[发明专利]一种基于多损失联合学习的车辆重识别方法

权利要求书

1.一种基于多损失联合学习的车辆重识别方法，其特征在于，所述车辆重识别方法包括以下步骤：

S1，对导入的车辆交通图像进行预处理，从中裁剪得到相同尺寸的车辆图像，对裁剪后的车辆图像进行随机擦除，得到车辆图像样本；

构建车辆重识别模型，车辆重识别模型包括ResNet50网络模型、丢失网络、BN层和全连接层；

S2，采用ResNet50网络模型提取得到车辆图像样本中的车辆关键特征；

S3，将提取得到的车辆关键特征映射到特征空间中，车辆图像样本在特征空间中的距离用于反映图像之间的相关性；对丢失网络不断训练和学习，使具有相同ID的车辆样本在特征空间中形成聚类；其中，通过在随机生成的小批量样本里选择具有相同颜色的不同款式的车辆样本，作为困难三元组；采用三元组损失学习相似性度量，最小化正样本对之间的距离，同时最大化负样本对之间的距离；计算得到相应的批量困难三重损失L_t；

S4，利用BN层对生成的全局特征进行归一化和纬度约减处理，提取得到车辆特征f_i，将车辆特征f_i送入全连接层；

S5，使用困难三重损失函数L_t、ID损失函数L_ID和圆损失函数L_c来对特征向量进行联合学习，增强车辆重识别模型对相似样本的鉴别能力，扩大不同类型车辆的特征差异，提取更具区分和更高判别力的全局特征；ID损失函数用于对输入具有相同ID或者不同ID的车辆图像样本的特征向量进行学习；圆损失函数用于学习类别区分性信息；

S6，采用测试集对车辆重识别模型进行测试。

2.根据权利要求1所述的基于多损失联合学习的车辆重识别方法，其特征在于，所述车辆重识别方法还包括以下步骤：

S7，将待识别的车辆图像导入车辆重识别模型，提取得到相应的特征向量；

将待识别的车辆图像的特征向量与有效地理区域内的视频图像的车辆的特征向量进行对比，利用相似度计算公式，搜索出相似度最高的车辆目标图像，输出最终识别结果。

3.根据权利要求1所述的基于多损失联合学习的车辆重识别方法，其特征在于，步骤S1中，对导入的车辆交通图像进行预处理，从中裁剪得到相同尺寸的车辆图像，对裁剪后的车辆图像进行随机擦除，得到车辆图像样本的过程包括以下步骤：

S11，对车辆图像进行几何变换、水平翻转、镜像源处理使数据更加多样化；

S12，从整幅图像中将车辆部分裁剪成相同尺寸并提取；

S13，对提取的车辆图像进行随机擦除，针对不同的epoch，在原始图像中去除一个预先定义范围的矩形块。

4.根据权利要求1所述的基于多损失联合学习的车辆重识别方法，其特征在于，步骤S2中，采用ResNet50网络模型提取得到车辆图像样本中的车辆关键特征的过程包括以下步骤：

S21，加载ResNet50网络模型，使用该网络模型的参数作为初始参数来进行训练；

S22，采用训练完成的ResNet50网络模型提取得到车辆的关键特征。

5.根据权利要求1所述的基于多损失联合学习的车辆重识别方法，其特征在于，步骤S3中，采用广义平均池将ResNet50网络模型生成的特征聚合成全局特征。

6.根据权利要求1所述的基于多损失联合学习的车辆重识别方法，其特征在于，步骤S3中，根据下述公式计算车辆图像样本对之间的欧式距离：

式中，d(x,y)是指两个样本对特征向量之间的欧式距离，x和y分别指两个样本对提取的特征向量，num是特征向量中元素的个数，k是特征向量中的每个元素索引，x_k和y_k分别是两个样本的特征向量中索引为k的元素的值。