本发明专利技术提供一种融合监控网络拓扑信息的车辆再识别方法、装置及设备，所述融合监控网络拓扑信息的车辆再识别方法包括：获取初始图像数据集并对所述初始图像数据集进行处理；将处理后的所述初始图像数据集作为车辆再识别预设卷积神经网络的输入，获取车辆再识别模型；将待识别的目标车辆图像输入所述车辆再识别模型，得到所述待识别的目标车辆图像的特征张量，并基于所述特征张量确定所述待识别的模板车辆图像与图库集中各图像的相似度，形成车辆再识别初步结果；对所述车辆再识别初步结果进行排序，获得最终的车辆再识别结果。本发明专利技术可以直接对交通监控视频进行车辆再识别，有效提高车辆再识别的准确率。提高车辆再识别的准确率。提高车辆再识别的准确率。
【技术实现步骤摘要】
融合监控网络拓扑信息的车辆再识别方法、装置及设备
[0001]本专利技术属于计算机视觉
，特别是涉及一种融合监控网络拓扑信息的车辆再识别方法、装置及设备。
技术介绍
[0002]随着经济与科技的繁荣发展，一方面监控视频覆盖率越来越高，政府管理人员逐渐认识到基于图像的智能技术在公共安全、交通管理、打击犯罪、刑侦取证等多方面多场景的应用前景，如人脸识别、异常事件检测等，另一方面，居民汽车保有量越来越多，车辆逐渐成为了当前社会生活中不可或缺的一部分，是公共场景、交通道路上的重要参与部分，因此，面向车辆的相关视觉任务层出不穷，也受到了学术届和工业界的普遍重视。车辆再识别(VehicleRe
‑
Identification)是指对于出现在不重叠视图中的同一车辆进行再次身份识别，即判断采集自不同监控摄像头的汽车图像判断是否属于同一车辆，对交通管理、公共安全等领域具有积极意义。
[0003]针对于车辆再识别的研究主要分为三个阶段：二十世纪九十年代由于视频监控建设不完善且图像处理技术未成熟，普遍采用基于传感器的方法，由于硬件依赖，应用场景局限在高速公路，精度也有较大缺陷；二十一世纪初，图像处理技术日益成熟，研究者开始利用传统手工设计特征对车辆进行身份标识与匹配，首先利用传统的图像处理技术获得车辆特征属性，如颜色、边角信息等，然后将特征匹配问题转换为判断来自两个不同摄像机的两个车辆图像是否来自同一车辆的概率分类问题，训练分类器实现车辆再识别目标。2012年后，深度学习的发展如火如荼，促使了车辆再识别任务重回产研业的视野，也是是目前主流的车辆再识别方法所采取的主要手段，其主要步骤是构建深度学习网络架构，利用海量车辆图像数据对车辆特征进行有监督学习，将车辆图像学习映射到特征空间中，并计算车辆图像在特征空间中的度量相似性，认为越相似的车辆图像其身份越有可能为同一个。
[0004]现有相似的车辆再识别技术采取的主要方法有三种，一种是全局与局部特征结合，分别训练全局特征网络和局部特征网络得到对应特征，再对全局特征和局部特征分配合适权重，达到更好的特征映射关系，如PGAN等；一种是多特征网络拼接，即训练多个特征网络，然后将其训练得到的特征网络拼接到一起，作为最终的特征向量，如VehicleNet等；还有一种是利用多维度信息，如车型、车辆颜色、车牌号、时间戳等信息，将一次的再识别过程拆分成多步骤匹配过程，提高了车辆再识别的准确率，代表系统是PROVID。这些方法都具有一个统一的特性：需要训练多个神经网络，然后合理拼装后完成最终的再识别结果，整体流程需要较多手工对接操作，难以形成一套自动化的应用管线。
[0005]尽管有越来越多的研究者注意到车辆再识别问题带来的挑战，但目前业界所能实现的精度只是差强人意，其主要困难在于两点，一是车辆类间差异小，不同车辆可能只能依靠较小细节进行身份区分；二是成像差异大，同一车辆的不同图像可能存在角度、光照等较大不同。
技术实现思路
[0006]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种融合监控网络拓扑信息的车辆再识别方法、装置及设备，用于提高车辆再识别的准确率。
[0007]为实现上述目的及其他相关目的，本专利技术的实施例提供一种融合监控网络拓扑信息的车辆再识别方法，包括：获取初始图像数据集并对所述初始图像数据集进行处理；将处理后的所述初始图像数据集作为车辆再识别预设卷积神经网络的输入，获取车辆再识别模型；将待识别的目标车辆图像输入所述车辆再识别模型，得到所述待识别的目标车辆图像的特征张量，并基于所述特征张量确定所述待识别的模板车辆图像与图库集中各图像的相似度，形成车辆再识别初步结果；对所述车辆再识别初步结果进行排序，获得最终的车辆再识别结果。
[0008]于本专利技术的一实施例中，所述初始图像数据集包括：训练集和测试集；所述测试集包括查询集和图库集。
[0009]于本专利技术的一实施例中，所述对所述初始图像数据集进行处理包括：将初始图像数据进行水平翻转、随机擦除、增加随机补丁、颜色抖动中的任一种或多种组合。
[0010]于本专利技术的一实施例中，所述预设卷积神经网络的骨干网为基于IBN
‑
Net的深度残差网络，并将基于IBN
‑
Net的深度残差网络的平均池化层替换为自适应平均池化层，在最后的全连接层后添加一个批量归一化层用以减低特征维度，然后连接一个全连接层，输出最终的预测结果。
