[发明专利]基于双网络结构的卡口车辆重识别方法

权利要求书

1.一种基于双网络结构的卡口车辆重识别方法，其特征在于：包括以下步骤：

S1.从卡口系统的数据库中获取一部分拍摄的车辆图像作为训练集；

S2.对于训练集中的每一张车辆图像，将其分割成上半区域和下半区域两个区域；

S3.构建第一神经网络、第二神经网络，第一神经网络、第二神经网络分别对训练集中车辆图像的上半区域和下半区域进行表观特征的学习，其中第一神经网络用于对同一型号的车辆的不同表观特征进行学习，第二神经网络用于对不同型号的车辆的不同表观特征进行学习；

S4.训练集中的每一张车辆图像经过第一神经网络、第二神经网络的学习后得到相应的表观特征，将第一神经网络、第二神经网络输出的表观特征拼接起来；

S5.利用训练集中的每一张图像对第一神经网络、第二神经网络进行特征学习的训练直至收敛；

S6.利用训练好的第一神经网络、第二神经网络对卡口系统数据库中的每一张车辆图像进行特征的学习，第一神经网络、第二神经网络的输出进行拼接后得到每张车辆图像的表观特征；

S7.对于一张查询图像，首先将其分割成上半区域和下半区域两个区域，然后将查询图像的上半区域、下半区域分别输入至训练好的第一神经网络、第二神经网络内，第一神经网络、第二神经网络的输出进行拼接后得到查询图像的表观特征；

S8.计算查询图像的表观特征与卡口系统数据库中每一张车辆图像的表观特征的相似度，然后将相似度最高的车辆图像作为重识别结果进行输出。

2.根据权利要求1所述的基于双网络结构的卡口车辆重识别方法，其特征在于：所述车辆图像或查询图像含有车辆的正脸照。

3.根据权利要求1所述的基于双网络结构的卡口车辆重识别方法，其特征在于：所述第一神经网络学习的表观特征包括车窗、车顶、车辆内的挂饰；所述第二神经网络学习的表观特征包括车灯、保险杆、车前盖。

4.根据权利要求1所述的基于双网络结构的卡口车辆重识别方法，其特征在于：所述第一神经网络、第二神经网络包括有五个卷积层和两个全连接层。

5.根据权利要求1所述的基于双网络结构的卡口车辆重识别方法，其特征在于：所述第一神经网络使用损失函数softmax Loss表征是否训练收敛；所述第二神经网络使用嵌套三元组损失函数表征是否训练收敛；

嵌套三元组损失函数表示为：

式子中max{x，0}表示{}内的值大于零时取x的值为损失，小于零时损失为零；

嵌套三元组损失函数的输入元素表示为：{x_A,x_P1,x_P2,x_P3,x_N},其中这五个输入的下标分别代表：

A:任意一个车型中的其中一个ID的车；

P1：与A相同车型相同ID的车，并且在这一类型中离A距离最远；

P2：与A点相同车型但是ID不同，在P2所在ID中距离A最近；

P3：与A点相同车型但是ID不同；ID与P2相同，在P2所在ID中距离A最远；

N:与A车型不同的一个ID类中，距离A最近的一个车。

6.根据权利要求1所述的基于双网络结构的卡口车辆重识别方法，其特征在于：所述步骤S8计算相似度的具体过程如下：

其中查询图像的表观特征使用n维向量表示a(x₁,x₂,…x_n)，车辆图像的表观特征使用n维向量表示b(y₁,y₂,…y_n)，相似度d_ab计算表示为：