【技术实现步骤摘要】
基于多损失融合模型的车辆再识别方法
本专利技术属于计算机视觉
，具体是一种基于多损失融合模型的车辆再识别方法。
技术介绍
随着社会的发展，车辆在人类生活中的使用已变得越来越普遍和重要。车辆研究也受到了广泛的关注，包括在计算机视觉领域的应用，如车辆分类，车辆检测和车辆再识别。其中车辆再识别在视频监控、公共安全和智能交通方面有很多的应用。车辆再识别旨在从大型监控视频中的多个非重叠摄像机下识别出目标车辆。虽然可以通过识别车牌信息，但是由于视角和环境变化，在大多数情况下，很难准确的获取到所有车牌信息，这样就会造成识别的困难。此外，在大量以前的安全事件中牌照常常被遮挡、伪装甚至无法识别时，在这些情况下，车牌无法用于车辆重识别。其中车辆的车牌由于视角，物体遮挡和环境等因素而难以获取。作为一项刚刚兴起的研究领域，虽然车辆再识别对智能交通等方面具有重要意义，但是相关的研究仍然很少。目前主流的方法如下：一种方法是使用端到端的深度神经网络，通过多组相同ID和不同ID的图片对训练卷积神经网络，在训练中学习如何同时拉近类内距离...
【技术保护点】
1.一种基于多损失融合模型的车辆再识别方法，其特征在于，包括以下步骤：/n1)读取车辆数据集，将数据集划分为训练集和测试集，并将测试集划分为查询集和候选集，对划分后的车辆训练集依次进行数据增强操作，并进行归一化处理；/n2)将车辆训练集输入用于车辆再识别的深度卷积神经网络，并输出训练好的用于再识别的特征学习网络；所述深度卷积神经网络的损失由交叉熵损失和多集群中心损失联合组成；/n3)将车辆测试集输入训练好的特征学习网络进行特征提取；根据所述特征计算得到车辆再识别结果。/n
【技术特征摘要】
1.一种基于多损失融合模型的车辆再识别方法，其特征在于，包括以下步骤：
1)读取车辆数据集，将数据集划分为训练集和测试集，并将测试集划分为查询集和候选集，对划分后的车辆训练集依次进行数据增强操作，并进行归一化处理；
2)将车辆训练集输入用于车辆再识别的深度卷积神经网络，并输出训练好的用于再识别的特征学习网络；所述深度卷积神经网络的损失由交叉熵损失和多集群中心损失联合组成；
3)将车辆测试集输入训练好的特征学习网络进行特征提取；根据所述特征计算得到车辆再识别结果。
2.根据权利要求1所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤1中，对训练集中的车辆图像分别进行水平和垂直翻转，并对其进行随机剪裁，所述随机剪裁是在图像上随机选取一块区域将其大小调整为原始图像大小，然后对图像进行随机擦除，所述随机擦除是在图像上随机选择一个矩形区域，将该区域的像素替换为随机值。
3.根据权利要求1所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤2中，深度卷积神经网络采用ResNet50作为基准网络，然后去除最后一个完全连接层和交叉熵损失层，并添加一个大小为512的完全连接层和一个多集群中心损失层。
4.根据权利要求3所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤2中，使用自适应学习率梯度下降优化算法中的Adam，迭代更新网络中的每个参数，直到参数收敛，得到训练好...
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。