[发明专利]基于多中心度量损失的多视角环境下车辆重识别方法

权利要求书

1.一种基于多中心度量损失的多视角环境下车辆重识别方法，其特征在于，包括：

获取包含车辆身份标签的车辆样本图像，对所述车辆样本图像进行预处理，得到预处理后的图像；将经过预处理的图像经过空间变换网络对图像进行仿射变换；

将经过仿射变换后的图像经过深度卷积神经网络进行特征提取，得到图像的特征向量；

根据所述图像的特征向量分别计算分类任务损失和多中心度量学习损失，将所述分类任务损失和多中心度量学习损失相加得到综合损失的值；

根据所述综合损失的值计算所述深度卷积神经网络的参数和视角中心向量的梯度，根据所述视角中心向量的梯度更新所述深度卷积神经网络中的参数和视角中心向量；当所述深度卷积神经网络收敛后，得到训练好的深度卷积神经网络模型；

利用所述训练好的深度卷积神经网络模型对不同车辆的图像进行特征提取和身份识别处理。

2.根据权利要求1所述的方法，其特征在于，所述的获取包含车辆身份标签的车辆样本图像，对所述车辆样本图像进行预处理，得到预处理后的图像，包括：

从车辆数据集中读取包含车辆身份标签的车辆样本图像，将车辆样本图像大小调整为(225×225)；根据预设的翻转概率、裁剪和擦除比例对所述车辆样本图像进行随机翻转、随机裁剪和随机擦除，并对擦除的部分添加上高斯白噪声，之后将车辆样本图像中每一个通道的全部像素值减去该通道预设的平均值，并除以预设的方差进行均值方差归一化；

将归一化后的图像送入空间变换网络，根据公式1进行仿射变换；

空间变换网络中的参数预测网络使用四个卷积层提取特征并通过全局平均池化操作得到32维的特征向量，通过一个全连接层得到六个仿射变换所需的参数，得到预处理后的图像。

3.根据权利要求2所述的方法，其特征在于，所述的将经过仿射变换后的图像经过深度卷积神经网络进行特征提取，得到图像的特征向量，包括：

将经过仿射变换后的图像I_i输入到ResNet-50深度卷积神经网络中，在ResNet-50深度卷积神经网络的最后一个卷积层之后得到图像的特征映射，如公式2所示；

M_i＝a_n(..(a₁(I_i·W¹)·W²)·Wⁿ) (2)

将得到的特征映射M_i根据公式3进行全局最大池化操作得到2048维的图像的特征向量f_i；

。