一种基于卷积神经网络的多任务车辆再识别方法及装置制造方法及图纸

本申请公开一种基于卷积神经网络的多任务车辆再识别方法及装置,所述方法包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。本申请基于CNN的多任务方法进行车辆的再识别任务，针对目前主流车辆再识别CNN模型的缺点，提出了结合识别模型和校验模型的基于CNN的多任务模型，不仅拥有识别模式的优点，也有校验模型的优点，提高了车辆再识别的精确率，并且采用优化算法，有实现简单，训练速度快的特点，便于在实际环境下应用。

A multi task vehicle re recognition method and device based on convolution neural network

This application discloses a multi-task vehicle recognition method and device based on convolution neural network. The methods include: S110. Establishing vehicle recognition data set; S120. Adjusting picture size and randomly forming corresponding picture pairs; S130. Inputting pictures into network separately for training; S140. Sorting or optimizing picture similarity. Vehicle re identification. This application is based on the multi-task method of CNN for vehicle recognition. In view of the shortcomings of the current mainstream vehicle recognition CNN model, a multi-task model based on CNN is proposed, which combines the recognition model with the verification model. It not only has the advantages of recognition model, but also has the advantages of verification model, and improves the accuracy of vehicle recognition. Rate, and the use of optimization algorithm, has the characteristics of simple implementation, fast training speed, easy to apply in the actual environment.

【技术实现步骤摘要】
一种基于卷积神经网络的多任务车辆再识别方法及装置
本专利技术涉及图像处理
，尤其涉及一种基于卷积神经网络的多任务车辆再识别方法及装置。
技术介绍
近年来，随着监控摄像头捕捉到的数据越来越大，对监控数据分析能力的需求也在迅速增加。但是，与数据增大的速度相比，数据分析技术的发展还远达不到要求。车辆再识别技术，旨在弥补固定摄像头角度局限的问题，可以跨摄像头检索出所需的特定车辆，不仅省去人为检索的步骤，还提高效率。因此，合理有效的利用车辆再识别技术，对于刑侦任务，智能监控任务等都具有巨大意义。与行人再识别相似，车辆再识别中，车辆会受到光照强度、角度、遮拦物等复杂的环境影响，同一辆车在不同环境下表现得各不相同对车辆再识别增大了很大的难度。因此，开发出一种识别能力强大，抗干扰能力强的再识别方法是非常必要的。目前，车辆再识别技术主要还是应用在图像库中，图像库由视频剪切得到。因此，需要提供一种基于卷积神经网络的多任务车辆再识别方法及装置。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的多任务车辆再识别方法及装置，近年来，深度学习的热潮使人工智能更加普及化。车辆再识别作为计算机视觉领域中一个既具有研究价值同时又具有挑战性的热门话题，越来越受到研究者的重视。为达到上述目的，本专利技术采用下述技术方案：一种基于卷积神经网络的多任务车辆再识别方法，包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。进一步地，所述图片包括三个标签：第一标签，第二标签和第三标签，所述第一标签用于标示图片的编号，所有的图片的编号都是唯一的；所述第二标签用于标示摄像头的编号；所述第三标签用于标示车辆。进一步地，S110所述建立车辆再识别数据集包括训练数据集，探测数据集和综合数据集；所述训练数据集，探测数据集和综合数据集内包括相同车辆的图片，其中相同车辆的图片包括不同探测仪拍摄得到的；优选地，所述训练数据集，综合数据集和探测数据集在所有图片中所占比例依次减小。进一步地，S120所述调整图片大小包括按照设定裁剪方式进行随机裁剪，之后随机打乱形成相应图片对。进一步地，S130所述进行网络训练包括：对探测的数据集进行过滤和分类，完成网络训练。进一步地，S140所述排序优化包括：对图片进行相似度的计算并进行排序，生成识别结果；优选地，包括：S1301.通过训练完的网络，对综合数据集里的图片和对探测数据集里的图片进行特征的提取；S1302.根据相似度把综合数据集里的图片按相似度从高到低进行排列；S1303.对探测的数据集的目标图片与综合数据集里的每张图片进行相似度的比较，根据比较结果进行车辆识别；或者对图片进行优化，生成识别结果；优选地，采用二次检索的排序优化对图片进行优化。一种基于卷积神经网络的多任务车辆再识别装置，其特征在于，所述装置包括：典型训练集建立模块，用于建立车辆再识别数据集；数据集规范化模块，用于调整图片大小，并随机形成相应图片对；网络训练模块，用于将图片对分别输入训练网络进行训练；特征提取模块，根据输入的图片进行特征提取；车辆再识别模块，用于图片相似度排序或优化，车辆再识别。进一步地，所述典型训练集建立模块建立车辆再识别数据集包括将视频剪切为图片，并对图片设置标签；所述图片包括三个标签：第一标签，第二标签和第三标签，所述第一标签用于标示图片的编号，所有的图片的编号都是唯一的；所述第二标签用于标示摄像头的编号；所述第三标签用于标示车辆；优选地，所述建立车辆再识别数据集包括训练数据集，探测数据集和综合数据集；所述训练数据集，探测数据集和综合数据集内包括相同车辆的图片，其中相同车辆的图片包括不同探测仪拍摄得到的；优选地，所述训练数据集，综合数据集和探测数据集在所有图片中所占比例依次减小。进一步地，所述数据集规范化模块按照设定向量进行随机裁剪，之后随机打乱形成相应图片对。进一步地，车辆再识别模块进行图片相似度排序或优化包括：对图片进行相似度的计算并进行排序，生成识别结果；优选地，包括：S1301.通过训练完的网络，对综合数据集里的图片和对探测数据集里的图片进行特征的提取；S1302.根据相似度把综合数据集里的图片按相似度从高到低进行排列；S1303.对探测的数据集的目标图片与综合数据集里的每张图片进行相似度的比较，根据比较结果进行车辆识别；或者对图片进行优化，生成识别结果；优选地，采用二次检索的排序优化对图片进行优化。本专利技术的有益效果如下：本专利技术实施例利用了基于卷积神经网络(CNN)的多任务方法进行车辆的再识别任务。对于在智能监控，刑侦领域中，该方法不仅可以快速定位所需的车辆，而且不需要人为的检索。与传统方法相比，由于充足的训练数据，基于CNN的多任务车辆再识别方法效果远远好于传统方法。对于目前主流的基于CNN的方法，此方法结合了目前常用的校验模型(verificationmodel)和识别模型(identificationmodel)比单模型方法提升许多。不仅拥有识别模式的优点，也有校验模型的优点，提高了车辆再识别的精确率，并且采用的ranking优化算法，有实现简单，训练速度快的特点，便于在实际环境下应用。本系统的所有模块都是完全自动的，不需要人工干预，因此能够非常容易独立运行或作为一个子模块嵌入到各类车辆再识别系统中去，具有广泛的应用前景。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明；图1为本专利技术实施例提供了一种基于卷积神经网络的多任务车辆再识别方法的流程图；图2本专利技术实施例提供的一种基于卷积神经网络的多任务车辆再识别方法的框架结构图；图3为本专利技术实施例提供的一种基于卷积神经网络的多任务车辆再识别方法训练的流程图；图4为本专利技术实施例提供的一种基于卷积神经网络的多任务车辆再识别方法测试的流程图；图5为本专利技术实施例提供的一种基于卷积神经网络的多任务车辆再识别装置具体结构图。具体实施方式为了更清楚地说明本专利技术，下面结合优选实施例和附图对本专利技术做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本专利技术的保护范围。为了弥补目前固定摄像头的视觉局限问题，本专利技术提供了一种基于卷积神经网络的多任务车辆再识别方法及装置，可以结合以下附图以及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不限定本专利技术。实施例一根据本专利技术的一个方面，本实施例提供一种基于卷积神经网络的多任务车辆再识别方法，如图1所示，该方法包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入训练网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。S110所述建立车辆再识别数据集包括：通过若干个监控摄像头获取监控视频，其中这个摄像头应该相互具有一定的距离，即他们的监控视线没有重叠保证接部分。从监控视频中按帧划分相应图片，每张图片应该具有3个标签。标签一是图片的id，所有的图片的标签都是唯一的；标签二是摄像头的标签，即该图片是由几号摄像头拍摄得到；标签三是汽车的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。

