[发明专利]一种车辆身份判别方法

权利要求书

1.一种车辆身份判别方法，其特征在于：包括如下步骤：

(1)组合多种图像随机变换方法，形成数据增强算法集合

(2)采用随机抽样方法将数据集等分，得到多个实例集Z_i，i∈{1,2,…T}，T为实例集个数；

(3)对于每个实例集Z_i，从数据增强算法集合中随机选取两种算法和对其进行变换，获得两个样本集合Z′_i和Z″_i；

(4)构建自监督对比学习的深度神经网络模型，成对提取两个样本集合Z′_i和Z″_i的特征矩阵，记为L′_i和L″_i；

(5)将两个特征矩阵L′_i和L″_i分别沿行列向量划分，得到样本特征和维度特征，构建正、负样本特征对和相关、无关维度特征对；

(6)通过余弦距离度量函数计算样本特征对间的特征关系，通过相关系数度量函数计算维度特征对间的特征关系，并与对比损失函数结合，构造样本维度双重对比损失函数；

(7)基于样本维度双重对比损失函数对构建的自监督对比学习的深度神经网络模型进行训练；

(8)通过经训练的深度神经网络模型，对车辆图片进行判别。

2.根据权利要求1所述的车辆身份判别方法，其特征在于：步骤(1)中，图像随机变换方法包括随机长宽比裁剪、随机水平翻转、随机灰度化、颜色抖动、高斯模糊和过曝。

3.根据权利要求1所述的车辆身份判别方法，其特征在于：步骤(4)中构建的自监督对比学习的深度神经网络模型包括两支完全对称且权重共享的特征提取网络，特征提取网络分为编码器f(·)和投影头g(·)；

其中编码器f(·)由多层卷积神经网络组成，提取样本集合的嵌入表示，计算公式如下：

N是样本集合中的样本数量，D是嵌入向量的大小，h′_i,h″_i表示样本集合的嵌入表示，表示实数集；

投影头g(·)包含三层全连接网络，前两层之后连接批次归一化层和非线性激活函数，计算得到样本集合的特征矩阵，计算公式如下：

M是样本输出特征的大小。

4.根据权利要求3所述的车辆身份判别方法，其特征在于：步骤(5)中，将两个特征矩阵L′_i和L″_i按行划分，获得2N个样本特征，记作样本特征s′_i与相同实例变换的另一样本特征s″_i构成正样本特征对，与其余2N-2个样本特征构成负样本特征对；将两个特征矩阵L′_i和L″_i按列划分，获得2M个维度特征，记作维度特征d′_j与另一矩阵中相同位置维度特征d″_j构成相关维度特征对，与其余2M-2个维度特征构成无关维度特征对。

5.根据权利要求4所述的车辆身份判别方法，其特征在于：步骤(6)中，通过余弦距离度量函数来计算样本特征对间的相似度，余弦距离度量函数公式为：

‖·‖表示求样本特征的模长；

通过相关系数度量函数计算维度特征对间的相关性，相关系数度量函数公式为：

和是维度特征中所有元素的平均值；

对比损失函数公式为：

(x_i,x^-)是待拉近和拉远的特征对，τ是模型的超参数，表示温度系数；

将对比损失函数分别与两种度量函数结合，得到对比损失函数和

m表示负样本特征对的索引值；n表示无关维度特征对的索引值；

结合对比损失函数和得到样本维度双重对比损失函数如下：