[发明专利]一种利用弱监督区域推荐的车辆重识别方法

说明书

本发明公开了一种利用弱监督区域推荐的车辆重识别方法及系统，采集道路监控摄像头捕捉的车辆图像数据，对其进行数据增强并应用于本发明所设计的弱监督区域推荐网络中；设计弱监督区域推荐网络模型的结构，区域推荐模块使用分类损失和区域建议损失函数进行优化，使其能够提取图像中具有丰富信息度的多尺度局部区域，从而获取更具有辨别力、描述力的局部区域特征，局部特征与全局特征使用三元组损失进行优化，增强网络的辨识能力；使用适应性梯度下降算法以端到端的方式监督弱监督区域推荐网络的训练，得到训练好的模型后，计算车辆查询集与图库集的相似度，根据相似度的大小排序获取车辆重识别结果。

技术领域

本发明属于车辆重识别技术领域，具体涉及一种利用弱监督区域推荐的车辆重识别方法。

背景技术

随着人民的生活水平不断提高，城市内机动车保有量急剧增加，汽车在人民的生产与生活中扮演着不可或缺的重要角色。然而汽车在方便人们生活、工作的同时也不可避免地带来了很多交通安全问题，例如违法违规行驶以及肇事逃逸等。智能城市管理是确保城市安全的重要措施，而车辆重识别是此类智能视觉监控领域的基础和重要组成部分。车辆重识别技术是指给定一张车辆图像，从非重叠视域的视频监控系统中识别出相同身份的车辆。通过将目标车辆与多个不同视角、不同场景下的监控摄像机所捕捉到的所有车辆进行匹配，获取目标车辆出现的时间、地点、次数，从而在整个道路监控系统中实现对该车辆的跟踪、定位、循迹，为交通管理和刑事侦查提供关键信息。车辆重识别技术可以缓减海量数据对道路监控系统带来的巨大压力，在智能交通领域中具有重要的研究意义和经济价值，对智慧城市、智能安防、无人驾驶等领域的发展具有推动作用。

近年来，车辆重识别技术因其重要的研究价值被广泛关注，并取得了一系列的研究成果，但在实际部署应用于城市路网监控系统时，受到路网的环境因素影响以及车辆自身特性影响，仍然存在着诸多问题亟待研究。由于无约束道路场景下的监控摄像头的遮挡、视角、光照情况不同，捕捉到的车辆图像是局部或残缺的，导致同一身份车辆呈现出截然不同的外观特征，不同身份车辆的外观却又非常相似，这种歧义性要求车辆重识别方法能够同时捕捉鲁棒的全局特征和具辨别力的局部特征。然而局部特征的获取往往依赖丰富的车辆细粒度标注信息，城市中的车辆保有量高达百万级，丰富的标注信息的获取意味着需要付出高昂的成本，这对车辆重识别技术在智慧交通领域的应用带来了极大的挑战。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种利用弱监督区域推荐的车辆重识别方法，仅使用身份信息，以弱监督方式引导模型提取车辆具有辨别力的局部区域特征描述符，通过与全局度量特征进行深度融合，形成由粗到细的多粒度特征表示用于车辆的检索和匹配。避免了模型对细粒度标注信息的依赖，提高了车辆重识别的匹配精度，更利于实现智能交通系统的工程应用。

本发明采用以下技术方案：

一种利用弱监督区域推荐的车辆重识别方法，包括以下步骤：

S1、获取车辆图像数据，并将车辆图像数据设置为同一大小，分别构建车辆重识别训练集T、查询集Q与图库集G，对车辆重识别训练集T进行裁剪、翻转、旋转和归一化数据增强操作；

S2、设计弱监督区域推荐网络模型结构，包括骨干网络，全局分支网络和局部分支网络，采用批量训练方法将步骤S1得到的车辆重识别训练集T输入骨干网络中获取特征映射F_i，将特征映射F_i输入至全局分支网络和局部分支网络，获取全局特征和多尺度局部特征；

S3、将步骤S1获取的车辆训练集T输入步骤S2设计的弱监督区域推荐网络模型结构中，使用适应性梯度下降算法以端到端的方式监督弱监督区域推荐网络模型结构的训练，得到训练好的弱监督区域推荐网络模型；

S4、将步骤S1获取的车辆查询集Q与图库集G输入步骤S3训练好的弱监督区域推荐网络模型，提取车辆的全局特征与局部特征，通过拼接融合的方式获取最终的特征，计算车辆查询集Q和图库集G的特征之间的余弦相似度，根据相似度大小获取车辆重识别结果。