯度下降算法以端到端的方式監督弱監督區域推薦網絡模型結構的訓練，得到訓練好的弱監督區域推薦網絡模型；

S4、將步驟S1獲取的車輛查詢集Q與圖庫集G輸入步驟S3訓練好的弱監督區域推薦網絡模型，提取車輛的全局特征與局部特征，通過拼接融合的方式獲取最終的特征，計算車輛查詢集Q和圖庫集G的特征之間的余弦相似度，根據相似度大小獲取車輛重識別結果。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，獲取多段車輛監控視頻；使用預先訓練的車輛檢測器定位并裁剪監控視頻中的車輛圖像；使用人工標注方法將車輛圖像中同一車輛標注為獨立的標簽，循環獲取車輛數據集，將獲取的車輛數據集劃分為訓練集T、查詢集Q與圖庫集G。

3.根據權利要求1所述的方法，其特征在于，步驟S2中，構建全局分支網絡具體為：

使用全局平均值池化操作對特征映射F_i在長度和寬度方向上求平均值，在壓縮特征分辨率的同時保留車輛的整體信息，得到全局特征描述符然后設計一個批量歸一化層BN(·)、一個線性層W和一個softmax層用于獲取特征的分類結果p_g；最后使用全局三元組損失和全局分類損失對全局分支進行約束。

4.根據權利要求3所述的方法，其特征在于，全局三元組損失具體為：

將一個批量B中的圖像組成三元組I_A，I_N，I_P輸入至全局分支，獲取其全局特征描述符后計算三元組損失：

其中，分別表示組成三元組的源樣本、負樣本和正樣本的全局特征向量，和分別代表正樣本對和負樣本對的歐式距離，m代表三元組損失的間距閾值，[·]₊代表取正值。

5.根據權利要求3所述的方法，其特征在于，全局分類損失具體為：

其中，p_g為分類結果預測值，為分類結果真值，n為批量大小。