[发明专利]基于多属性深度特征的车辆重识别方法有效
申请号: | 201810389331.7 | 申请日: | 2018-04-26 |
公开(公告)号: | CN108647595B | 公开(公告)日: | 2021-08-03 |
发明(设计)人: | 桑农;崔超;高常鑫;陈洋;王若林 | 申请(专利权)人: | 华中科技大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 华中科技大学专利中心 42201 | 代理人: | 李智;曹葆青 |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 属性 深度 特征 车辆 识别 方法 | ||
1.一种基于多属性深度特征的车辆重识别方法,其特征在于,包括:
利用特征提取模型提取第A个池化层的测试图片集的深度特征,利用测试图片集的深度特征和W矩阵,得到查找集中的测试图片的深度特征与候选集中的目标图片的深度特征之间的马氏距离,按照马氏距离从小到大排序,得到测试图片与目标图片的相似度排序结果;
所述测试图片集包括查找集与搜索集,所述测试图片集为包含车辆的图片;
所述特征提取模型的训练包括:
在GoogLeNet的第A个池化层后接入车辆多属性分类器,得到改进GoogLeNet,利用训练图片训练改进GoogLeNet,得到特征提取模型;
所述W矩阵由XQDA模型训练得到,所述XQDA模型的训练包括:
利用特征提取模型提取训练图片在第A个池化层的深度特征,得到训练图片的深度特征集,将训练图片的深度特征集对半分为第一数据集和第二数据集,利用第一数据集和第二数据集训练XQDA模型,得到W矩阵;
所述马氏距离为:
其中,dW(xi,xj)为测试图片的深度特征xi和目标图片的深度特征xj之间的马氏距离,∑′I为测试图片与目标图片的类内差值分布的协方差矩阵,∑′E为测试图片与目标图片的类间差值分布的协方差矩阵。
2.如权利要求1所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述利用第一数据集和第二数据集训练XQDA模型的具体实现方式包括:
利用第一数据集和第二数据集得到类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵,对第一数据集和第二数据集中的深度特征进行正交三角分解后得到第一降维矩阵,利用第一降维矩阵对类内样本差值分布的协方差矩阵和类间样本差值分布的协方差矩阵求逆,得到求逆结果,对求逆结果使用LDA得到W矩阵。
3.如权利要求1或2所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述车辆多属性分类器包括车辆颜色分类器、车型分类器和ID信息分类器。
4.如权利要求3所述的一种基于多属性深度特征的车辆重识别方法,其特征在于,所述改进GoogLeNet的损失函数L由车辆多属性的损失函数加权求和得到:
L=λ0L0+λ1L1+λ2L2
其中,L0表示ID信息分类器的损失函数,L1表示车辆颜色分类器的损失函数,L2表示车型分类器的损失函数,λ0的取值范围为0.1-0.3,λ1的取值范围为0.4-0.5,λ2的取值范围为0.6-0.8。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学,未经华中科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810389331.7/1.html,转载请声明来源钻瓜专利网。