【技术实现步骤摘要】
一种融合MobileNet
‑
V2和svm的车辆重识别方法
[0001]本专利技术涉及车辆重识别
,具体涉及到一种融合MobileNet
‑
V2和svm的车辆重识别方法。
技术介绍
[0002]车辆重识别旨在从跨摄像头、跨场景的图像中找到同一个目标车辆,其难点在于外观相似的不同车辆图像之间差异较小,且在不同视角或者光照条件下同一车辆的图像也存在较大差异,这就导致车辆重识别难度变大。
[0003]近年来,随着人工智能技术的不断发展,尤其是深度学习技术的逐步深入,基于深度学习方法的车辆重识别技术成了研究热点,比如使用深度学习网络提取特征,然后计算特征之间的距离来进行重识别。现有技术中提出过基于改进型MobileNet网络的车型识别方法、基于YOLOv5和MobileNetV2的车辆型号识别方法,针对mobilenet算法也提出过mobilenet
‑
v1和mobilenet
‑
v2。
[0004]现存的车辆重识别技术,多数是采用一个深度学习模型,该模型用于提取相关特征。然而,由于受各种客观条件影响,比如遮挡、光照、视角等因素,导致提取的特征鲁棒性较差。为了改善重识别效果,就不得不更换更加复杂的网络结构,这又增加了网络的计算量。因此,现存的车辆重识别技术很难做到效果和性能的平衡。
技术实现思路
[0005]针对现有技术所存在的不足,本专利技术在于提出一种融合MobileNet
‑
V2和svm的车辆 ...
【技术保护点】
【技术特征摘要】
1.一种融合MobileNet
‑
V2和svm的车辆重识别方法,其特征在于,基于MobileNet
‑
V2的深度学习网络,搭建多分支网络并进行多分支网络训练,在训练过程中基于svm方法得到一个车辆重识别模型,基于所述车辆重识别模型对目标车辆做出检索结果展示。2.根据权利要求1所述的融合MobileNet
‑
V2和svm的车辆重识别方法,其特征在于,所述重识别方法的具体步骤包括如下:步骤一为训练数据预处理:将样本数据进行图像预处理,之后再对经过图像预处理的样本数据进行数据标定;步骤二为多分支网络构建:以MobileNet
‑
V2为基础网络搭建多分支网络,所述多分支网络包括全局特征分支网络以及车辆部件分支网络;步骤三为多分支网络训练:首先,将训练图像和样本标签送入搭建好的车辆部件分支网络进行训练,当损失函数达到收敛,得到车辆部件检测模型,然后添加全局特征分支网络以调整车辆部件检测模型,当损失函数达到收敛,得到车辆重识别模型,即完成一次计算训练过程,模型训练时的N个计算训练过程对应得到N个车辆重识别模型,之后基于N个车辆重识别模型进行svm权重筛选得到最终的车辆重识别模型;步骤四为识别效果展示:基于最终的车辆重识别模型,搭建调用代码,调用代码包括读入一张图像,然后进行图像预处理,然后加载所述最终的车辆重识别模型进行特征提取,把所有图像经过重复上述操作,可以得到每个图像的特征,存入文件A中,再搭建匹配代码,匹配代码包括读入一张图像,然后进行图像预处理,然后加载所述最终的车辆重识别模型进行特征提取,导入文件A中,进行特征相似度计算,取相似度高的前100张图,把得到的100张图写到一个大图中进行结果展示。3.根据权利要求2所述的融合MobileNet
‑
V2和svm的车辆重识别方法,其特征在于,所述步骤一中,图像预处理包括有图像缩放、图像格式转换、图像旋转;图像缩放是采用双线性插值算法对获得的抓拍图像进行缩放,模拟得到不同实际场景下的抓拍图;图像格式转换是基于转换公式将不同格式的图像转换呈统一的格式;图...
【专利技术属性】
技术研发人员:陈迪康,
申请(专利权)人:上海软杰智能设备有限公司,
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。