【技术实现步骤摘要】
一种基于注意力引导生成学习的跨分辨率车辆再辨识方法
本专利技术涉及计算机视觉和模式识别领域，尤其涉及一种基于注意力引导生成学习的跨分辨率车辆再辨识方法。
技术介绍
车辆再辨识旨在于匹配由不同摄像机捕获的相同车辆图像，具有非常重要的实际应用价值。车辆再辨识应用场景非常广泛，例如车辆追踪、车辆定位、罪犯检测等，是智能监控系统中的重要组成部分。在光照变化、视点变化、遮挡、分辨率变化等诸多因素中，分辨率变化(即由不同距离的摄像机采集到的车辆图像分辨率不同)是车辆再辨识中具有挑战性的因素。特别地，在实际情况中普遍存在跨分辨率车辆图像查询的情况，即低分辨率的查询图像难以准确匹配到候选库中的高分辨率图像的问题。现有车辆再辨识方法对于上述实际情况中跨分辨率查询车辆图像存在识别精度较差的问题。因此，跨分辨率车辆再辨识越来越受到学术界和工业界的广泛关注，成为计算机视觉领域的研究热点。
技术实现思路
本专利技术针对跨分辨率车辆再辨识难以准确识别的问题，提出一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，构建基于生成...
【技术保护点】
1.一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于，包括训练过程和再辨识过程，步骤如下：/n训练过程S1：将低分辨率的车辆图像输入到跨分辨率再辨识模型中训练，直至模型收敛，从而获得网络模型SCM；/n再辨识过程S2：将待查询图像输入到S1中训练得到网络模型SCM得到其特征向量，并与候选库中每个车辆图像的特征向量计算得到待查询车辆图像与候选库中车辆图像的相似度，根据相似度的大小进行车辆ID预测，并输出识别结果。/n
【技术特征摘要】
1.一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于，包括训练过程和再辨识过程，步骤如下：
训练过程S1：将低分辨率的车辆图像输入到跨分辨率再辨识模型中训练，直至模型收敛，从而获得网络模型SCM；
再辨识过程S2：将待查询图像输入到S1中训练得到网络模型SCM得到其特征向量，并与候选库中每个车辆图像的特征向量计算得到待查询车辆图像与候选库中车辆图像的相似度，根据相似度的大小进行车辆ID预测，并输出识别结果。
2.根据权利要求1所述的一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于，训练过程S1的步骤如下：
步骤S11)：将低分辨率图像输入到超分辨率网络的生成器中进行放大，得到虚假图像；
步骤S12)：将S11)中得到的虚假图像输送给判别器进行训练，使判别器在训练的过程中趋于收敛并具有区分真实图像和和虚假图像的能力；
步骤S13)：对S12)中训练好的判别器进行固定，开始训练生成器，使生成器生成的超分辨率图像越来越接近真实图像并具有骗过判别器的能力；
步骤S14)：对S13)中生成的超分辨率图像输送到再辨识模块，并输出特征向量和注意力权重图AM；
步骤S15)：对S14)中得到的注意力权重图AM与超分辨率图像和高分辨率图像分别进行乘积，获取高分辨率图像的注意力区域和超分辨率图像的注意力区域；
步骤S16)：对S15)中得到的注意力区域，利用判别器分别提取高分辨率图像的注意力区域和超分辨率图像的注意力区域的特征，并计算引导损失，使得高分辨率图像的注意力区域和超分辨率图像的注意力区域的特征距离趋近于0，从而引导超分辨率模块关注图像的注意力区域；
步骤S17)：将步骤S14)、步骤S16)中分别得到的特征向量和注意力区域送入距离度量学习模块和基础分类模块中，计算出距离度量损失和基础分类损失，将所述距离度量损失、基础分类损失和引导损失进行加权平均得到联合损失，采用误差反向传播算法来训练跨分辨率车辆图像再辨识网络模型；
步骤S18)：重复步骤S11)至步骤S17)，直到上述跨分辨率车辆图像再辨识网络模型收敛。
3.根据权利要求2所述的一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于，步骤S11)中，超分辨率网络由生成器和判别器组成，生成器和判别器的网络结构采用SRGAN的布局，生成器和判别器在训练过程中相互博弈，最终达到均衡点，使得生成模型和判别模型相互收敛。
4.根据权利要求3所述的一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于，步骤S12)中先训练好判别器，判别器的输入为生成器生成的图像和原始图像，其中原始图像是尺寸大小为3×256×256的高分辨率图像。
5.根据权利要求2所述的一种基于注意力引导生成学习的跨分辨率车辆再辨识方法，其特征在于...
【专利技术属性】
技术研发人员：曾焕强，林向伟，朱建清，邱应强，侯军辉，廖昀，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35
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。