[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 | ||
本发明公开了一种基于多属性深度特征的车辆重识别方法,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。本发明简化了模型训练过程,大大提高了重识别准确率,模型泛化性能很强。
技术领域
本发明属于深度学习技术领域,更具体地,涉及一种基于多属性深度特征的车辆重识别方法。
背景技术
车辆重识别是计算机视觉领域的一个重要研究方向,着眼于在不借助车牌信息的情况下在无公共视域的摄像头下特定目标车辆的识别工作。作为一项刚刚兴起的研究领域,虽然车辆重识别对智能交通等方面具有重要意义,但是相关的研究仍然很少。目前主流的一种方法是使用端到端的深度神经网络,通过多组相同目标和不同目标的图片对训练卷积神经网络,在训练中同时追求类内距离的最小化和类间距离最大化。另一种方法是寻找一种基于车辆外观的特征表达,主要包括车型,纹理,粘贴标志和时间空间等信息,再使用欧氏距离计算目标之间的相似度,并根据相似度高低进行排序得到最后结果。不同于行人重识别中不同目标的外形差异较大,车辆重识别面临大量同款车型的情况。这些同款车型的不同车辆往往具有相似的外观,在不借助车牌信息的情况下难以区分。
第一种方法有很多缺点,比如训练使用的图片对数量大,如何选择极大地影响最后的结果;网络难以收敛,需要很多调参技巧。另一种方法需要选取具有代表性和判别性的特征。现有技术存在训练过程复杂、重识别效果差、准确率低的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于多属性深度特征的车辆重识别方法,由此解决现有技术存在训练过程复杂、重识别效果差、准确率低的技术问题。
为实现上述目的,本发明提供了一种基于多属性深度特征的车辆重识别方法,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。
进一步地,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。
进一步地,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。
进一步地,马氏距离为:
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/201810389331.7/2.html,转载请声明来源钻瓜专利网。