[发明专利]一种基于维度解耦和非局部关系的车辆重识别方法

说明书

本发明涉及车辆重识别技术领域，具体地涉及一种基于维度解耦和非局部关系的车辆重识别方法，包括：将ResNet‑50后部分残差层复制为三个相同结构的分支，每个分支在残差层后依次引入全局特征提取机制、非局部关系捕获机制和维度解耦机制；非局部关系捕获机制包括基于通道的非局部关系捕获模块和基于空间的非局部关系捕获模块，两者分别针对通道与空间层面的非局部关系进行降噪，同时也在通道与空间层面为通道间和位置间的关系分配不同的权重；维度解耦机制用于解耦空间与通道，使一部分特征专注于特定的一个子空间。本发明解决了车辆重识别存在较大类内差异和较小类间差异问题。

技术领域

本发明涉及车辆重识别技术领域，具体地涉及一种基于维度解耦和非局部关系的车辆重识别方法。

背景技术

随着汽车的使用和普及，衍生出大量与车辆管理调度相关的技术难题亟待解决。车辆重识别作为与车辆管理调度相关的技术难点之一，在业界被研究者们报以较高的关注度。车辆重识别旨在从不同的摄像头拍摄到的图像中找到属于同一身份的车辆图像。近年来，基于深度学习的车辆重识别算法以独有的自适应性、强大的识别精度等优势，使深度学习理论在车辆重识别领域得到了广泛的应用。目前，车辆重识别课题中存在较大的类内差异和较小的类间差异这一问题，车辆重识别网络的泛化能力和网络精度较低。

发明内容

本发明的目的在于克服现有技术存在的缺点，提出设计一种基于维度解耦和非局部关系的车辆重识别方法，采用全局特征提取机制、非局部关系捕获机制和维度解耦机制来设计，解决了车辆重识别课题中存在的较大的类内差异和较小的类间差异这一问题，并能够提升车辆重识别网络的泛化能力和网络精度。

本发明解决其技术问题所采取的技术方案是：

一种基于维度解耦和非局部关系的车辆重识别方法，包括以下步骤：

使用卷积神经网络Resnet50为骨干，将ResNet-50后部分残差层(res_conv4_2~res_conv5)复制为三个相同结构的分支，每个分支在残差层后依次引入全局特征提取机制、非局部关系捕获机制和维度解耦机制；

所述全局特征提取机制用于提取车辆的全局特征，将res_conv5层生成的特征图依次输入到全局平均池化(GAP)和一个由1×1卷积、批量标准化（BN）和ReLU激活函数组成的通道降维模块，得到256维的特征表示；

所述非局部关系捕获机制包括基于通道的非局部关系捕获模块和基于空间的非局部关系捕获模块，两者分别针对通道与空间层面的非局部关系进行降噪，同时也在通道与空间层面为通道间和位置间的关系分配不同的权重；该机制旨在挖掘出有用的非局部关系进而提升网络的性能；

所述维度解耦机制用于剥离通道与空间之间信息的互相干扰，解耦空间与通道，从而使一部分特征专注于特定的一个子空间。

进一步的，所述非局部关系捕获机制具体操作为：将res_conv5层输出的张量同时输入到基于空间的非局部关系捕获模块和基于通道的非局部关系捕获模块中；经过空间和通道非局部关系捕获模块的特征尺寸不变，然后经过全局平均池化(GAP)、1×1卷积、批量标准化（BN）和ReLU操作，将维度由2048降低至256。

进一步的，所述维度解耦机制具体操作为：先在空间维度将特征图从水平方向上分割成两部分得到两个特征图，然后将特征图在通道维度上平均解耦，即将得到的两个特征图在通道维度上都均分为两部分，旨在切除掉两个空间内在通道维度上的冗余通道，这样不仅缩减了计算量，并且剥离了空间与通道之间存在的联系；在第三个分支中，本发明取res_conv5生成的特征图中的两块灰色特征作为解耦后的两个子空间；解耦操作后在两个子空间独立执行特征提取操作：将特征图经过全局平均池化(GAP)、1×1卷积、批量标准化（BN）和ReLU操作，将维度由2048降低至256。