一种车辆重识别方法、系统、计算机设备和存储介质技术方案

本发明专利技术公开了一种车辆重识别方法、系统、计算机设备和存储介质，所述方法包括：将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。本发明专利技术能够解决车辆重识别中类间相似和类内差异问题，减少计算过程中的噪声，提高重识别的准确率，同时在一定程度上解决了遮挡问题。决了遮挡问题。决了遮挡问题。

【技术实现步骤摘要】
一种车辆重识别方法、系统、计算机设备和存储介质


[0001]本专利技术涉及车辆重识别
，特别是涉及一种基于超分辨率的局部特征提取车辆重识别方法、系统、计算机设备和存储介质。

技术介绍

[0002]随着深度学习的发展，车辆重识别问题在最近几年得到广泛的研究，目前，常用的车辆重识别方法有两种，一种方法是度量学习，通过设计相应的相似度度量函数，使得相似的图片距离拉近，不相似的图片距离推远，以便把属于同一辆车的图片寻找出来；另一种方法是特征表示学习，利用深度学习的强大表达能力，提取车辆图片的全局特征和局部特征来进行车辆重识别。
[0003]这两种方法在使用过程中都存在一定的局限性，由于不同车辆之间的类间相似和同一车辆的类内差异都很大，第一种方法无法很好的适应多个不同的视角，对于视角变化大的数据集效果会降低；第二种方法中车辆的局部特征多种多样难以提取，并且在不同视角下提取局部特征时会造成与全局特征的重复计算，并且带来不必要的噪声，影响重识别的效果。

技术实现思路

[0004]本专利技术的目的是解决车辆重识别中类间相似和类内差异问题，利用目标检测方法把局部区域聚焦在小且具有辨识度的特征块上，减少计算过程中的噪声，并结合超分辨率技术提升局部区域的图片质量，提高重识别的准确率。
[0005]为了实现上述目的，本专利技术提供了一种基于超分辨率的局部特征提取车辆重识别方法、系统、计算机设备和存储介质。
[0006]第一方面，本专利技术实施例提供了一种基于超分辨率的局部特征提取车辆重识别方法，所述方法包括：
[0007]将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；
[0008]对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；
[0009]对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；
[0010]将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；
[0011]将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。
[0012]进一步地，所述对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块的步骤包括：
[0013]通过YOLOV5模型对所述车辆图像中的局部区域目标进行检测，得到局部区域目标的边界框；
[0014]将所述边界框内的图像区域作为初始局部区域块。
[0015]进一步地，所述对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块的步骤包括：
[0016]将所述初始局部区域块输入RCAN模型，对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块。
[0017]进一步地，所述将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果的步骤包括：
[0018]对所述高质量局部区域块进行重识别的检索，计算所述高质量局部区域块与待检索图片块的欧式距离；
[0019]根据所述欧式距离，计算每一个高质量局部区域块的辨识度分数；
[0020]根据所述辨识度分数计算训练所用的辨识度损失函数。
[0021]进一步地，采用如下公式计算所述所述高质量局部区域块与待检索图片块的欧式距离：
[0022][0023]其中H,W分别代表高质量局部区域块的高与宽，j代表每个像素点，与代表来自两个不同局部特征块的像素点；
[0024]采用如下公式计算每一个高质量局部区域块的辨识度分数：
[0025][0026]采用如下公式计算训练所用的辨识度损失函数：
[0027][0028]其中，i为同一车辆图像检索出的所有局部区域块个数，k为对所述高质量局部区域块进行重识别的检索中检索结果正确匹配的次数。
[0029]进一步地，采用如下公式对所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果：
[0030][0031]其中，α和β分别表示所述全局分支重识别结果和所述局部分支重识别结果的权重值，R
g
表示所述全局分支重识别结果，P
i
表示第i个所述高质量局部区域块，表示P
i
块的所述局部分支重识别结果。
[0032]进一步地，所述第一神经网络和所述第二神经网络均选用ResNet50模型。
[0033]第二方面，本专利技术实施例提供了一种基于超分辨率的局部特征提取车辆重识别系统，所述系统包括：
[0034]全局分支识别模块，用于将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；
[0035]局部分支检测模块，用于对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；
[0036]局部分支处理模块，用于对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；
[0037]局部分支识别模块，用于将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；
[0038]重识别模块，将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。
[0039]第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0040]第四方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0041]上述本申请提供了一种基于超分辨率的局部特征提取车辆重识别方法、系统、计算机设备和存储介质，通过所述方法，在提取局部特征前先自动对车辆比较有辨识度的局部区域进行检测和定位，同时利用超分辨率方法对提取到的局部特征进行数据增强，减少了提取局部特征过程中对全局特征的重复计算，减少局部特征的噪声，同时提出了辨识度分数目标函数，避免了局部区域面积的影响，从而从整体上提升重识别的准确性，这对于现有的车辆重识别领域来说是非常有意义的。
附图说明
[0042]图1是本专利技术实施例中基于超分辨率的局部特征提取车辆重识别方法的流程示意图；
[0043]图2是本专利技术实施例中车辆重识别方法的又一实施例的流程示意图；
[0044]图3是图1中步骤S20的具体流程图；
[0045]图4是图1中步骤S40的具体流程图；
[0046]图5是本专利技术实施例中基于超分辨率的局部特征提取车辆重识别系统的结构示意图；
[0047]图6是本专利技术实施例中计算机设备的内部结构图。
具体实施方式
[0048]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超分辨率的局部特征提取车辆重识别方法，其特征在于，所述方法包括如下步骤：将车辆图像输入第一神经网络，从中提取全局特征，并对所述全局特征进行训练，得到全局分支重识别结果；对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块；对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块；将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果；将所述全局分支重识别结果和所述局部分支重识别结果加权求和，得到重识别结果。2.根据权利要求1所述的基于超分辨率的局部特征提取车辆重识别方法，其特征在于，所述对所述车辆图像中的局部区域目标进行检测，得到初始局部区域块的步骤包括：通过YOLOV5模型对所述车辆图像中的局部区域目标进行检测，得到局部区域目标的边界框；将所述边界框内的图像区域作为初始局部区域块。3.根据权利要求1所述的基于超分辨率的局部特征提取车辆重识别方法，其特征在于，所述对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块的步骤包括：将所述初始局部区域块输入RCAN模型，对所述初始局部区域块进行超分辨率处理，得到高质量局部区域块。4.根据权利要求1所述的基于超分辨率的局部特征提取车辆重识别方法，其特征在于，所述将所述高质量局部区域块输入第二神经网络，从中提取局部特征，并对所述局部特征进行训练，得到局部分支重识别结果的步骤包括：对所述高质量局部区域块进行重识别的检索，计算所述高质量局部区域块与待检索图片块的欧式距离；根据所述欧式距离，计算每一个高质量局部区域块的辨识度分数；根据所述辨识度分数计算训练所用的辨识度损失函数。5.根据权利要求4所述的基于超分辨率的局部特征提取车辆重识别方法，其特征在于，采用如下公式计算所述高质量局部区域块与待检索图片块的欧式距离：其中H,W分别代表高质量局部区域块的高与宽，j代表每个像素点，x
j
与y
j
代表来自两个不同局部特...

【专利技术属性】
技术研发人员：李鉴明，仇晶，周玲，丁杰，伍丹妮，贾焰，方滨兴，韩伟红，顾钊铨，王乐，李树栋，李默涵，唐可可，
申请(专利权)人：广州大学，
类型：发明
国别省市：