[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

说明书

本发明公开了一种基于图匹配的异构无人系统下车辆重新识别方法，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，该三个模块均基于卷积神经网络模型来实现；本发明方法的具体步骤包括：S1，利用特征提取模块实现，获取候选集图像，利用该图像对车辆特征进行提取；S2，利用图卷积模块实现，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，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，步骤S3和S4均利用图匹配模块来实现。本发明解决了车辆多视角匹配的问题，同时一定程度上解决了目标车辆部分被遮挡的问题，且匹配结果准确率高。

技术领域

本发明涉及图像识别领域，尤其涉及一种基于图匹配的异构无人系统下车辆重新识别方法。

背景技术

重识别技术旨在从监视系统中的多个不重叠的摄像机中识别出同一身份的目标，它可以应用于智能交通系统中的实际场景，例如城市监控和安全。当前的重识别技术主要基于距离地面高度固定的安全监控设备来进行目标匹配。由于当前无人平台技术的高速发展，无人平台搭载图像采集装置已成为当前的一种重要的图像采集方式，因此，有必要研究如何有效地将重识别技术由传统的安全监控平台迁移至无人平台系统。与此同时，与当前已经得到深入研究的行人重识别相比，无人平台系统下的重识别技术更适合应用于车辆的重识别场景，其理由包括，第一，车辆的目标体积较大，更适合无人机在较高的空中对车辆数据图片进行充分采集，第二，无人平台大多是具有高速移动能力的平台，如无人机、无人车等，相较于移动能力较为低的人类，无人平台下的重识别更适用于与其移动能力相近的车辆，从而更方便对目标的跟踪和捕捉。

目前随着行人重识别的深入研究，受到其影响，近年来车辆重识别获得了越来越多的关注。当前针对车辆重识别提出的方法主要分为三类：基于的特征学习的方法,基于度量学习的方法，基于多维度信息学习的方法。目前的方法主要是利用车辆的外形特征以及车辆相关信息特征训练模型并计算车辆对之间的距离，而并没有充分考虑多视角情况下的车辆匹配问题。由于车辆的表面积较大，车辆露出的面为五个面，分别为正面，背面，顶面和两个侧面，除了两个侧面外，每两个面之间的外观特征差距很大，对于地面无人车所捕捉到的目标图像与空中无人机所捕捉到的目标图像的匹配问题，已有的车辆重识别方法应用于这种视角跨度较大的图像时，无法做到高效的匹配，因此现有方法直接部署至无人平台系统下时，无法达到车辆重识别的预期效果。在已有的车辆重识别研究中，对于多视角问题，目前研究更多的是通过融合视觉外的其他信息特征如车牌、时空信息等来解决该问题。考虑到车牌信息的隐私性以及其他时空信息获取的复杂性，本发明公开了一种仅基于视觉信息的无人平台系统下的车辆重识别通用方法。

发明内容

针对异构无人系统下的车辆重识别的问题，本发明公开了一种基于图匹配的异构无人系统下车辆重新识别方法，能够很好的将重识别技术适用于异构无人系统的情境中。

本发明公开了一种基于图匹配的异构无人系统下车辆重新识别方法，本发明方法利用特征提取模块、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；本发明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；

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: