[发明专利]基于图匹配的异构无人系统下车辆重新识别方法

权利要求书

1.一种基于图匹配的异构无人系统下车辆重新识别方法，其特征在于，利用特征提取模块、图卷积模块、图匹配模块三个模块来实现，其中，特征提取模块，基于卷积神经网络模型来实现，用于实现步骤S1；图卷积模块，用于完成步骤S2，其基于卷积神经网络模型来实现，利用图像的拓扑结构信息，对关键点进行图卷积运算，获取车辆关键点信息，并将拓扑信息融合到车辆局部特征中；图匹配模块，基于卷积神经网络模型来实现，用于实现步骤S3和S4；所述方法的具体步骤包括：

S1，获取候选集图像，利用该图像对车辆特征进行提取；

S2，对车辆局部特征进行融合；

S3，车辆特征图匹配；

S4，计算车辆图像之间的相似度，根据候选集中的所有车辆图像与目标车辆图像的相似度数值，对候选集中的车辆图像是否与目标车辆图像为同一id车辆进行判断；

所述的步骤S1，其具体包括：

S11，给定一张目标车辆图像x₁，利用已经训练好的基于VGG-16的全卷积神经网络对车辆关键点进行估计，获得车辆的K个关键点的热度图m_kp，k＝1,2,…,K，m_kp表示车辆的第k个关键点热度图；

S12，将目标车辆图像x₁与候选集中的车辆图像x₂同时输入上述训练好的全卷积神经网络，利用上述训练好的全卷积神经网络,通过全局平均池化函数提取车辆全局特征该过程表示为:

其中，m_cnn表示利用目标车辆图像x₁与候选集中的车辆图像x₂生成的特征图，g()表示全局平均池化函数；车辆全局特征和K个车辆局部特征的组合称为特征V¹；

S13，将车辆全局特征分别与K个关键点的热度图依次相乘，获得车辆K个关键点的局部特征即车辆局部特征其过程表示为：

其中，表示车辆K个关键点的局部特征构成的集合，该集合即为车辆局部特征

2.如权利要求1所述的基于图匹配的异构无人系统下车辆重新识别方法，其特征在于，

所述的步骤S2，其具体包括：

S21，对车辆全局特征做复制操作，使其维度与由K个关键点的局部特征构成的车辆局部特征的维度相同；

S22，将车辆全局特征与车辆局部特征相减，得到差异特征向量，将差异特征向量经过图卷积模块中的全连接层进行降维；

S23，将降维后的差异特征向量通过绝对值操作、归一化操作和全连接层，转化为维度为K×K的差向量V_dif，由车辆的关键点热度图得到维度为K×K的邻接矩阵，将差向量V_dif与该邻接矩阵相乘，得到自适应的差异矩阵A^*；

S24，对车辆局部特征做基于差异矩阵A^*的图卷积运算，同时将该图卷积运算的运算结果与未经图卷积运算的车辆局部特征，分别经过图卷积模块中的全连接层，将分别经过全连接层的结果进行相加，得到K个融合拓扑信息的车辆局部特征的集合

S25，将融合拓扑信息的车辆局部特征与原始的车辆局部特征相加，得到处理后的车辆局部特征；再将原始的车辆全局特征与处理后的车辆局部特征相连接，得到步骤S2的输出特征V²。