一种基于深度学习的车辆重识别方法技术

本发明专利技术一种基于深度学习的车辆重识别方法属于图像识别、深度学习技术领域；该方法首先对目标车辆图片与采集到的车辆图片进行提取HSV空间下的颜色特征和提取RGB图像多维度特征，然后对二者进行级联得到最终的特征，从而从采集到的车辆图片中筛选出与目标车辆图片相同类别的图片；然后把目标车辆图片与筛选出来的图片再进行特征提取，获取到高维特征，之后以特征集中相同类别的特征为基础，对此特征进行相似DC模块处理和差异DC模块处理，将处理之后的两特征融合为新的特征，最后根据新特征判断其与目标车辆图片是否为同一辆车。实验证明，该方法能够提高重识别的准确率和速度。该方法能够提高重识别的准确率和速度。该方法能够提高重识别的准确率和速度。

【技术实现步骤摘要】
一种基于深度学习的车辆重识别方法


[0001]本专利技术一种基于深度学习的车辆重识别方法属于图像识别、深度学习


技术介绍

[0002]车辆重识别是指在通过固定位置传感器采集到的车辆信息，找出出现在不同时空位置的相同车辆的技术。车辆重识别技术作为智慧城市系统中的关键技术之一。为了加强道路交通管理，城市道路交通中监控覆盖率越来越高，每天产生的视频图像数据也越来越多。当视频数据量达到一定规模后，依靠人工来对这些数据进行分析处理显然是不现实的，视频数据越来越多，使用人力资源来进行监视和筛选已经显得入不敷出。利用计算机视觉相关技术，让计算机能够自动从海量的交通视频数据中，提取到智慧交通所需的、有用的、深层次的信息成为当前技术发展的方向。车辆重识别的任务是在图像清晰度较低，车牌信息无法准确辨认的情况下，在目标车辆的时空位置发生变化时，对当前拍摄设备中找到的车辆进行判断，辨别其是否是在之前时空位置中出现的目标车辆。该研究是智慧交通建设中必不可少的一项，在自动驾驶、智能安防、区域内智能管理等领域占据重要地位，具有重要的实际应用价值。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车辆重识别方法，其特征在于，包括以下步骤：步骤a、多属性密集连接的车辆分类；步骤b、基于度量学习进行车辆重识别。2.根据权利要求1所述的一种基于深度学习的车辆重识别方法，其特征在于，步骤a的具体步骤如下，步骤a1、提取HSV空间下的颜色特征步骤a11、将输入的图像转换到HSV颜色空间下首先将目标车辆的图片和采集到的车辆图片的RGB图像转化到HSV空间下，其转换的对应关系如下：max(i,j)＝max[I
R
(i,j),I
G
(i,j),I
B
(i,j)]min(i,j)＝min[I
R
(i,j),I
G
(i,j),I
B
(i,j)]Δ＝max(i,j)
‑
min(i,j)其中，I
R
(i,j)，I
G
(i,j)，I
B
(i,j)分别代表坐标为(i,j)的像素点对应的R分量，G分量，B分量的值，max(i,j)表示R，G，B分量中的最大值，min(i,j)表示R，G，B分量中的最小值，Δ取两者之差，表示三分量的跨度；V(i,j)＝max(i,j)S(i.j)＝Δ/max(i,j)其中，H(i,j)，S(i.j)，V(i,j)分别代表坐标为(i,j)的像素点转换到HSV颜色空间下对应的H分量，S分量，V分量的值；步骤a12、获取图像的高维特征把目标图片和采集到的车辆图片转换到HSV颜色空间后，将转换到HSV颜色空间后的图像数据送入密集连接的特征提取网络，所述特征提取网络的结构由三个TCBR块组成，每个TCBR块由两个CBR块级联而成，每个CBR块由conv层，BN层，ReLu层组成，TCBR块即Twice Convention Batch Normalization ReLu块状结构，在TCBR块中，第二个CBR块的输入前面所有的输出相加而得到，并且将输入，一级输出，二级输出相加得到的特征作为下一层的输入，即密集连接，各项输出之间直接相加，使每个输出节点的输出在维度上保持一致，减少了网络的计算量，维度变换的工作则通过在两个TCBR块之间添加卷积层来实现，使网络更加灵活，每个TCBR块间通过卷积层与池化层进行维度变换，进行不同维度特征的提取，获取图像的高维特征；步骤a13、获得图像的颜色类别将提取到的高维特征送入全连接层，将特征映射到样本空间，最后经过回归得到HSV特征对应的颜色特征向量C；步骤a2、对RGB图像进行多维度特征提取，得到车辆类别特征向量步骤a21、获得不同维度下的高维特征将图像传入特征提取网络提取不同维度下的高维特征；
步骤a22、对不同维度下的特征传入全连接层做特征映射从特征提取网络输出三个不同维度的特征，经过全连接层的特征映射得到了三个不同维度下对应的归一化向量，对于车辆类别特征多维度融合过程，三个维度下输出的类别特征向量ID
‑
1，ID
‑
2，ID
‑
3，设三个特征向量分别为：f1＝(p
A
,p
B
,p
C
,...,p
H
)f2＝(p
B
,p
A
,p
C
,...,p
H
)f3＝(p
C
,p
A
,p
B
,...,p
H
)其中，A
‑
H对应表示8个车辆类型，p
A
为f1中最大值，表示图片是类型A的概率最高；p
B
为f2中最大值，表示图片是类型B的概率最高；p
C
为f3中最大值，表示图片是类型C的概率最高；然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：然后，计算各自的得分，分别对于类型A，B，C，计算公式如下：其中，w
A1
为向量f1中p
A
占类型A权值的权重系数；w
A2
为向量f2中p
A
占类型A权值的权重系数；w
A3
为向量f3中p
A
占类型A权值的权重系数；w
B1
为向量f1中p
B
占类型B权值的权重系数；w
B2
为向量f2中p
B
占类型B权值的权重系数；w
B3
为向量f3中p
B
占类型B权值的权重系数；w
C1
为向量f1中p
C
占类型C权值的权重系数；w
C2
为向量f2中p
C
占类型C权值的权重系数；w
C3
为向量f3中p
C
占类型C权值的权重系数、最终，类型A，B，C的得分S
A
，S
B
，S
C
分别为：S
A
＝[w
A1
×
f1(p
A
)+w
A2
×
f2(p
A
)+w
A3
×
f3(p
A
)]S
B
＝[w
B1
×
f1(p
B
)+w
B2
×
f2(p
B
)+w
B3
×
f3(p
B
)]S
C
＝[w
C1
×
f1(p
C
)+w
C2
×
f2(p
C
)+w
C3
×
f3(p
C
)]之后，比较S
A
，S
B
，S
C
三者值的大小，取...

【专利技术属性】
技术研发人员：孙晓明，陈言，段彦，王永亮，吴晨旭，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：