本发明专利技术公开了一种车辆重识别方法、系统、装置及存储介质，属于图像处理、计算机视觉和深度学习技术领域，方法包括：获取待识别图片和图库集；将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片；训练好的学生网络能够扩大网络的感受野范围和建立远距离特征间的相关性，有助于提取更加鲁棒性的特征，最后从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片，识别准确度高。识别准确度高。识别准确度高。
【技术实现步骤摘要】
一种车辆重识别方法、系统、装置及存储介质
[0001]本专利技术涉及一种车辆重识别方法、系统、装置及存储介质，属于图像处理、计算机视觉和深度学习
技术介绍
[0002]车辆重识别是指从由多个不重叠的摄像头捕获的车辆图片集合中找到与给定车辆相同的车辆图片，近年来，车辆重识别(Vehicle Re
‑
identification,Vehicle Re
‑
Id)在智能交通和智慧城市应用广泛：1)在公共治安领域可以协助工作人员对特定目标车辆(如交通事故中的肇事车辆、失踪车辆等)进行检索，搜索该车辆在交通监控网络中出现过的图像；2)在跨视图车辆跟踪领域，可以对不同监控场景内的车辆进行匹配，将不同场景内的相同车辆联系在一起，实现更广范围的车辆跟踪。
[0003]随着深度学习的发展，车辆重识别取得了一定的进步，对于大规模且带标签的数据集，有监督深度学习的特征提取能力显著地提好了车辆重识别的性能；但是一个大规模且高质量数据集的制作是十分困难和昂贵的，数据集中人工错误的标注往往会阻碍网络模型找到与给定图片相似的图片；此外，实际应用场景的变化使得光照强度，天气和气候和图片背景等发生了改变，从而导致训练好的网络模型直接应用在新的场景时，模型的性能会急剧下降；解决该问题直接的方法是重新制作新的交通场景的车辆数据集并且重新训练，但是这种方法所花费人工和时间成本是高昂的，不适合在实际交通场景中部署。
[0004]针对跨域造成网络模型性能下降的问题，不少研究人员开始关注领域自适应，领域自适应是指将从有标签的源域中学习到的知识迁移到没标签的目标域中；Huang等人提出的多域多任务模型(Dual
‑
domain multi
‑
task,DDM)模型通过高斯过滤器根据出现频率将数据集划分为两个子集数据域，He等人提出一个多域学习方法来联合真实数据和虚拟数据进行训练，Peng等人提出一种数据自适应模块来生成与未标记的目标域数据分布相似的的车辆图片；上述方法大多采用卷积神经网络进行特征提取，但是无法建立长距离特征之间相关性，导致网络模型无法提取车辆鲁棒性的特征，此外部分方法如CycleGAN、SPGAN等生成的虚拟数据与实际交通场景中的车辆存在偏差。
技术实现思路
[0005]本专利技术的目的在于提供一种车辆重识别方法、系统、装置及存储介质，解决现有技术中特征提取准确度低、识别存在偏差等问题。
[0006]为实现以上目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种车辆重识别方法，包括：
[0008]获取待识别图片和图库集；
[0009]将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0010]结合第一方面，进一步的，所述学生网络包括重叠片段嵌入、Transformer编码器
和多层感知机；
[0011]重叠片段嵌入用于将待识别图片转换成序列向量；
[0012]Transformer编码器用于从序列向量中提取车辆的特征向量；
[0013]多层感知机用于调整和统一提取出的特征向量的维度。
[0014]结合第一方面，进一步的，所述图库集通过以下方法得到：
[0015]将多个不重叠的摄像头捕获的车辆图片放入一个集合中，得到图库集。
[0016]结合第一方面，进一步的，所述学生网络通过以下方法进行训练：
[0017]获取数据增强的训练集，训练集中包含有标签和无标签的样本；
[0018]搭建基于半监督的知识蒸馏框架，知识蒸馏框架由教师网络和学生网络构成，教师网络的深度设置为大于学生网络的深度；
[0019]使用有标签的样本对教师网络和学生网络进行预训练；
[0020]使用有标签的样本对知识蒸馏框架进行源域数据知识蒸馏，使用无标签的样本对知识蒸馏框架进行目标域数据知识蒸馏，完成训练。
[0021]结合第一方面，进一步的，所述数据增强的训练集通过以下方法得到：
[0022]获取源域和目标域；
[0023]通过主动边界采样，从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，将被标注目标域数据集和源域的并集作为训练集。
