[发明专利]基于多损失融合模型的车辆再识别方法

说明书

本发明公开了一种基于多损失融合模型的车辆再识别方法，该方法针对车辆再识别问题，设计了一种深度卷积神经网络结构，采用一种多损失融合模型来联合监督深度卷积神经网络的训练，实现对车辆同ID样本差异和不同ID样本差异的联合优化，旨在学习到更具有辨别力的特征表达。其中，提出的多集群中心损失函数可以拉开类间距离并且拉近类内距离，使得属于同一ID的车辆特征尽可能的靠近类中心，有效提高了特征表达的辨别力。本发明提出的多损失融合模型，结合多种数据增强方式，有效地提高了车辆再识别的精度。

技术领域

本发明属于计算机视觉技术领域，具体是一种基于多损失融合模型的车辆再识别方法。

背景技术

随着社会的发展，车辆在人类生活中的使用已变得越来越普遍和重要。车辆研究也受到了广泛的关注，包括在计算机视觉领域的应用，如车辆分类，车辆检测和车辆再识别。其中车辆再识别在视频监控、公共安全和智能交通方面有很多的应用。

车辆再识别旨在从大型监控视频中的多个非重叠摄像机下识别出目标车辆。虽然可以通过识别车牌信息，但是由于视角和环境变化，在大多数情况下，很难准确的获取到所有车牌信息，这样就会造成识别的困难。此外，在大量以前的安全事件中牌照常常被遮挡、伪装甚至无法识别时，在这些情况下，车牌无法用于车辆重识别。其中车辆的车牌由于视角，物体遮挡和环境等因素而难以获取。

作为一项刚刚兴起的研究领域，虽然车辆再识别对智能交通等方面具有重要意义，但是相关的研究仍然很少。目前主流的方法如下：一种方法是使用端到端的深度神经网络，通过多组相同ID和不同ID的图片对训练卷积神经网络，在训练中学习如何同时拉近类内距离和拉远类间距离。另一种方法是寻找一种基于车辆外观的特征，主要包括车型，纹理，粘贴标志和时空等信息，再使用欧氏距离计算目标之间的相似度，并根据相似度高低进行排序得到最后结果。第一种方法有很多缺点，比如训练使用的图片对数量大，如何选择正确的样本对极大地影响最后的结果，而且网络难以收敛，需要很多的调参技巧。另一种方法需要选取具有代表性和判别性的特征。现有技术存在训练过程复杂、再识别效果差、准确率低的技术问题。

发明内容

本发明的目的在于提供一种基于多损失融合模型的车辆再识别方法。

本发明采用的技术方案为：一种基于多损失融合模型的车辆再识别方法，该方法包括如下步骤：

1)读取车辆数据集，将数据集划分为训练集和测试集，并将测试集划分为查询集和候选集，对划分后的车辆训练集依次进行数据增强操作，并进行归一化处理；

2)将车辆训练集输入用于车辆再识别的深度卷积神经网络，并输出训练好的用于再识别的特征学习网络；所述深度卷积神经网络的损失由交叉熵损失和多集群中心损失联合组成；

3)将车辆测试集输入训练好的特征学习网络进行特征提取；根据所述特征计算得到车辆再识别结果。

本发明与现有技术相比，具有以下优点：

(1)本发明方法采用多种数据增强的方式、多种损失函数结合和有效的训练策略，大大提高了在大型数据集上车辆再识别的性能；

(2)本发明方法通过对训练集图片进行数据增强，同时在网络训练中使用dropout的策略，可以避免过拟合的发生，从而提高了模型的泛化能力；

(3)本发明使用多损失进行融合训练，结合了多种损失函数的优点，不仅训练过程简单可操作，而且采样方式使用困难样本挖掘策略，使得挖掘出的样本更加有效，同时提出的多聚群中心损失旨在拉远类间距离并拉近类内距离，同时使得同一样本更加靠近类中心，使特征学习网络提取出的特征更加鲁棒。

附图说明

图1为本发明方法的网络整体框图。

图2为本发明方法基于VehicleID数据集的CMC曲线。

具体实施方式