一种基于改进深度相对距离学习模型的车辆再识别方法技术

本发明专利技术公开一种基于改进深度相对距离学习模型的车辆再识别方法，利用RepNet的特性，负责标签属性分类的粗粒度学习通道将车辆的颜色信息和车辆型号信息提取出来，通过抑制层将提取的特征对后面的细粒度相似性学习进行反馈，消除掉那些嵌入到细粒度学习通道中的粗粒度属性特征，这样既节省了训练时间，又可以让细粒度学习时将更多地注意力关注在复杂特征的提取上，来提高识别精度。

【技术实现步骤摘要】
一种基于改进深度相对距离学习模型的车辆再识别方法
本专利技术涉及图像处理
，具体涉及一种基于改进深度相对距离学习(DRDL)模型的车辆再识别方法。
技术介绍
车辆再识别技术主要应用在视频监控方面，例如监测某个特定的车辆是否出现。为了监测公共交通，大多数交通拥挤的区域已经安装了大量的监控摄像机，使得车辆的信息获取更加方便。现在大多数车辆再识别算法本质上是汽车车牌的识别，其首先将车牌的位置在图片中定位出来，然后通过对图像预处理、特征提取、车牌字符识别等技术，识别出车辆牌号从而得到车辆的其他信息。显然车牌是车辆的独特识别码，车牌识别也己经在运输管理等方面得到广泛应用。然而，由于视角和环境引起的挑战，在大多数情况下，很难准确的从视频录像中获取所有车牌信息，这样就会造成识别的困难。哪怕是高清卡口相机，多数时，也不能很好进行车牌捕获，并且识别到的有些会是特殊的车牌，有些车牌可能模糊不清，甚至有些车是没有车牌的，这样就会造成这些摄像机拍摄的图像或视频数据的可识别性能急剧下降。此外，在大量以前的安全事件中牌照常常被阻挡、移除、甚至伪装，在这些情况下，车牌无法用于车辆重新识别。
技术实现思路
本专利技术所要解决的是现有基于汽车车牌来实现车辆再识别方法容易出现识别困难的问题，提供一种基于改进深度相对距离学习模型的车辆再识别方法。为解决上述问题，本专利技术是通过以下技术方案实现的：一种基于改进深度相对距离学习模型的车辆再识别方法，包括步骤如下：步骤1、构建改进深度相对距离学习模型，该改进深度相对距离学习模型将图像深度卷积后的特征分为两个流：一个为属性分类流，其具有softmax损失函数；一个为相似性学习流，其具有焦点损失函数；同时在两个流之间添加抑制层，该抑制层将相似性学习流的第一层特征与属性分类流中最终层特征交互后作为相似性学习流的最终层特征；步骤2、将给定的车辆数据集分成训练集和测试集，其中车辆数据集中的图像为同时包含车辆ID、车辆颜色和车辆型号三种标签标签的图像；步骤3、利用训练集对步骤1所构建的改进深度相对距离学习模型进行训练，以确定模型中的网络参数，由此得到训练好的车辆再识别模型；在训练过程中，将训练集中的图像输入到深度卷积网络进行特征提取，并将所得到的特征分成两个分支即标签属性分类分支和相似性学习分支；标签属性分类分支对车辆的颜色信息和车辆型号信息进行特征提取，并通过抑制层将标签属性分类分支所提取的特征对相似性学习分支分支的细粒度相似性学习进行反馈，消除嵌入到细粒度相似性学习中的粗粒度属性特征；步骤4、利用测试集对步骤3所得到的训练好的车辆再识别模型进行测试，以评估该训练好的车辆再识别模型的性能；在测试过程中，从测试集中随机抽取两张图像，并对比这两张图像的车辆ID标签确定其是否为同一辆车，并记录这两张图像的编号和对比结果，生成一组测试数据；使用训练好的车辆再识别模型来计算出预定组数的测试数据的阈值和准确率，并进行统计后得出最佳阈值与准确率，将最佳阈值作为设定阈值；将测试集输入到训练好的车辆再识别模型中，获取每一幅图像对应的最终特征向量，并计算该每组测试数据中的两幅图像的最终特征向量的夹角余弦；将夹角余弦与设定阈值进行比对，若大于设定阈值则认为这两幅图像为同一辆车，否则认为这两幅图像为同一辆车；最后计算MAP值作为评估模型性能指标；步骤5、将两幅车辆图像送入到步骤3所训练好的车辆再识别模型中，得到这两幅车辆图像是否为同一辆车的判定，以实现车辆再识别。