一种基于关键部件识别和细粒度分类的车辆重识别的先进方法技术

本发明专利技术提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明专利技术具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。

An Advanced Vehicle Recognition Method Based on Key Component Recognition and Fine-grained Classification

The invention provides an advanced method of vehicle recognition based on key component recognition and fine-grained classification, including the following steps: step 1, for a given test image, the area of vehicle, license plate and vehicle sign is obtained by improved Faster R_CNN; step 2, if the license plate of the test image is positioned and the license plate character is improved by end-to-end AlexNet network recognition; Step 3, if the vehicle sign is recognized, the fine-grained vehicle recognition method uses the test set other than the image of different vehicle signs, otherwise it will use the whole test set; Step 4, on the basis of the fine-grained method, the compact bilinear pool is used to extract the compact features; Step 5, through K reciprocal coding, the compact features and k_are extracted. Combining reciprocal features and reordering the results of vehicle re-recognition, the invention has better vehicle re-recognition rate, stronger ability of accurately recognizing license plate and distinguishing slightly different similar vehicles.

【技术实现步骤摘要】
一种基于关键部件识别和细粒度分类的车辆重识别的先进方法
本专利技术涉及车辆识别
，具体为一种基于关键部件识别和细粒度分类的车辆重识别的先进方法。
技术介绍
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、车辆分割等各个领域已经得到了越来越广泛的应用。车辆重识别(本文简称Re-ID)，作为这个研究领域中一个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。车辆重识别技术旨在不同复杂的环境中识别相同的车辆。在智能视频识别中它起着重要作用并且在许多领域有着广泛的应用。随着世界各国对智慧城市建设的关注，监控摄像机在智能安全化的城市中得到了广泛的应用。同时，车辆重新识别问题也激起了相关领域人们的兴趣。随着研究的不断深入，车辆重识别在公共安全系统大规模监控视频的处理上提供了越来越多的帮助。车辆重识别在视频识别的广泛应用中起着重要的作用，现有的方法大部分都使用简单而粗糙的特征，并且无法识别子类别里具有细微差别的车辆。在现有的车辆重识别的方法中很少有使用具有关键部件的特征，比如车牌和车标志。
技术实现思路
本专利技术的目的在于提供一种基于关键部件识本文档来自技高网...

【技术保护点】
1.一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，其特征在于：包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域，并对车牌和车辆标志的错误候选项进行筛选；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对测试集中的车牌字符进行识别和比较，确定测试图像的车牌字符是否与测试集中的车牌字符相同；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特...

【技术特征摘要】
1.一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，其特征在于：包括以下步骤：步骤1，对于给定的测试图像，通过改进的FasterR-CNN获得车辆、车牌和车辆标志的区域，并对车牌和车辆标志的错误候选项进行筛选；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对测试集中的车牌字符进行识别和比较，确定测试图像的车牌字符是否与测试集中的车牌字符相同；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序。2.根据权利要求1所述的一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，其特征在于：所述改进的FasterR-CNN为基于使用高斯混合聚类的改进的FasterR-CNN方法，为了得到车辆，车牌和车辆标志的最佳区域，高斯混合聚类被用来获得三个相对最优比值(宽长比)，利用最优比值得到候选区域，将其与FasterR-CNN相结合来检测出车辆关键部件的最佳区域。3.根据权利要求2所述的一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，其特征在于：在高斯混合聚类中，某数据集中的所有样本都可以用K高斯混合分布近似表示，从两个车辆数据集CompCars_logo和PKU_10K中提取一组样本V＝(v1，v2，...，vm)，假设样本是二维数据vj＝(wj，hj)T，vj从第(i＝1，2…k)产生的高斯分布的概率定义在式(1)中：μ是一个二维向量和，∑是一个2×2的协方差矩阵，高斯混合分布定义为：分布由k个分量组成，每个分量对应一个高斯分布，pi＝{(αi，μi，∑i)|1≤i≤k}为第i个高斯混合的参数，而αi(αi＞0)为相应的混合系数，其中参数的质量影响聚类结果，采用EM算法对高斯混合参数进行求值，在EM算法的每次迭代中，根据E步中的当前参数计算每个样本在K高斯分布上的后验概率，模型参数在M步中更新，重复这个过程，直到迭代次数达到最大值或者概率函数增长很少，用于估计高斯混合参数的EM算法包括以下两个步骤：E步和M步；在E步中，根据公式(3)进行计算：其中，l＝1...，k，i＝1，...，k；在M步中，根据公式(4)、(5)、(6)进行计算：其中，i＝1，...，k；由第i个高斯分量生成Rji表示样本vj的后验概率。4.根据权利要求2所述的一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，其特征在于：所述FasterR-CNN的概述如下，对于一张图像，特征图由全卷积神经网络RPN进行处理，通过结合高斯混合区域，然后得到关键部件的候选框，最后，对车辆标志和车牌进行分类；FasterR-CNN模型中的RPN网络，向CNN添加分类层和回归层，分...

【专利技术属性】
技术研发人员：闵卫东，李祥鹏，黄杰，赵浩宇，张愚，刘瑞康，汪琦，朱梦，韩清，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西,36