[发明专利]基于多损失融合模型的车辆再识别方法

权利要求书

1.一种基于多损失融合模型的车辆再识别方法，其特征在于，包括以下步骤：

1)读取车辆数据集，将数据集划分为训练集和测试集，并将测试集划分为查询集和候选集，对划分后的车辆训练集依次进行数据增强操作，并进行归一化处理；

2)将车辆训练集输入用于车辆再识别的深度卷积神经网络，并输出训练好的用于再识别的特征学习网络；所述深度卷积神经网络的损失由交叉熵损失和多集群中心损失联合组成；

3)将车辆测试集输入训练好的特征学习网络进行特征提取；根据所述特征计算得到车辆再识别结果；

多集群中心损失和交叉熵损失函数融合之后总的损失函数L的表达式为：

L＝L_s+αL_m (1)

其中，L_s为交叉熵损失函数，L_m为多集群中心损失函数，α为权重系数；

交叉熵损失函数L_s的表达式为：

其中，i为样本，x_i为特征类别，m表示样本批量大小，n表示车辆ID的数量，b_j为第j个偏置值，y_i为输入的第i个样本的标签信息，W_j为特征层参数矩阵W的第j列；

多集群中心损失函数的表达式L_m为：

其中，N^p和Nⁿ分别表示正负样本的数量，m₁和m₂为使同类样本对间的距离小于不同类样本对间的距离的超参数，c^p是一次迭代过程中该批数据里属于同一ID样本的类中心，cⁿ是该批数据中与c^p不同的ID样本的类中心；f(x_i)和f(x_j)分别为正样本和负样本所对应的特征。

2.根据权利要求1所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤1)中，对训练集中的车辆图像分别进行水平和垂直翻转，并对其进行随机剪裁，所述随机剪裁是在图像上随机选取一块区域将其大小调整为原始图像大小，然后对图像进行随机擦除，所述随机擦除是在图像上随机选择一个矩形区域，将该区域的像素替换为随机值。

3.根据权利要求1所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤2)中，深度卷积神经网络采用ResNet50作为基准网络，然后去除最后一个完全连接层和交叉熵损失层，并添加一个大小为512的完全连接层和一个多集群中心损失层。

4.根据权利要求3所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤2)中，使用自适应学习率梯度下降优化算法中的Adam，迭代更新网络中的每个参数，直到参数收敛，得到训练好的特征学习网络。

5.根据权利要求1所述的基于多损失融合模型的车辆再识别方法，其特征在于，步骤3)中，对经过特征学习网络输出的特征计算欧式距离，并对计算出的欧式距离按从小到大的顺序进行排列，在候选集中选取与查询集中目标距离最近的图片作为检索结果。