一种融合MobileNet-V2和svm的车辆重识别方法技术

一种融合MobileNet

【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的车辆重识别方法，具体方案如下：
[0006]一种融合MobileNet
‑
V2和svm的车辆重识别方法，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。
[0007]进一步的，所述重识别方法的具体步骤包括如下：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]进一步的，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；
[0013]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；
[0014]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；
[0015]图像旋转是基于笛卡尔坐标系以图像的重心为圆心进行旋转。
[0016]进一步的，所述数据标定设置为区域框标定，可包括车脸区域框标定、车前灯区域框标定、车轮框标定、车辆后视镜标定。
[0017]进一步的，各个区域框标定时，框要完整包括整个对应的车辆零件，当该车辆零件显现的区域少于整个车轮面积的三分之一时，不做标定。
[0018]进一步的，在所述步骤三中，得到的车辆部件检测模型在测试集上进行效果验证，测试集标定了不同场景下的车辆各个子区域位置框作为答案，把车辆部件检测模型预测出来的检测框和子区域位置框进行匹配，根据不同的重合度阈值的准确率来判断当前的车辆部件检测模型是否达到预期效果。
[0019]进一步的，在所述步骤三中，得到的车辆重识别模型在测试集上进行效果验证，测试集标定了M个ID车辆，每个ID下面有多张不同场景下相机拍摄的同一辆车，然后还有N个随机车辆图像。对N个随机车辆图像以及每个ID对应的所有车辆图像，用得到的车辆重识别模型提取特征，存放到一个文件A中，然后对标定的M个ID下的一张车辆图像进行逐一提取特征，把提取到的特征和文件A进行比对，根据相似度得分由高到低的顺序进行排序，取前100个，最后查看每个ID下的图否搜到其他剩余的车辆图像，且排序靠前，统计Top1、Top5、Top10的准确率，以此来验证车辆重识别模型的效果。
[0020]进一步的，在所述步骤三中，svm权重筛选是对N个车辆重识别模型的每一层特征进行筛选，得到最好的每层特征权重，然后把得到的各层最终的特征权重重新写入车辆重识别模型中，即可得到最终的车辆重识别最终模型。
[0021]与现有技术相比，本专利技术的有益效果如下：
[0022](1)相较于现有车辆重识别模型多数是对车辆区域直接进行特征训练，基于上述分析，本专利技术提出的车辆重识别方法，它采用基于MobileNet
‑
V2网络的结构，融合svm处理，在保证网络结构简单的基础上，得到的车辆重识别模型具有更好的鲁棒性，还有效的提升了准确率和性能，也做到了效果和性能的均衡。
附图说明
[0023]图1为本专利技术中的双线性插值图；
[0024]图2为图像缩放中x方向进行线性插值得到的公式图；
[0025]图3为图像缩放中y方向进行线性插值得到的公式图；
[0026]图4为图像缩放中结果f(x,y)的公示图；
[0027]图5为图像旋转中的笛卡尔坐标系图；
[0028]图6为图像旋转中矩阵中点(x',y')转换为笛卡尔坐标系(x,y)的转换关系图；
[0029]图7为图像旋转中笛卡尔坐标系(x,y)转换为矩阵中点(x',y')的转换关系图；
[0030]图8为车辆上各个子区域标定示意图；
[0031]图9为原始的MobileNet
‑
V2的网络结构示意图；
[0032]图10为本专利技术整体的网络结构图；
[0033]图11为本专利技术基于网络结构图得到车辆重识别模型的流程图。
具体实施方式
[0034]下面结合实施例及附图对本专利技术作进一步的详细说明，但本专利技术的实施方式不仅限于此。
[0035]如图1所示。一种融合MobileN本文档来自技高网...

【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：