【技术特征摘要】
1.一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。2.根据权利要求1所述的一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，所述图片包括三个标签：第一标签，第二标签和第三标签，其中，所述第一标签用于标示图片的编号，所有的图片的编号都是唯一的；所述第二标签用于标示摄像头的编号；所述第三标签用于标示车辆。3.根据权利要求2所述的一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，S110所述建立车辆再识别数据集包括训练数据集，探测数据集和综合数据集；所述训练数据集，探测数据集和综合数据集内包括相同车辆的图片，其中相同车辆的图片包括不同探测仪拍摄得到的；优选地，所述训练数据集，综合数据集和探测数据集在所有图片中所占比例依次减小。4.根据权利要求1所述的一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，S120所述调整图片大小包括按照设定裁剪方式进行随机裁剪，之后随机打乱形成相应图片对。5.根据权利要求1所述的一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，S130所述进行网络训练包括：对探测的数据集进行过滤和分类，完成网络训练。6.根据权利要求5所述的一种基于卷积神经网络的多任务车辆再识别方法，其特征在于，S140所述排序优化包括：对图片进行相似度的计算并进行排序，生成识别结果；优选地，包括：S1301.通过训练完的网络，对综合数据集里的图片和对探测数据集里的图片进行特征的提取；S1302.根据相似度把综合数据集里的图片按相似度从高到低进行排列；S1303.对探测的数据集的目标图片与综合数据集里的每张图片进行相似度的比较，根据比较结果进行车辆识别；或者对图片进行优化，生成识别结果；优选地，采用二次检...

【专利技术属性】
技术研发人员：郎丛妍，许栋武，李浥东，冯松鹤，王涛，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11