上述步骤1中，抑制层为级联抑制层。上述步骤1中，焦点损失函数为：式中，Lft为损失值，α为平衡因子，y′为模型输出的预测值，y为模型输入的真实值，γ为聚焦参数。上述步骤2中，给定的车辆数据集为VehicleID数据集。与现有技术相比，本专利技术利用RepNet的特性，负责标签属性分类的粗粒度学习通道将车辆的颜色信息和车辆型号信息提取出来，通过抑制层将提取的特征对后面的细粒度相似性学习进行反馈，消除掉那些嵌入到细粒度学习通道中的粗粒度属性特征，这样既节省了训练时间，又可以让细粒度学习时将更多地注意力关注在复杂特征的提取上，来提高识别精度。附图说明图1为一种基于改进深度相对距离学习模型的车辆再识别方法的流程图。图2为传统深度相对距离学习模型的结构示意图。图3为改进深度相对距离学习模型的结构示意图。图4为准确率曲线。图5为loss曲线。图6为最佳阈值与最佳准确率曲线图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本专利技术进一步详细说明。为了能够更有效地进行车辆再识别任务，提高车辆再识别精度，本专利技术提出了一种基于改进深度相对距离学习模型的车辆再识别方法，如图1所示，其具体包括步骤如下：步骤1、模型构建深度相对距离学习(DeepRelativeDistanceLearning，DRDL)是Hongyeliu等人提出的一个端到端框架，专门用于车辆再识别。DRDL使用的基础网络结构是VGGCNNM1024，它含有5个卷积层和2个全连接层，网络最后一层全连接层“fc7”的维度为1024。考虑到单分支网络结构不能同时提取车辆模型两个输入图像之间的特征差异，因此DRDL将单分支网络扩展为两个分支网络。经过卷积层的卷积神经网络提取特征后，将提取的特征分为两类，一类是车辆型号即车辆属性标签，一类是CCL(coupledclusterloss)损失函数学习到的特征，分别流入两个通道之中，最后一个全连接层“fc8”是混合了车辆型号信息和CCL损失函数中学习到的特征的融合特征。如果，这时输入的两个车辆图像属于不同的车辆型号，那它们肯定就不会是同一辆车；而另一种情况下，即若它们是同一种型号，则它们还需要进行额外的姿态差异测量，根据标准VGGCNNM1024网络输出维度，将“fc8”的维度设置为1024，以消除评价实验时特征维度差异的影响。混合差分网络中的“fc7_2”与标准VGGCNNM1024网络的输出特性完全相同，而“fc8”则是一种增强的特性，既适用于模型间差分，也适用于模型内差分度量。DRDL网络整体框架详细结构示意图可见图2。由于上述DRDL模型中使用的都是使用VGGCNNM2048及其混合差分版本作为特征提取器，其网络结构简单，不能更好地提取车辆特征。因此，本专利技术提出改进深度相对距离学习模型，该模型将框架中的深度卷积网络替换为效果更好，速度更快的RepNet，并且将相似度学习中的损失函数设置为FocalLoss，它可以解决数据集中正负样本不均衡的问题。RepNet与其他深度多任务学习模型的架构在于，它将输入图像深度卷积结构后的全连接层(FC层)的特征向量分为两个流，一个用于基于标签的属性分类流(AttributesClassifificationStream，ACS)，具有softmax损失函数，一个针对细粒度的相似性学习流(SimilarityLear本文档来自技高网...

