[发明专利]一种基于多视角匹配与局部特征融合的车辆再识别方法

说明书

本发明提供了一种基于多视角匹配与局部特征融合的车辆再识别方法，包括：首先利用生成对抗网络，训练不同视角相互转化的生成器，分别利用生成器对数据集中的图像单一视角生成多视角图像；然后，对生成后的图像进行特征可靠性分析，根据原始图像和生成图像的判别性特征，按照生成图像下特征提取策略进行局部显著特征提取；最后，设计多视角融合算法，按照视角的重要程度分配权重，得到包含丰富视角信息的特征向量，实现车辆的精准再识别。本发明所提出的基于多视角匹配与局部特征融合的车辆再识别方法解决了跨时空场景下同一目标不同视角图像的相互匹配问题，有效提高了车辆再识别精度。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于多视角匹配与局部特征融合的车辆再识别方法。

背景技术

公共安全是人民群众基本的需求。由于视频侦查在案件侦破、治安态势预警、大规模群体事件感知和预防等方面发挥着不可取代的重要作用，国家和社会对监控视频智能分析技术提出了更高的要求。车辆监控是视频监控的核心之一，是实现智慧交通和智能安防的基础，单纯依靠人力来识别跨摄像头下的车辆不能够满足城市交通管理和视频监控安防的需求，且会消耗大量的人力和财力。因此，基于计算机视觉技术的车辆再识别方法应运而生，车辆再识别技术成为一个热点问题，吸引了计算机视觉和人工智能领域的广泛关注。

车辆再识别技术针对图像中显著信息较少的情况，充分利用车体信息，提取视觉特征，判断不同场景下出现的车辆是否属于同一辆车，为视频监控以及公共安全提供可靠的依据，能够为未来的公路智能交通系统提供关键的技术支持。

当前车辆再识别领域采取的主要方法为根据深度神经网络，学习车辆的外观属性(颜色，纹理，形状，种类)，对提取的图像车辆特征向量进行分析，选取特定的损失函数，训练分类器模型。然而，视频监控设备采集的单一角度车辆的外观信息总是有限的，对于同一型号不同ID的车判断效果不佳。针对于上述问题，为了改进单一的只用视觉信息的再识别方法，国内外学者提出了自适应特征学习技术构造一系列候选视觉-时空路径来查询图像的起始和结束状态，确定车辆身份，来减轻测试环境中标记视频的要求。但是数据集的时空信息较少，采集较为麻烦，虽然能在一定程度上提高识别精度，但不适用于大规模复杂场景。

车辆再识别技术最近几年虽然取得较大进步，但精度仍然无法达到令人满意程度，主要存在时空信息难以获得、车辆多视角信息难以生成、车辆局部特征提取效果不好等问题，严重阻碍了车辆再识别算法性能的提升。

因此，如何克服多视角难以匹配问题，提高车辆再识别的识别精度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于多视角匹配与局部特征融合的车辆再识别方法，本发明所提出的基于多视角匹配的车辆再识别方法解决了不同视角图像的相互匹配问题，能够有效提高车辆再识别精度，大规模时空场景中能够高效识别不同拍摄角度下属于同一车辆的图像。

为了实现上述目的，本发明采用如下技术方案：

一种基于多视角匹配与局部特征融合的车辆再识别方法，包括如下步骤：

步骤1：随机选取车辆再识别数据集中的多张图像进行视角标注，利用预训练的深度残差神经网络，训练视角分类模型，然后利用训练后的视角分类模型对车辆再识别数据集中的所有图像进行视角分类；

步骤2：根据所述步骤1中的视角分类结果，利用生成对抗网络，训练通过单一视角图像生成其他视角图像的视角生成器，训练判别生成视角图像正确性的判别器，然后对车辆再识别数据集中的所有图像生成对应的不同视角图像；

步骤3：对所述步骤2中生成的视角图像进行特征分析与检测，提取可靠特征和不可靠特征，对原单一视角图像提取通用特征和强特征，然后根据所有不同视角图像和特征定义，利用目标检测工具进行局部显著特征检测；