一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法技术

本发明专利技术公开了一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法，以实车场景下的车路协同DAID

【技术实现步骤摘要】
一种新的实车场景下的车路协同重识别模型、数据集及模型训练方法


[0001]本专利技术属于智能网联汽车
，特别设计了一种基于实车场景下的车路协同重识别模型、数据集及模型训练方法。

技术介绍

[0002]车路协同是车辆和基础设施相协做，利用基础设施为车辆提供远超当前视野的全局视角和覆盖盲区等信息，从而完成目标检测、识别、跟踪等任务，以确保后续正确、安全的控制决策。车路协同合作感知技术旨在通过车辆和基础设施间的信息交互，弥补单车感知中范围有限、频繁遮挡等不足，实现对道路目标信息的全局感知。但目前对于车路协同合作感知研究才刚刚起步，存在很大的研究空间。Kim等人首次提出了一种多模式的协同感知系统，实现了前方碰撞预警、自动隐藏避障等协同驾驶。最近，Li等人提出了一个新型的蒸馏协作图来构建一种可训练的自适应协作，试图更好的提高多设备感知的性能和带宽。
[0003]车辆重识别(Re
‑
ID)旨在将不同摄像头采集到的相同车辆身份的图片寻找出来。随着技术的不断发展，其在智能交通系统中具有广阔的应用场景，目前已成为实现自动驾驶必不可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于车路协同重识别模型的数据集，其特征在于，该数据集通过以下方法制作得到：完成路端采集装置和车端采集装置的数据匹配，框选出满足匹配的车辆；截取车辆图片；分别对车辆ID和相机ID进行赋值；具体过程：在路口部署4对高分辨率摄像头，作为路端采集装置，同时在车辆上配置一个向前的高质量摄像头，作为车端采集装置，共同完成数据采集；将两个采集装置的数据中具有相同车辆的图片人工挑选出来，进行相同车辆标签赋值，同时还对数据进行摄像头ID的标注，设置车辆摄像头ID为0，路端摄像头ID为1，最终获得205组匹配的车辆，每组至少有2张照片，共2556张。2.根据权利要求1所述的一种用于车路协同重识别模型的数据集，其特征在于，还包括：将数据集车辆样本按2：1划分为train、gallery两个子数据集，并将gallery数据集中每个相机ID下的图片随机选出一张，以生成query数据集；train数据集用于训练，gallery与query数据集用于测试。3.一种新的实车场景下的车路协同重识别模型，其特征在于，包括：相机嵌入模块、跨阶段特征融合模块以及多方向注意力模块；所述相机嵌入模块是为了对不同相机下的视角问题，利用数据集中自带的相机标签，将相机信息嵌入到骨干网中，实现了不同相机的简单分组；所述跨阶段特征融合模块是用于防止高阶语义局部信息的泄露，将高阶语义与低阶语义融合，实现了背景和车辆的区分；所述多方向注意力模块进行空间位置上的注意力特征获取，进一步细化，用于最终的重识别任务。4.根据权利要求3所述的一种新的实车场景下的车路协同重识别模型，其特征在于，所述相机嵌入模块：假设有N个相机，记为ID
r
,r∈[1,N]，使用随机生成序列进行模块初始化，初始化后得到相机嵌入为其中A＝H
×
W，H、W分别表示当前V0通道下所对应图片的高宽；对于某一相机ID
r
所拍照片img
i
，其对应的相机嵌入特征可表示为将相机嵌入特征输入到Backbone中，得到表达式为其中V0是Backbone中的一个低阶特征，λ是平衡相机嵌入模块的超参数。5.根据权利要求3所述的一种新的实车场景下的车路协同重识别模型，其特征在于，所述跨阶段特征融合模块：获取低阶语义V0和高阶语义V1两个特征，将它们进行融合实现最终的特征提取，具体融合过程：首先将两种特征映射到同一空间中，随后将其进行融合；对于低阶语义，先将高度、宽度两个维度相乘，通过线性变换改变相乘之后的维度，记为V
01
；高阶语义用1
×
1卷积进行通道降维，记为V
11
，获得和低阶语义相同通道数，将两个向量拼接连成一个整体，定义为V
′
C1
＝C(V
01
,V
11
),其中C代表串联操作；在拼接完成之后，将V
′
C1
通过1
×
1卷积再次进行通道变换，使其具有V
11
相同的通道数，
得到V
′
C2
，随后，再将V
′
C2
与高阶语义V
11
相加，得到V2，完成特征融...

【专利技术属性】
技术研发人员：王海，牛亚晴，蔡英凤，陈龙，李祎承，刘擎超，
申请(专利权)人：江苏大学，
类型：发明
国别省市：