[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

说明书

本发明提供了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及系统，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；根据是否具有共享视域从而学习出两种不同的特征，有助于学习出辨别力强的特征，增强检索排序表现，提高了车辆重识别的准确率。

技术领域

本发明涉及一种基于多方位信息和多分支神经网络的车辆重识别方法及系统，属于计算视觉、人工智能技术领域。

背景技术

随着社会经济发展，车辆的数目日益增多，对车辆的管理也愈发困难。车辆重识别是指在不依赖车牌信息的前提下对不同监控相机下的车辆图片进行匹配，在非重叠相机不同时间拍摄的视频中找到目标车辆的过程。车辆重识别在现实生活中有着重要的应用，如刑侦、城市计算、公共管理、智能交通。

最初，主要是通过一些传感器来进行车辆的识别，如：磁传感器、感应线圈传感器、全球定位系统等。但是部署这些传感器的成本非常大，而且得到的信息也有限。随着大规模城市监控系统的部署以及计算机视觉技术在智能交通领域的广泛应用，基于视觉的车辆重识别方法成为重点研究领域，而基于视觉的方法又分为基于手工提取特征的方法以及基于深度特征的方法，而随着深度卷积神经网络在计算机视觉多个领域取得巨大成功，基于深度特征的方法由于其卓越的性能成为主流。

现有的基于深度特征的方法，大多数都是从整幅图片最显而易见的部分来学习特征而忽略了一些局部的细节信息，而这些局部的细节信息往往包含着区分视觉上特别相似的车辆的关键特征。此外尽管有一些方法利用这些局部的细节信息，但是忽略了车辆方向对特征提取的影响。由于摄像头拍摄角度不同以及车辆的行驶状况不同，造成了拍摄的各个图片上车辆的方向差别很大。

发明内容

为了解决上述技术问题，本发明提出了一种基于方向信息和多分支神经网络的车辆重识别方法及系统。根据图片中的车辆是否存在共享视域使网络学习到两种不同的特征表示，并且每种特征表示中都包含了全局宏观信息以及局部细节信息，提高了车辆重识别的精度。

本发明采用的技术方案为：

第一方面，本发明提供了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，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。

第二方面，本发明还提供了一种基于车辆方向信息和多分支神经网络的车辆重识别系统，包括：

数据采集模块，被配置为：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；

方向信息获取模块，被配置为：获取车辆待识别图片、车辆对比图片的方向信息；

训练模块，被配置为：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；