[发明专利]一种基于四元组损失度量学习的车辆再辨识方法

说明书

本发明涉及一种基于四元组损失度量学习的车辆再辨识方法，包括：构建参数共享的四分支卷积神经网络，设计四元组损失函数，对输入的四元组图像进行距离度量学习。本发明特别考虑了车辆再辨识中的特殊难点，即，车型和颜色都相同的车辆具有非常相似的车辆外观，能够有效地解决车辆再辨识中对于高相似度车辆识别精度不高的问题。

技术领域

本发明涉及计算机视觉和模式识别领域，尤其涉及一种基于四元组损失度量学习的车辆再辨识方法。

背景技术

车辆再辨识的目的是在监控视频中识别出特定的已经在监控视频中出现过的车辆。其具有重要的实际应用价值和广泛的应用场景，例如车辆追踪、车辆定位、罪犯检测等。

除了光照变化、角度变化、遮挡等因素，车辆再辨识存在特殊的难点，即车辆车型和颜色车型和颜色都相同的车辆具有非常相似的车辆外观。现有车辆再辨识方法对于上述高相似度的车辆图像存在识别精度较差的问题。因此，车辆再辨识引起学术界和工业界的广泛关注，成为计算机视觉领域一个具有挑战性的研究热点。

发明内容

本发明针对现有车辆再辨识技术对于高相似度车辆识别精度不高的问题，提出一种基于四元组损失度量学习的车辆再辨识方法，通过构建参数共享的四分支卷积神经网络模型，结合更加真实合理的四元组损失函数，对输入的四元组车辆图像进行距离度量学习，有效地提高了车辆再辨识的识别精度。

本发明解其技术问题所采用的技术方案是：

一种基于四元组损失度量学习的车辆再辨识方法，包括训练过程和再辨识过程，步骤如下：

训练过程S1：选取N组四元组训练图像，输入到参数共享的四分支卷积神经网络模型中训练，直至模型收敛，从而获得基础网络模型M；

再辨识过程S2：利用S1中训练得到基础网络模型M分别提取待查询车辆图像和候选库中每个图像的特征向量，从而计算待查询车辆图像与候选库中图像的相似度，根据相似度的大小进行车辆ID预测，并输出识别结果。

优选的，训练过程S1的步骤如下：

步骤S11)：从具有车辆ID、车辆车型和车辆颜色标签信息的车辆训练图像中，随机选取N张参考图像，记为I_a；

步骤S12)：选取与参考图像具有相同的车辆ID的车辆图像作为正样本，记为I_p；选取与参考图像具有不同的车辆ID，但具有相同的车辆车型和颜色的车辆图像作为高相似样本，记为I_h；选取与参考图像具有不同的车辆ID，并且车辆车型或颜色也不同的车辆图像作为负样本，记为I_n；从而组成N组四元组车辆图像；

步骤S13)：将四元组车辆图像输入到四分支卷积神经网络模型中，通过前向传播算法分别提取其对应的特征向量f(I_a)、f(I_p)、f(I_h)和f(I_n)；

步骤S14)：将S13)所得的特征向量送入距离度量学习模块，根据四元组车辆图像之间合理的距离关系，计算出相应的损失值，采用误差反向传播算法来训练四分支卷积神经网络模型；

步骤S15)：重复步骤S11)至步骤S14)，直到上述四分支卷积神经网络模型收敛。

优选的，步骤S13)中的四分支卷积神经网络模型是由四个参数共享的基础网络模型构成。

优选的，基础网络模型包括VGGNet、GoogLeNet或ResNet。

优选的，步骤S14)中，所述四元组车辆图像之间理想的距离关系为：

1)正样本与参考图像之间的距离小于负样本与参考图像之间的距离；