[0024]结合第一方面，进一步的，所述从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，包括：
[0025]计算目标域中未被赋予标签的样本的查询函数值，对查询函数值最大的样本赋予标签后送入被标注目标域样本子集，所述查询函数值通过以下方法计算：
[0026]Q(x)＝1
‑
(p
1*
‑
p
2*
)
[0027]其中，Q(x)是查询函数值，p
1*
和p
2*
分别是该样本的预测概率向量中的最大值和第二大值；
[0028]在每一次计算查询函数值之前，使用softmax函数对预测概率向量中的类别概率进行归一化，使得查询函数值被约束在0到1之间。
[0029]结合第一方面，进一步的，所述学生网络在训练时的损失函数为：
[0030][0031][0032][0033][0034][0035]其中，L
total
是总损失，L
m
是边界损失，L
c
是交叉熵损失，L
js
(θ
s
，τ
js
)是源域数据知识蒸馏的JS散度，是目标域数据知识蒸馏的JS散度，L
m
(x，y)是，x是学生网络的输入，m是控制边界的宽度，c(g(x))
y
是学生网络的第y个输出，c(g(x))
i
是学生网络的第i个输出，[]+
是修正线性单元函数，M是训练时样本的数量，K是训练时样本的类别数，j是车辆图片的类别标签，y
i
是随类别标签变化的常数，当类别标签为j时y
i
取1，否则取0，p
ij
是待识别图片的类别标签为j的预测概率，N是学生网络中序列向量的片段数，Ps
i，j
是学生网络的类别概率向量，Pt
i，j
是教师网络的类别概率向量，是教师网络的预测可能性向量，是学生网络的预测可能性向量。
[0036]第二方面，本专利技术还提供了一种车辆重识别系统，包括：
[0037]图片获取模块：用于获取待识别图片和图库集；
[0038]车辆识别模块：用于将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。
[0039]第三方面，本专利技术还提供了一种车辆重识别装置，包括处理器及存储介质；
[0040]所述存储介质用于存储指令；
[0041]所述处理器用于根据所述指令进行操作以执行根据第一方面任一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆重识别方法，其特征在于，包括：获取待识别图片和图库集；将待识别图片输入到训练好的学生网络中，从图库集中识别出与待识别图片中的车辆相似度最高的车辆图片。2.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述学生网络包括重叠片段嵌入、Transformer编码器和多层感知机；重叠片段嵌入用于将待识别图片转换成序列向量；Transformer编码器用于从序列向量中提取车辆的特征向量；多层感知机用于调整和统一提取出的特征向量的维度。3.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述图库集通过以下方法得到：将多个不重叠的摄像头捕获的车辆图片放入一个集合中，得到图库集。4.根据权利要求1所述的一种车辆重识别方法，其特征在于，所述学生网络通过以下方法进行训练：获取数据增强的训练集，训练集中包含有标签和无标签的样本；搭建基于半监督的知识蒸馏框架，知识蒸馏框架由教师网络和学生网络构成，教师网络的深度设置为大于学生网络的深度；使用有标签的样本对教师网络和学生网络进行预训练；使用有标签的样本对知识蒸馏框架进行源域数据知识蒸馏，使用无标签的样本对知识蒸馏框架进行目标域数据知识蒸馏，完成训练。5.根据权利要求4所述的一种车辆重识别方法，其特征在于，所述数据增强的训练集通过以下方法得到：获取源域和目标域；通过主动边界采样，从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，将被标注目标域数据集和源域的并集作为训练集。6.根据权利要求5所述的一种车辆重识别方法，其特征在于，所述从目标域中筛选出无标签的样本并赋予标签，得到被标注目标域样本子集，包括：计算目标域中未被赋予标签的样本的查询函数值，对查询函数值最大的样本赋予标签后送入被标注目标域样本子集，所述查询函数值通过以下方法计算：Q(x)＝1
‑
(p
1*
‑
p
2*
)其中，Q(x)是查询函数值，p
1*
和p
2*
分别是该样本的预测概率向量中的最大值和第二大值...
【专利技术属性】
技术研发人员：孙伟，胡亚华，徐凡，赵宇煌，赵畅，左军，纪锦，
申请(专利权)人：南京信息工程大学，
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。