[发明专利]基于多方位信息和多分支神经网络车辆重识别方法及系统

权利要求书

1.一种基于车辆方向信息和多分支神经网络的车辆重识别方法，其特征在于，步骤包括：

采集若干车辆待识别图片，和检索数据集上的若干车辆对比图片；

获取车辆待识别图片、车辆对比图片的方向信息；

将车辆待识别图片与车辆对比图片配对形成若干个图片组，根据方向信息将若干个图片组划分为共享视域组和非共享视域组；将图片组输入训练模型，获取共享视域组特征，或，非共享视域组特征；

根据共享视域组特征，或，非共享视域组特征计算车辆待识别图片与车辆对比图片的欧式距离，并进行排序，检索出与待识别车辆相似度靠前的若干车辆；

所述共享视域组特征包括共享视域全局特征和共享视域局部特征；

所述训练模型为深度卷积网络训练模型，深度卷积网络基于ResNet-50，将其扩展为四个分支，即GS分支、GD分支、LS分支和LD分支，GS分支用于提取共享视域组全局信息，GD分支用于提取非共享视域组全局信息，LS分支用于提取共享视域组局部信息，LD分支用于提取非共享视域组局部信息；

在GS分支和GD分支上完成三个分类任务，三个分类任务包括颜色分类，车型分类和车辆ID分类；在LS分支和LD分支上进行车辆ID分类任务，ID分类任务中使用交叉熵函数作为损失函数；对于度量学习任务，使用三元组损失作为网络的损失函数，度量学习损失函数分为两类，一类是空间内损失函数，另外一类是跨空间损失；

所述空间内损失函数为每一个分支都有一个空间内损失函数，其中在GS分支和LS分支上使用共享视域组对的车辆样本来组成三元组来计算损失，而在GD分支和LD分支上使用非共享视域组对的车辆样本组成三元组来计算损失；

所述跨空间损失共有两个，第一个对应GS分支和GD分支，第二个对应LS分支和LD分支，在跨空间损失中用锚图像、与锚图像组成非共享视域组对的正例图像以及与锚图像组成共享视域组对的反例图像来构成一个三元组；

提取所述共享视域局部特征的方法是对一个批次的图片在通过卷积层之后得到的特征图进行空间域上的随机遮盖，使网络在剩下的区域里进行学习。

2.如权利要求1所述的车辆重识别方法，其特征在于，所述获取车辆待识别图片、车辆对比图片的方向信息步骤包括：

采集若干车辆图片作为训练集图片，标注训练集图片的方向信息；将标注好的车辆图片输入深度卷积网络模型中进行训练，获得方向分类训练模型；

将车辆待识别图片、车辆对比图片输入到方向分类训练模型中获取车辆待识别图片、车辆对比图片的方向信息。

3.如权利要求1所述的车辆重识别方法，其特征在于，所述根据方向信息将若干个图片组划分为共享视域组和非共享视域组的步骤包括：根据一个图片组中两个图片的方向信息是否具有共享视域，将图片组划分为共享视域组或非共享视域组；所述共享视域为两张车辆待识别图片中是否具有相同的视域特征。