[发明专利]一种基于多损失联合学习的车辆重识别方法

说明书

本发明提出一种基于多损失联合学习的车辆重识别方法，包括：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；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；利用BN层对生成的全局特征进行归一化处理；使用批量困难三重损失函数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。本发明能够解决传统的三元组损失的弱约束性，以及具有不同ID但属于同一型号的相似车辆难以区分的技术问题。

技术领域

本发明属于计算机视觉和图像处理技术领域，具体涉及一种基于多损失联合学习的车辆重识别方法。

背景技术

车辆识别不仅是智能城市交通的核心，也是计算机视觉研究的热点之一，并在车辆检测、车辆分类等各个领域已经得到了越来越广泛的应用。车辆重识别作为这个领域中新的具有挑战性和特殊性的课题，近年来吸引了越来越多的研究者。车辆重识别是指给出一张车辆图片，可以识别出在摄像头下或者其他照片中出现的同一辆车。它可以被分为图像检索的子问题。车辆重识别在现实中可以应用到真实交通系统中，起到对目标车辆的定位，追踪的作用，从而实现诸如打击犯罪等功能。但是在车辆重识别任务中，摄像头的位置不同会产生光照变化、视角变化及分辨率的差异，这导致同一车辆在不同视角下产生类内差异或不同车辆因型号相同形成类间相似，这就使得车辆重识别任务的研究人员面临巨大的挑战。

根据训练网络的目标函数的差异，基于深度学习的车辆重识别方法可以分为两类基于表征学习的方法和基于度量学习的方法。基于表征学习的方法在训练网络的时候并没有直接考虑图片的相似度，而是把车辆重识别任务当做分类(Classification)问题或者验证(Verification)问题来看待；基于度量学习的方法旨在通过网络学习出两张图片的相似度，可以当做聚类(Cluster)问题来看待。表征学习和度量学习在车辆重识别领域都有大量的研究工作，也拥有各自的优缺点。经过一段时间的发展，目前车辆重识别领域最常用的方式为同时使用表征学习损失和度量学习损失来共同优化网络，从而融合两种方法的优点。但是三元组损失函数虽然不停地拉近同类距离，推远异类之间的距离，但是并未对类与类之间的绝对距离做一个明确的度量。即过于关注局部，导致难以训练且收敛时间长。除此以外，车辆重识别还存在一个特殊难点，由于属于同一车型的车辆彼此非常相似，即使用人眼来区分具有不同ID但属于同一型号的车辆也是非常困难的。因此，车辆重识别需要更加鲁棒地区分目标与非目标之间的差异。

发明内容

解决的技术问题：针对前述传统的三元组损失的弱约束性，以及具有不同ID但属于同一型号的相似车辆难以区分的技术问题，本发明提出了一种基于多损失联合学习的车辆重识别方法。

技术方案：

一种基于多损失联合学习的车辆重识别方法，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；