System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车辆重识别,尤其涉及一种基于动态数据增强的两轮车重识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、重识别(reid)是一种基于计算机视觉和深度学习技术的应用,用于识别和区分不同的目标;重识别技术通过提取目标特征,从底库中去检索和特征向量相似的目标,从而从海量目标中匹配出检索目标。
3、两轮车作为当前部分人的出行工具,有着难管理,难定位,难追踪等特点,在公安以及交通领域,两轮车重识别技术有着至关重要的作用。
4、现有的两轮车重识别方法存在以下缺点:
5、(1)当前重识别模型的训练数据集主要通过人工标注和聚类方式进行整理,考虑到现实场景中大部分两轮车的款式以及驾乘人存在高度相似的情况,如外卖员,快递员,共享单车等等。这导致聚类算法在两轮车重识别数据集上的标注错误率较高,会导致将不同的目标标注在同一组内,或者将同一个目标标注在不同的组,这样训练的模型对不同的两轮车之间容易混淆,干扰模型对细节特征的学习,如头盔款式,车身磨损等差异。
6、(2)但是现有的模型训练方法大都使用基于cnn等网络架构对数据集内的特征进行学习,由于常用的cosface,triplet loss等损失函数,通过降低组内特征的距离,提高组间特征的距离来指导梯度的下降和参数的更新。所以仅有高质量标注数据并依靠现有的传统方法来对模型进行训练,对于两轮车重识别,模型得到的特征表示会并不能很好的代表整体目标的特征,如模型会过度关注两轮车
7、例如,将一个不载人的两轮车目标通过模型提取特征向量,并进行检索,会导致无法检索出载人的目标,或者将一个包含佩戴头盔的驾驶人的两轮车目标通过模型提取特征向量并进行检索,会导致无法检索出不戴头盔的目标,这种缺陷会严重制约模型在实际场景中的应用。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了一种基于动态数据增强的两轮车重识别方法及系统。
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了一种基于动态数据增强的两轮车重识别方法,包括:
4、获取两轮车图像数据集,进行低阈值聚类后,得到多组待清洗数据;
5、对多组待清洗数据进行组间数据合并得到清洗后的数据集;
6、利用清洗后的数据集构建训练集,对重识别模型进行训练,在模型训练过程中,基于动态数据增强策略对训练集中的图像进行目标遮挡后,利用重识别模型进行特征提取,基于重识别模型的特征提取结果及其输入数据计算特征点位类别损失,基于计算的损失迭代更新动态数据增强策略以及重识别模型的参数,得到训练后的重识别模型;
7、将待识别图像输入至训练后的重识别模型中,得到两轮车重识别结果。
8、本专利技术第二方面提供了一种基于动态数据增强的两轮车重识别系统,包括:
9、数据获取模块,被配置为:获取两轮车图像数据集,进行低阈值聚类后,得到多组待清洗数据;
10、数据清洗模块,被配置为:对多组待清洗数据进行组间数据合并得到清洗后的数据集;
11、模型训练模块,被配置为:利用清洗后的数据集构建训练集,对重识别模型进行训练,在模型训练过程中,基于动态数据增强策略对训练集中的图像进行目标遮挡后,利用重识别模型进行特征提取,基于重识别模型的特征提取结果及其输入数据计算特征点位类别损失,基于计算的损失迭代更新动态数据增强策略以及重识别模型的参数,得到训练后的重识别模型;
12、两轮车重识别模块,被配置为:将待识别图像输入至训练后的重识别模型中,得到两轮车重识别结果。
13、本专利技术第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本专利技术第一方面所述的一种基于动态数据增强的两轮车重识别方法中的步骤。
14、本专利技术第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本专利技术第一方面所述的一种基于动态数据增强的两轮车重识别方法中的步骤。
15、以上一个或多个技术方案存在以下有益效果:
16、(1)本专利技术通过对模型内部卷积层结果输出热力图(cam),得到模型对于局部特征的关注度,并结合标注的特征关注点位标签来指导模型进行训练,在模型训练过程中引入动态数据增强,实时引导模型对数据局部区域的关注权重,来解决模型的过度关注问题,使得模型对目标整体特征的关注均衡,提高模型在实际场景中的应用效果。
17、(2)本专利技术在训练集的构建中,使用低阈值的聚类对数据进行初步处理,之后通过标注模型对不同组提取特征向量,构建组间的相似度矩阵,合并后进行迭代。可以避免人工进行数据标注工作,同时提升了传统的聚类算法两轮车自动标注的错误,自动高效的获得较准确度的两轮车重识别训练数据。
18、(3)本专利技术在模型训练时,使用目标检测算法定位局部特征位置,并基于此使用重识别模型对数据进行训练,可以控制模型对不同局部特征的关注度,在训练过程中使用的flloss更新参数,同时引导oea的实时更新,使得训练出的模型可以根据预先设定的局部特征权重,指导模型对不同的局部特征进行不同程度的关注,重点关注实际应用场景中容易分辨,且具有差异性的部位,使模型提取的特征具有更好的表现能力。
19、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于动态数据增强的两轮车重识别方法,其特征在于,包括:
2.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,基于密度的聚类算法对获取的两轮车图像数据集进行低阈值聚类,包括:
3.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述对多组待清洗数据进行组间数据合并得到清洗后的数据集,包括:
4.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述利用清洗后的数据集构建训练集,包括:
5.如权利要求4所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述局部特征包括:头盔,脸部,衣服,挡风被,车灯,车把,车身以及车轮。
6.如权利要求4所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述利用动态数据增强策略对训练集中的图像进行目标遮挡,包括:
7.如权利要求6所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述基于重识别模型的特征提取结果及其输入数据计算特征点位类别损失,包括:
8.一种基于动态数据增
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于动态数据增强的两轮车重识别方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于动态数据增强的两轮车重识别方法中的步骤。
...【技术特征摘要】
1.一种基于动态数据增强的两轮车重识别方法,其特征在于,包括:
2.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,基于密度的聚类算法对获取的两轮车图像数据集进行低阈值聚类,包括:
3.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述对多组待清洗数据进行组间数据合并得到清洗后的数据集,包括:
4.如权利要求1所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述利用清洗后的数据集构建训练集,包括:
5.如权利要求4所述的一种基于动态数据增强的两轮车重识别方法,其特征在于,所述局部特征包括:头盔,脸部,衣服,挡风被,车灯,车把,车身以及车轮。
6.如权利要求4所述的一种基于动态数据增...
【专利技术属性】
技术研发人员:张宇航,李凡平,石柱国,
申请(专利权)人:青岛以萨数据技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。