[发明专利]一种基于跨域迁移增强表示的车辆再识别方法

说明书

本发明公开了一种基于跨域迁移增强表示的车辆再识别方法，包括：基于低秩表示框架获取总目标函数并优化，迭代更新直至目标函数值收敛；在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射相对于源域与目标域所共有的判别性特征字典的映射相对于目标域所独有的判别性特征字典的映射并将称为判别性特征；利用映射由线性求解出该样本属性向量从而目标域的新样本均可由其属性向量和判别性特征向量z_T表示；计算目标域中待匹配车辆样本与候选样本i的属性向量之间的余弦距离再计算待匹配车辆样本与该候选样本的判别性特征向量之间的余弦距离并对两个余弦距离进行求和，对所有候选样本计算得到的{Δ_i}从大到小排序。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于跨域迁移增强表示的车辆再识别方法。

背景技术

随着城市与交通系统的发展，监控摄像头的安装越来越普及，多摄像头场景下的车辆再识别问题越来越受到研究者们的广泛关注。车辆再识别技术可以协助警方对嫌疑车辆进行锁定，这对于安防与监控具有重大意义。车辆再识别系统一般采用无重叠视域的监控系统拍摄到的车辆图像，然而，从不同摄像头中获取的车辆图像往往包含视角变化、分辨率、光照变化、模糊等问题，这给车辆再识别带来巨大的挑战。如何解决这些问题，完成高精确度的车辆再识别，成为智能交通领域的突出问题。

车辆特征表示，是车辆再识别过程中的关键一环。目前计算机视觉领域的识别任务中采取的特征包括：低层颜色、纹理、形状边缘特征，中层语义属性特征及卷积神经网络所提取的深层特征。在实际应用过程中通常将三者融合在一起使用，从而获得更加稳定的特征表示。然而，在实际特征融合过程中，由于不同类型特征之间的异构性存在噪声干扰等情况，制约着模型的识别精度。低秩约束在挖掘数据的潜在的本征表示方面具有良好的应用前景，研究者们使用低秩约束方法在提高数据特征表示能力和消除数据中的噪声方面做了一些研究。

在完成车辆再识别任务的过程中，研究者们一般采用在现有大型车辆图片数据库(源域)上先提取特征，训练车辆再识别的模型，再将这一模型应用到需要完成再识别任务的目标域上的方法。但由于源域车辆图片与目标域车辆图片之间存在车辆数据与拍摄设备之间的差异，往往在源域训练的模型，应用到目标域中再识别的效果不好。

此外，在实际应用中，目标数据库可能存在样本数量少、缺少属性标注、受到噪声污染等问题。

发明内容

本发明提供了一种基于跨域迁移增强表示的车辆再识别方法，本发明通过借助低秩在挖掘数据之间潜在联系的优势，设计一种新颖的融合源域与目标域的低秩表示框架以获得车辆图像更鲁棒本征的特征表示，并在此框架下建立源域与目标域之间的联系，将源域数据库中提供的丰富的车辆再识别先验信息迁移到目标域中以获取车辆的更高层的语义表示，从而有效完成目标数据库的车辆再识别过程，并有效地提高车辆再识别的准确性，详见下文描述：

一种基于跨域迁移增强表示的车辆再识别方法，所述方法包括：

基于源域与目标域的特征低秩表示项、跨域属性迁移项和样本间自适应关联分析项得到一种新颖的融合源域与目标域的低秩表示框架；

基于低秩表示框架获取总目标函数并优化，迭代更新直至目标函数值收敛，获取各个字典集；

在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射相对于源域与目标域所共有的判别性特征字典的映射/相对于目标域所独有的判别性特征字典的映射/并将/称为判别性特征；

利用映射由线性求解出该样本属性向量/从而目标域的新样本均可由其属性向量/和判别性特征向量z_T表示；