【技术保护点】
1.一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，包括步骤如下：/n步骤1、构建改进深度相对距离学习模型，该改进深度相对距离学习模型将图像深度卷积后的特征分为两个流：一个为属性分类流，其具有softmax损失函数；一个为相似性学习流，其具有焦点损失函数；同时在两个流之间添加抑制层，该抑制层将相似性学习流的第一层特征与属性分类流中最终层特征交互后作为相似性学习流的最终层特征；/n步骤2、将给定的车辆数据集分成训练集和测试集，其中车辆数据集中的图像为同时包含车辆ID、车辆颜色和车辆型号三种标签标签的图像；/n步骤3、利用训练集对步骤1所构建的改进深度相对距离学习模型进行训练，以确定模型中的网络参数，由此得到训练好的车辆再识别模型；在训练过程中，将训练集中的图像输入到深度卷积网络进行特征提取，并将所得到的特征分成两个分支即标签属性分类分支和相似性学习分支；标签属性分类分支对车辆的颜色信息和车辆型号信息进行特征提取，并通过抑制层将标签属性分类分支所提取的特征对相似性学习分支分支的细粒度相似性学习进行反馈，消除嵌入到细粒度相似性学习中的粗粒度属性特征；/n步骤4、利用测试集对步骤3所得到的训练好的车辆再识别模型进行测试，以评估该训练好的车辆再识别模型的性能；在测试过程中，从测试集中随机抽取两张图像，并对比这两张图像的车辆ID标签确定其是否为同一辆车，并记录这两张图像的编号和对比结果，生成一组测试数据；使用训练好的车辆再识别模型来计算出预定组数的测试数据的阈值和准确率，并进行统计后得出最佳阈值与准确率，将最佳阈值作为设定阈值；将测试集输入到训练好的车辆再识别模型中，获取每一幅图像对应的最终特征向量，并计算该每组测试数据中的两幅图像的最终特征向量的夹角余弦；将夹角余弦与设定阈值进行比对，若大于设定阈值则认为这两幅图像为同一辆车，否则认为这两幅图像为同一辆车；最后计算MAP值作为评估模型性能指标；/n步骤5、将两幅车辆图像送入到步骤3所训练好的车辆再识别模型中，得到这两幅车辆图像是否为同一辆车的判定，以实现车辆再识别。/n...

【技术特征摘要】
1.一种基于改进深度相对距离学习模型的车辆再识别方法，其特征是，包括步骤如下：
步骤1、构建改进深度相对距离学习模型，该改进深度相对距离学习模型将图像深度卷积后的特征分为两个流：一个为属性分类流，其具有softmax损失函数；一个为相似性学习流，其具有焦点损失函数；同时在两个流之间添加抑制层，该抑制层将相似性学习流的第一层特征与属性分类流中最终层特征交互后作为相似性学习流的最终层特征；
步骤2、将给定的车辆数据集分成训练集和测试集，其中车辆数据集中的图像为同时包含车辆ID、车辆颜色和车辆型号三种标签标签的图像；
步骤3、利用训练集对步骤1所构建的改进深度相对距离学习模型进行训练，以确定模型中的网络参数，由此得到训练好的车辆再识别模型；在训练过程中，将训练集中的图像输入到深度卷积网络进行特征提取，并将所得到的特征分成两个分支即标签属性分类分支和相似性学习分支；标签属性分类分支对车辆的颜色信息和车辆型号信息进行特征提取，并通过抑制层将标签属性分类分支所提取的特征对相似性学习分支分支的细粒度相似性学习进行反馈，消除嵌入到细粒度相似性学习中的粗粒度属性特征；
步骤4、利用测试集对步骤3所得到的训练好的车辆再识别模型进行测试，以评估该训练好的车辆再识别模型的性能；在测试过程中，从测试集中随机抽取两张图像，并对比这两张图像的车辆ID标...

【专利技术属性】
技术研发人员：胡聪，李超，许川佩，朱爱军，黄喜军，张本鑫，梁志勋，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45