[发明专利]基于图卷积神经网络的车辆重识别方法

说明书

本发明提供了一种基于图卷积神经网络的车辆重识别方法。包括：构建用于车辆重识别的网络模型，使用卷积神经网络提取待重识别的车辆图像的全局和局部特征，利用图卷积神经网络得到结构化特征，利用结构化特征计算网络模型的损失函数；根据损失函数训练网络模型，将待重识别的车辆图像和测试集的所有图像输入到训练好的网络模型中，分别得到待测图片和测试集的所有图像的图片特征，根据图片特征计算出待测图片和测试集的各个图像之间的相似性，根据相似性得到待重识别的车辆图像的重识别结果。本发明通过使用图卷积神经网络挖掘局部特征与局部特征、局部特征与全局特征之间的结构化信息，从而获得更优更全面的特征表达，提高了车辆重识别的精度。

技术领域

本发明涉及车辆重识别技术领域，尤其涉及一种基于图卷积神经网络的车辆重识别方法。

背景技术

随着城镇化建设和人民经济基础的提高，车辆的保有量大幅提升。为了对这些车辆进行更好的管理和监测，城市内的交通路口等位置被安装了大量的摄像头，每天都能产生海量的交通数据。这些数据可以应用于交通管理、智能安防等领域中的自动收费、特定车辆搜寻追踪等场景。要实现这些应用均需要实现对特定车辆的检索，即对特定车辆的重新识别(车辆重识别)。车辆重识别任务是指:在给定一张测试图片的前提下，找出跨摄像头拍摄的同一辆车的图片。车牌作为车辆独一无二的标识，存在模糊、遮挡和虚假拍照的问题。另外由于涉及到隐私问题，科研人员往往无法获得具有车牌信息的数据集。因此，近些年车辆重识别方法大多数都是对车辆整体进行纯视觉的研究。

2012年后，随着算力的大幅提升和海量的数据产出，深度学习方法在各个领域不断刷新着性能表现的最高记录。另外，对于图结构等非欧式数据，基于卷积神经网络的深度学习方法不再适用，而基于图卷积神经网络的深度学习方法由于可以提取图结构的空间特征而逐渐显现出其优势，在视频分类、骨骼行为识别以及多标签图像识别等领域取得了显著成果。

近年来，车辆重识别任务基本上使用深度学习的方法来实现。按照训练损失划分，可以分为分类学习和度量学习；按照粒度划分，可以分为粗粒度学习和细粒度学习；按照数据类型的不同可以分为基于单帧图像的学习和基于视频序列的学习。另外还有使用生成对抗网络的方法以及加入时空信息提高准确率的方法。

尽管近年来车辆重识别的方法多样，一个大趋势是除了提取全局特征，还要提取更优更具代表性的车辆局部特征。有的方法直接将提取的全局特征水平划分为若干部分，有的方法训练了目标检测网络，检测车辆的车窗，车灯等局部区域并提取局部特征，还有的方法提取车辆结构关键点处的特征最终进行融合得到局部特征。但是，这些现有技术的方法都没有考虑局部特征与局部特征、局部特征与全局特征之间的结构化信息,使得提取出的特征存在信息上的缺失导致较难获得更优的结果。

发明内容

本发明的实施例提供了一种基于图卷积神经网络的车辆重识别方法，以克服现有技术的缺点。

为了实现上述目的，本发明采取了如下技术方案。

一种基于图卷积神经网络的车辆重识别方法，包括：

对车辆图片数据集中的图像数据进行预处理，将预处理后的车辆图片数据集划分为训练集和测试集；

构建用于车辆重识别的网络模型，使用卷积神经网络提取待重识别的车辆图像的全局特征和局部特征，构建具有六个顶点的图结构，将全局特征和局部特征作为所述图结构的顶点特征，输入到图卷积神经网络中学习结构化信息，得到结构化特征，利用所述结构化特征计算出所述网络模型的损失函数；

根据所述损失函数利用所述训练集中的图像数据对所述网络模型进行深度学习训练，得到训练好的深度学习网络模型；

将待重识别的车辆图像和所述测试集中的所有图像输入到所述训练好的深度学习网络模型中，分别得到待测图片和测试集中的所有图像的图片特征，根据图片特征计算出待测图片和测试集中的各个图像之间的相似性，根据相似性得到所述待重识别的车辆图像的重识别结果。