[发明专利]一种融合MobileNet-V2和svm的车辆重识别方法

说明书

一种融合MobileNet‑V2和svm的车辆重识别方法，涉及车辆重识别技术领域，基于MobileNet‑V2的深度学习网络，搭建多分支网络并进行多分支网络训练，在训练过程中基于svm方法得到一个车辆重识别模型，基于所述车辆重识别模型对目标车辆做出检索结果展示，该识别方法在保证网络结构简单的基础上，得到的车辆重识别模型具有更好的鲁棒性，还有效的提升了准确率和性能，也做到了效果和性能的均衡。

技术领域

本发明涉及车辆重识别技术领域，具体涉及到一种融合MobileNet-V2和svm的车辆重识别方法。

背景技术

车辆重识别旨在从跨摄像头、跨场景的图像中找到同一个目标车辆，其难点在于外观相似的不同车辆图像之间差异较小，且在不同视角或者光照条件下同一车辆的图像也存在较大差异，这就导致车辆重识别难度变大。

近年来，随着人工智能技术的不断发展，尤其是深度学习技术的逐步深入，基于深度学习方法的车辆重识别技术成了研究热点，比如使用深度学习网络提取特征，然后计算特征之间的距离来进行重识别。现有技术中提出过基于改进型MobileNet网络的车型识别方法、基于YOLOv5和MobileNetV2的车辆型号识别方法，针对mobilenet算法也提出过mobilenet-v1和mobilenet-v2。

现存的车辆重识别技术，多数是采用一个深度学习模型，该模型用于提取相关特征。然而，由于受各种客观条件影响，比如遮挡、光照、视角等因素，导致提取的特征鲁棒性较差。为了改善重识别效果，就不得不更换更加复杂的网络结构，这又增加了网络的计算量。因此，现存的车辆重识别技术很难做到效果和性能的平衡。

发明内容

针对现有技术所存在的不足，本发明在于提出一种融合MobileNet-V2和svm的车辆重识别方法，具体方案如下：

一种融合MobileNet-V2和svm的车辆重识别方法，基于MobileNet-V2的深度学习网络，搭建多分支网络并进行多分支网络训练，在训练过程中基于svm方法得到一个车辆重识别模型，基于所述车辆重识别模型对目标车辆做出检索结果展示。

进一步的，所述重识别方法的具体步骤包括如下：

步骤一为训练数据预处理：将样本数据进行图像预处理，之后再对经过图像预处理的样本数据进行数据标定；

步骤二为多分支网络构建：以MobileNet-V2为基础网络搭建多分支网络，所述多分支网络包括全局特征分支网络以及车辆部件分支网络；

步骤三为多分支网络训练：首先，将训练图像和样本标签送入搭建好的车辆部件分支网络进行训练，当损失函数达到收敛，得到车辆部件检测模型，然后添加全局特征分支网络以调整车辆部件检测模型，当损失函数达到收敛，得到车辆重识别模型，即完成一次计算训练过程，模型训练时的N个计算训练过程对应得到N个车辆重识别模型，之后基于N个车辆重识别模型进行svm权重筛选得到最终的车辆重识别模型；

步骤四为识别效果展示：基于最终的车辆重识别模型，搭建调用代码，调用代码包括读入一张图像，然后进行图像预处理，然后加载所述最终的车辆重识别模型进行特征提取，把所有图像经过重复上述操作，可以得到每个图像的特征，存入文件A中，再搭建匹配代码，匹配代码包括读入一张图像，然后进行图像预处理，然后加载所述最终的车辆重识别模型进行特征提取，导入文件A中，进行特征相似度计算，取相似度高的前100张图，把得到的100张图写到一个大图中进行结果展示。

进一步的，所述步骤一中，图像预处理包括有图像缩放、图像格式转换、图像旋转；

图像缩放是采用双线性插值算法对获得的抓拍图像进行缩放，模拟得到不同实际场景下的抓拍图；

图像格式转换是基于转换公式将不同格式的图像转换呈统一的格式；

图像旋转是基于笛卡尔坐标系以图像的重心为圆心进行旋转。