【技术实现步骤摘要】
一种基于背景分割的车辆再识别方法
本专利技术涉及图像识别
，更具体的说是涉及一种基于背景分割的车辆再识别方法。
技术介绍
目前，居民汽车拥有量快速增加，智能交通与视频监控应用场景逐步扩大，车辆再识别技术成为一个热点问题，吸引了计算机视觉领域的广泛关注。车辆重识别技术针对图像中显著信息较少的情况，充分利用车体信息，提取视觉特征，判断不同场景下的车辆是否为同一辆车，为分析和交通管理提供可靠的依据，能够为未来的公路智能交通系统提供关键的技术支持。随着深度学习的快速发展，众多深度卷积神经网络被提出，许多新方法被用于车辆再识别领域，极大的提高了识别精度。当前车辆再识别领域采取的主要方法为根据深度神经网络，学习车辆的外观属性(颜色，纹理，形状，种类)，对提取的图片车辆特征向量进行分析，选取特定的损失函数，训练分类器模型。专利CN201810289603.6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，便于在实...
【技术保护点】
1.一种基于背景分割的车辆再识别方法，其特征在于，具体步骤如下：/n步骤1：采集具有车辆图片的基础数据集，利用目标检测工具，在所述基础数据集上进行车辆检测，获得检测结果图片，将检测结果图片进行重组，生成车辆语义分割数据集；/n步骤2：根据所述步骤1中的所述车辆语义分割数据集，训练车辆语义分割模型，对车辆再识别图片数据集进行初步背景分割，并完善所述初步背景分割的效果，获得车辆分割最终结果；/n步骤3：通过随机选择模块随机选择所述步骤2中的所述车辆分割最终结果的部分图片，根据所述部分图片训练车辆再识别模型，并进行优化；/n步骤4：向所述步骤3中的车辆再识别模型输入一张目标车辆图...
【技术特征摘要】
1.一种基于背景分割的车辆再识别方法，其特征在于，具体步骤如下：
步骤1：采集具有车辆图片的基础数据集，利用目标检测工具，在所述基础数据集上进行车辆检测，获得检测结果图片，将检测结果图片进行重组，生成车辆语义分割数据集；
步骤2：根据所述步骤1中的所述车辆语义分割数据集，训练车辆语义分割模型，对车辆再识别图片数据集进行初步背景分割，并完善所述初步背景分割的效果，获得车辆分割最终结果；
步骤3：通过随机选择模块随机选择所述步骤2中的所述车辆分割最终结果的部分图片，根据所述部分图片训练车辆再识别模型，并进行优化；
步骤4：向所述步骤3中的车辆再识别模型输入一张目标车辆图片和待识别车辆图片库，实现在所述待识别车辆图片库中的所述待识别车辆的再识别。
2.根据权利要求1所述的一种基于背景分割的车辆再识别方法，其特征在于，所述步骤1中进行所述车辆检测具体包括如下步骤：
步骤11：利用所述目标检测工具，在所述基础数据集上进行车辆检测，根据检测过程中所述目标检测工具的边界框重叠情况，选取完整框出车辆的所述边界框内的目标车辆图片，并删除分辨率小于设定的分辨率最小值的所述车辆图片，组成车辆图片集；
步骤12：根据步骤11生成的所述车辆图片集，结合ADE20K数据集和Cityscapes数据集构造大规模精准的所述车辆语义分割数据集；
3.根据权利要求1所述的一种基于背景分割的车辆再识别方法，其特征在于，所述步骤2具体包括如下步骤：
步骤21：将所述步骤1中的所述车辆语义分割数据集放入预训练的深度神经网络中，学习出所述车辆语义分割数据集中每张图片对应的特征向量；
步骤22：对所述步骤21生成的所述特征向量进行池化操作，选用空洞卷积神经网络作为编码器，金字塔场景解析网络作为解码器，使用四种大小不同的卷积核，训练所述车辆语义分割模型；
步骤23：利用所述步骤22训练的所述车辆语义分割模型，输入所述车辆再识别图片数据集，选出所述车辆对应的特征层，保留所述车辆和背景两种物体，生成车辆背景分割图片；
步骤24：对所述车辆再识别图片数据集中的所述车辆原始图片进行边缘检测得到边缘检测结果，并结合所述步骤23中的所述车辆背景分割图片获得车辆初步背景分割图片；
步骤25：对所述步骤24中生成的所述车辆初步背景分割图片使用漫水填充算法进行孔洞填充操作，获得完成背景分割图片，然后进行连通域统计，最大的所述连通域为车辆区域，去除其他小的连通域，净化所述背景；
步骤26：记录所述步骤25中所述车辆区域包含的像素点数量，如果所述完成背景分割图片中的所述车辆区域包含的所述像素点面积小于所述车辆背景分割图片的整体图片面积的最小值s_min，或者大于所述整体图片...
【专利技术属性】
技术研发人员：张永飞，吴明杰，张天宇，张文琪，李波，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
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。