[发明专利]基于深度特征和稀疏度量投影的车辆重识别方法及系统

说明书

本申请公开了基于深度特征和稀疏度量投影的车辆重识别方法及系统，获取目标车辆图像；获取待重识别的图像集合；对目标车辆图像和待重识别的图像集合中的每一幅图像，进行深度特征提取，得到每一幅图像的深度特征；计算目标车辆图像的深度特征所对应的自适应稀疏投影矩阵；计算待重识别图像集合中每一幅图像的深度特征所对应的自适应稀疏投影矩阵；基于深度特征和深度特征对应的自适应稀疏投影矩阵，计算出目标车辆图像的深度特征与待重识别图像集合中每一幅图像深度特征之间的距离；重复距离计算模块的步骤，直到计算出目标图像的深度特征与待重识别图像集合中所有幅图像深度特征之间的距离；选择最小距离对应的图像作为目标车辆的重识别图像。

技术领域

本申请涉及计算机视觉技术领域，特别是涉及基于深度特征和稀疏度量投影的车辆重识别方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

当前，监控摄像头被广泛安装在城市、郊区以及高速公路上，大量的车辆监控图像被实时采集并存储，对不同区域出现的目标车辆进行跨摄像机检索和连续跟踪成为现实需求，传统方法主要采用车牌识别技术实现以上功能，但是在真实交通环境下，车辆存在着车牌遮挡、套牌、伪造、移除等情况，在该情况下，使用车牌信息进行检索，无法准确定位目标车辆。

近年来，随着计算机视觉和多媒体技术的不断发展，基于监控视频中车辆外观信息的车辆重识别由于其重要的实用价值得到了诸多研究者的关注，这涉及到行车辆识别技术。车辆再识别的任务是在给定目标车辆在某一摄像机中的图像，找到目标车辆在其他摄像头下被拍摄到的图像，以实现跨摄像头的接力跟踪。

但是由于摄像头的位置不同会产生光照变化、视角变化及分辨率的差异，再加上复杂的监控场景下，车辆之间存在不同程度的遮挡，这导致类内差异(同一车辆在不同视角下产生自身差别)和类间相似(不同车辆因型号相同形成类间相似)，使得车辆重识别问题变得更加棘手。

现有的有监督车辆再识别方法可以分为基于特征学习的方法和基于度量学习的方法。基于特征学习的方法通过设计有效的特征对车辆图像进行表达，以提高车辆外观特征的匹配准确率。这种方法的可解释性较强，但是由于实际交通监控环境下光照变化、视角变化以及遮挡等都会引起车辆外观的差异，因此识别率较低。基于度量学习的方法着重利用度量损失函数学习车辆图像之间的相似度，通过特征投影来减小光照变化、视角变化以及遮挡等造成的特征差异。

现在基于度量学习的车辆重识别方法主要是学习特定的特征投影矩阵，使得变换后的特征能够消除视角变化引起的类内差异和类间相似的问题，Bai等人在“Improvingtriplet-wise training of convolutional neural network for vehicle re-identification”一文中设计了一个组内敏感的三元组嵌入(group-sensitive tripletembedding)方法，使用端到端的方式进行度量学习。Liu等人在“Deep Relative DistanceLearning:Tell the Difference between Similar Vehicles”提出的思想得到后人大量的关注，深度相对距离学习(Deep Relative Distance Learning，DRDL)，利用不同分支任务学习到的特征最后通过全连接层整合，得到最后的映射特征，并且本文针对三元损失函数训练的不稳定的特点，提出构造正负样本集并利用聚集簇损失函数(Coupled ClustersLoss)替代三元组损失函数做度量学习，能够让相同类别的车辆更加聚合，不同类别的车辆更加离散。但是在度量学习过程中，重识别模型对图像在特征空间中的位置十分敏感，现在车辆重识别度量学习方法在训练集合和测试集合特征空间的差异性以及重识别模型在其他摄像头下的泛化能力没有做深入的研究。

发明内容