[发明专利]一种基于特征选择卷积神经网络的目标重识别方法和装置

说明书

本发明公开了一种基于特征选择卷积神经网络的目标重识别方法和装置，所述方法包括将待重识别的原始图像输入到设有特征图选择层的特征选择卷积神经网络中对目标进行重识别等步骤，所述特征图选择层分别设置在相邻的两个卷积层之间，所述特征图选择层用于接收上一层卷积层输出的特征图组，并对所接收的特征图组所包含的特征图进行筛选，并将经过筛选后的特征图组作为下一层卷积层的输入值。通过对特征图的筛选删除，对输出的特征图进行选择再将选择结果送入下一层卷积，可以减弱与重识别无关的、不具区分度的特征图在特征选择卷积神经网络中的传播，从而减少了无关信息的干扰，提高了网络提取鲁棒特征的能力。本发明广泛应用于图像识别技术领域。

技术领域

本发明涉及图像识别技术领域，尤其是一种基于特征选择卷积神经网络的目标重识别方法和装置。

背景技术

术语解释：

车辆重识别问题：给定查询的车辆图片(Query Images)，从众多的截取自不同摄像机的候选车辆图片(Gallery Images)中，找出所有与查询图像属于同一车辆的图片，即是在多摄像头监控下的同一车辆匹配问题；

CMC：即CumulativeMatchCharacteristic，行人和车辆重识别性能评价方法。CMC将再识别问题看成是一种排序问题，CMC曲线的具体含义是指在候选行人/车辆库(Gallery)中检索待查询(Probe)的行人/车辆，前r个检索结果中包含正确匹配结果的比率；

mAP：即m个类别平均识别准确率的英文缩写。对于某个类别C，可能在多张图片上有该类别，则平均准确率AP(AveragePrecision)即每张图片上的Precision求和/含有类别C的图片数目。mAP定义为：上一步计算的所有类别的AP和/总的类别数目。

目标重识别的一个最典型的应用是在侦查等技术领域中针对车辆进行的重识别。出于侦查过程中对涉事车辆进行定位和追踪的需要，相关部门通过治安监控卡口和电子警察等卡口类视频监控设备获取高清车辆图像，然后利用目标重识别技术，以车辆作为目标，从所获取的车辆图像中得到车辆各种细节，从多张图像中匹配出目标车辆，进而完成分析车辆在路网中的行驶轨迹、挖掘车辆的出行规律等侦查工作。可见，目标重识别技术直接关系到侦查等工作是否能够顺利进行。

车辆的最显著特征是车牌号码，根据车牌号码可以唯一地确定一辆车辆。但是在实际识别过程中，经常会因涂改、伪造、拍摄不清晰甚至车辆根本无牌等因素的影响，导致无法通过车牌号码来识别车辆，在这种情况下，只能通过车辆的外观来识别车辆。

传统的目标重识别方案可以归类为度量学习和特征学习两类思路。其中，基于度量学习的方法是利用样本训练一个度量方法，通过学习一个合适的距离度量，在这个距离度量下能够使同类样本数据的相似度增大，非同类样本的相似度减小，即通过度量学习找到一个合理的特征空间映射，使得在新的空间中样本之间的特征分布更为合理，例如，Dikmen M等人所著的Pedestrian recognition with a learned metric(发表于LectureNotes in Computer Science)公开了一种基于马氏距离学习的方法，Joachims T等人所著的Optimizing search engines using clickthrough data(发表于ACM)公开了一种基于排序支持向量机(RankSVM)的方法，上述两篇论文所公开的方法就是基于度量学习的方法，这类方法通常需要人工设计特征，识别效果在一定程度上依赖于特征的提取，泛化能力较差。

基于特征学习的方法是将多种特征方法进行结合以获取更好的重识别效果，例如Yu G等人所著的An algorithm for fully affine invariant comparison(发表于ImageProcessing On Line)公开了一种利用目标的颜色特征、尺度不变特征等多种特征来进行重识别的方法。由于重识别问题对提取特征的鲁棒性要求很高，特别是在没有车牌信息且车辆特征差异不明显的情况下，传统的特征学习方法难以取得很好的识别效果。