[0011]于本专利技术的一实施例中，所述预设卷积神经网络以三元组损失与交叉熵损失的混合损失函数计算损失；所述预设卷积神经网络使用随机梯度下降优化器计算梯度并迭代更新参数；采用预热学习率结合余弦退火调整学习率作为学习率调整策略；在深度残差网络的第三层和第四层中最后一半残差块的尾部分别增加非局部块用以捕获长距离依赖。
[0012]于本专利技术的一实施例中，所述基于所述特征张量确定所述待识别的模板车辆图像与图库集中各图像的相似度的一种实现方式包括：获取所述图库集中各图像的特征张量；使用预设卷积神经网络获得待识别的模板车辆图像的待查询特征张量；计算待识别的模板车辆图像的待查询特征张量与所述图库集中各图像的特征张量之间的欧几里得距离；基于所述欧几里得距离确定所述相似度，其中，欧几里得距离越小，相似度越高。
[0013]于本专利技术的一实施例中，所述对所述车辆再识别初步结果进行排序，获得最终的车辆再识别结果的一种实现方式包括：以无向图的形式维护监控网络拓扑结构信息；将相似度在预设值以上的待识别的模板车辆图像作为候选图像，并按从高到低的顺序保存；划分前k个候选图像为排序列表；基于自信策略确定所有候选图像的图像ID集合；基于各候选图像的图像 ID是否存在于预设候选图像ID集合中更新所述排序列表；根据更新的所述排序列表获得最终的车辆再识别结果：相似度最高且满足相似度阈值的的图像ID作为最终识别结果。
[0014]本专利技术的实施例还提供一种融合监控网络拓扑信息的车辆再识别装置，包括：车辆检测与追踪模块，用于获取初始图像数据集并对所述初始图像数据集进行处理；车辆再识别计算模块，用于将处理后的所述初始图像数据集作为车辆再识别预设卷积神经网络的输入，获取车辆再识别模型，并将待识别的目标车辆图像输入所述车辆再识别模型，得到所述待识别的目标车辆图像的特征张量，并基于所述特征张量确定所述待识别的模板车辆图
像与图库集中各图像的相似度，形成车辆再识别初步结果，对所述车辆再识别初步结果进行排序，获得最终的车辆再识别结果。
[0015]于本专利技术的一实施例中，所述预设卷积神经网络的骨干网为基于IBN
‑
Net的深度残差网络，并将基于IBN
‑
Net的深度残差网络的平均池化层替换为自适应平均池化层，在最后的全连接层后添加一个批量归一化层用以减低特征维度，然后连接一个全连接层，输出最终的预测结果。
[0016]本专利技术的实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令；所述处理器运行程序指令实现如本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合监控网络拓扑信息的车辆再识别方法，其特征在于：包括：获取初始图像数据集并对所述初始图像数据集进行处理；将处理后的所述初始图像数据集作为车辆再识别预设卷积神经网络的输入，获取车辆再识别模型；将待识别的目标车辆图像输入所述车辆再识别模型，得到所述待识别的目标车辆图像的特征张量，并基于所述特征张量确定所述待识别的模板车辆图像与图库集中各图像的相似度，形成车辆再识别初步结果；对所述车辆再识别初步结果进行排序，获得最终的车辆再识别结果。2.根据权利要求1所述的融合监控网络拓扑信息的车辆再识别方法，其特征在于：所述初始图像数据集包括：训练集和测试集；所述测试集包括查询集和图库集。3.根据权利要求1或2所述的融合监控网络拓扑信息的车辆再识别方法，其特征在于：所述对所述初始图像数据集进行处理包括：将初始图像数据进行水平翻转、随机擦除、增加随机补丁、颜色抖动中的任一种或多种组合。4.根据权利要求1述的融合监控网络拓扑信息的车辆再识别方法，其特征在于：所述预设卷积神经网络的骨干网为基于IBN
‑
Net的深度残差网络，并将基于IBN
‑
Net的深度残差网络的平均池化层替换为自适应平均池化层，在最后的全连接层后添加一个批量归一化层用以减低特征维度，然后连接一个全连接层，输出最终的预测结果。5.根据权利要求4述的融合监控网络拓扑信息的车辆再识别方法，其特征在于：所述预设卷积神经网络以三元组损失与交叉熵损失的混合损失函数计算损失；所述预设卷积神经网络使用随机梯度下降优化器计算梯度并迭代更新参数；采用预热学习率结合余弦退火调整学习率作为学习率调整策略；在深度残差网络的第三层和第四层中最后一半残差块的尾部分别增加非局部块用以捕获长距离依赖。6.根据权利要求1所述的融合监控网络拓扑信息的车辆再识别方法，其特征在于：所述基于所述特征张量确定所述待识别的模板车辆图像与图库集中各图像的相似度的一种实现方式包括：获取所述图库集中各图像的特征张量；使用预设卷积神经网络获得待识别的模板车辆图像的待查询特征张量；...
【专利技术属性】
技术研发人员：杨旭波，邹悦，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
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。