[发明专利]一种属性和状态引导的结构嵌入车辆重识别系统和方法

权利要求书

1.一种属性和状态引导的结构嵌入车辆重识别系统，其特征在于，通过基于属性的增强和基于状态的弱化来学习车辆重识别中具有判别力的特征，包括：残差网络模块、基于属性的增强和扩展模块、基于状态的削弱和收缩模块以及全局结构嵌入模块；

所述的残差网络模块用于提取可见光特征图，然后将特征图复制成三份，一份输入到基于属性的增强和扩展模块，一份输入到基于状态的弱化和收缩模块，一份通过全局平均池化和全连接操作得到类别得分；

所述的基于属性的增强和扩展模块用于通过与身份相关的属性信息来增强对车辆特征的识别，并通过基于属性的扩展损失函数来增加不同车辆之间的特征间距；

所述的基于属性的扩展损失函数的设计方法如下：

输入一张车辆图像I，首先经过残差网络获取到这张车辆图像的特征图T；

将车辆图像的特征图T拷贝三份，其中第一份传入基于属性的增强和扩展模块；

然后将特征图T输入不同属性对应的1×1的卷积块，获得与属性相关的特征图：

将与属性相关的特征图进行批正则化BN操作和修正线性单元ReLU操作得到：

再进行全局平均池化操作，得到与属性相关的特征：

引入属性相关的标签增加一层全连接层FC，使得与属性相关的特征在端到端的训练中受到标签的约束，属性相关的标签约束公式化为：

然后计算当前车辆相对于所有车辆的属性的均值的特征分布，‖·‖₂代表l₂范数：

设计一个基于属性的扩展损失函数，迫使网络在端到端的训练中让与属性相关的特征分布不断扩展，扩展公式为：

其中，i代表属性的种类，分别为：车辆的颜色属性、车辆的类型属性、车辆的厂商属性；

所述的基于状态的削弱和收缩模块用于弱化干扰识别的状态信息，并通过基于状态的收缩损失函数来减小类内特征间距；

所述的基于状态的收缩损失函数的设计方法如下：

输入一张车辆图像I，首先经过残差网络获取到这张车辆图像的特征图T；

将车辆图像的特征图T拷贝三份，其中第一份传入基于状态的削弱和收缩模块；

然后将特征图T输入不同状态对应的1×1的卷积块，获得与状态无关的特征图：

将与状态无关的特征图进行批正则化BN操作和修正线性单元ReLU操作得到：

T_j^stt＝ReLU(BN(T_j^st))

再进行全局平均池化操作，得到与状态无关的特征：

f_j^st＝GAP(T_j^stt)

引入状态无关的标签增加一层全连接层(FC)，使得与状态无关的特征在端到端的训练中受到标签的约束，状态无关的标签约束公式化为：

然后计算当前车辆相对于所有车辆的不同状态均值的特征分布，‖·‖₂代表l₂范数；

设计一个基于状态的收缩损失函数，迫使网络在端到端的训练中让不同状态特征分布不断收缩，状态的收缩公式为：

其中，j代表状态的种类，分别为：相机的编号、车辆的视点、拍摄时间；

所述的全局结构嵌入模块用于基于属性的增强和基于状态的弱化运算得到最终的车辆特征向量，通过最终的特征向量来计算类别得分，将类别得分传递给检索库，判断车辆有没有在其他摄像机中出现。