[发明专利]一种基于感知级联上下文的车辆重识别方法

说明书

本发明公开了一种基于感知级联上下文的车辆重识别方法，包括以下步骤：构造车辆图像的特征提取模型，基础网络使用预训练的ResNet‑50分类网络；将基于感知级联上下文的注意力增强模块嵌入到特征提取模型中；输入车辆图像数据集，对构建好的特征提取模型进行训练；采用已训练的特征提取模型进行车辆重识别任务。本发明通过在车辆图像的特征提取模型中嵌入基于感知级联上下文的注意力增强模块，能够提取出车辆图像中更丰富、更具区分度的特征信息，从而提高了重识别任务的准确率；并且仅仅需要车辆ID一项标签信息作为监督信号进行模型训练，不依赖于任何细粒度的标签信息(如车牌、车型、颜色等)。

技术领域

本发明涉及智能交通监控技术领域，具体涉及一种基于感知级联上下文的车辆重识别方法。

背景技术

车辆重识别目前在科研领域中属于目标重识别范畴，是计算机视觉下的子领域任务。在深度学习技术兴起前，传统的车辆重识别只能通过不断抓拍车辆图像，并以车牌作为车辆身份的唯一ID进行识别。不幸的是，这种技术过度依赖于对车牌的识别精度。在许多的违法犯罪事件中，牌照常常被遮挡、移除甚至伪造。在这种情况下，公安人员只能通过人眼排查视频中车辆出现的时间地点以及车辆特征进行侦查。

目前主流的基于深度学习车辆重识别算法，几乎都需要使用许多细粒度的标签信息进行特征提取模型的训练，随后在推理过程中通过目标检测方法中同时提取车辆整体特征和区域特征，对多种特征进行融合后通过欧氏距离或余弦距离等距离函数对车辆相似度进行排序，最后得出重识别结果。但是，这样的方法却有着先天性的不足：首先，要获取更细粒度的标签信息可能会需要更高清的拍摄设备，更大的图像尺寸会导致整个模型推理效率的下降；其次，需要花费更多的人力物力去对细粒度区域进行标签的标注。

针对上述方法的不足，目前亟待提出一种基于感知级联上下文的车辆重识别方法。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于感知级联上下文的车辆重识别方法。该方法通过在特征提取模型中嵌入基于级联上下文的注意力增强模块，高效地提取出车辆图像中更丰富、更具区分度的特征信息。该方法不依赖于任何细粒度的标签信息(如车牌、车型、颜色等)辅助训练，仅需要车辆ID一项标签信息作为监督信号进行模型训练。

本发明的目的可以通过采取如下技术方案达到：

一种基于感知级联上下文的车辆重识别方法，所述的车辆重识别方法包含以下步骤：

S1、构造车辆图像的特征提取模型，所述的特征提取模型包括依次连接的主干网络和分类网络；

S2、将基于感知级联上下文的注意力增强模块嵌入到特征提取模型中；

S3、输入车辆图像数据集，对构建的特征提取模型进行训练；

S4、采用经过训练的特征提取模型进行车辆重识别任务。

进一步地，所述的主干网络结构如下：