[發明專利]一種基于多損失聯合學習的車輛重識別方法

在審

• 申請號: 202210502081.X
• 申請日: 2022-05-09
• 公開（公告）號: CN115049989A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 孫亞杰;孫瑩瑩;曹小玲
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/82;G06V10/764;G06V10/25;G06V10/46;G06V10/74;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陳月菊

1.一種基于多損失聯合學習的車輛重識別方法，其特征在于，所述車輛重識別方法包括以下步驟：

S1，對導入的車輛交通圖像進行預處理，從中裁剪得到相同尺寸的車輛圖像，對裁剪后的車輛圖像進行隨機擦除，得到車輛圖像樣本；

構建車輛重識別模型，車輛重識別模型包括ResNet50網絡模型、丟失網絡、BN層和全連接層；

S2，采用ResNet50網絡模型提取得到車輛圖像樣本中的車輛關鍵特征；

S3，將提取得到的車輛關鍵特征映射到特征空間中，車輛圖像樣本在特征空間中的距離用于反映圖像之間的相關性；對丟失網絡不斷訓練和學習，使具有相同ID的車輛樣本在特征空間中形成聚類；其中，通過在隨機生成的小批量樣本里選擇具有相同顏色的不同款式的車輛樣本，作為困難三元組；采用三元組損失學習相似性度量，最小化正樣本對之間的距離，同時最大化負樣本對之間的距離；計算得到相應的批量困難三重損失L_t；

S4，利用BN層對生成的全局特征進行歸一化和緯度約減處理，提取得到車輛特征f_i，將車輛特征f_i送入全連接層；

S5，使用困難三重損失函數L_t、ID損失函數L_ID和圓損失函數L_c來對特征向量進行聯合學習，增強車輛重識別模型對相似樣本的鑒別能力，擴大不同類型車輛的特征差異，提取更具區分和更高判別力的全局特征；ID損失函數用于對輸入具有相同ID或者不同ID的車輛圖像樣本的特征向量進行學習；圓損失函數用于學習類別區分性信息；

S6，采用測試集對車輛重識別模型進行測試。

2.根據權利要求1所述的基于多損失聯合學習的車輛重識別方法，其特征在于，所述車輛重識別方法還包括以下步驟：

S7，將待識別的車輛圖像導入車輛重識別模型，提取得到相應的特征向量；

將待識別的車輛圖像的特征向量與有效地理區域內的視頻圖像的車輛的特征向量進行對比，利用相似度計算公式，搜索出相似度最高的車輛目標圖像，輸出最終識別結果。

3.根據權利要求1所述的基于多損失聯合學習的車輛重識別方法，其特征在于，步驟S1中，對導入的車輛交通圖像進行預處理，從中裁剪得到相同尺寸的車輛圖像，對裁剪后的車輛圖像進行隨機擦除，得到車輛圖像樣本的過程包括以下步驟：

S11，對車輛圖像進行幾何變換、水平翻轉、鏡像源處理使數據更加多樣化；

S12，從整幅圖像中將車輛部分裁剪成相同尺寸并提取；

S13，對提取的車輛圖像進行隨機擦除，針對不同的epoch，在原始圖像中去除一個預先定義范圍的矩形塊。

4.根據權利要求1所述的基于多損失聯合學習的車輛重識別方法，其特征在于，步驟S2中，采用ResNet50網絡模型提取得到車輛圖像樣本中的車輛關鍵特征的過程包括以下步驟：

S21，加載ResNet50網絡模型，使用該網絡模型的參數作為初始參數來進行訓練；

S22，采用訓練完成的ResNet50網絡模型提取得到車輛的關鍵特征。

5.根據權利要求1所述的基于多損失聯合學習的車輛重識別方法，其特征在于，步驟S3中，采用廣義平均池將ResNet50網絡模型生成的特征聚合成全局特征。

6.根據權利要求1所述的基于多損失聯合學習的車輛重識別方法，其特征在于，步驟S3中，根據下述公式計算車輛圖像樣本對之間的歐式距離：

式中，d(x,y)是指兩個樣本對特征向量之間的歐式距離，x和y分別指兩個樣本對提取的特征向量，num是特征向量中元素的個數，k是特征向量中的每個元素索引，x_k和y_k分別是兩個樣本的特征向量中索引為k的元素的值。