[发明专利]一种基于Hard Triple的车辆重识别方法及系统

权利要求书

1.一种基于Hard Triple的车辆重识别方法，其特征在于，所述方法包括：

获取待识别车辆图像，利用最大值法将待识别车辆图像进行灰度化处理，得到待识别图像的灰度图；

利用分段线性变换的方式对图像的灰度进行拉伸；

利用基于动态匹配的局部特征提取模型提取拉伸后的灰度图中的局部特征信息；

利用空间变换网络识别出具有辨别力的局部区域特征，并进行局部区域特征融合；

根据局部区域融合特征，利用基于Hard Triplet的车辆重识别模型实现对车辆图像的识别。

2.如权利要求1所述的一种基于Hard Triple的车辆重识别方法，其特征在于，所述利用最大值法将待识别车辆图像进行灰度化处理，包括：

通过对待识别车辆图像中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到待识别图像的灰度图，所述灰度化处理的公式为：

G(i，j)＝max{R(i，j)，G(i，j)，B(i，j)}

其中：

(i，j)为待识别车辆图像中的一个像素点；

G(i，j)为像素点(i，j)的灰度值。

3.如权利要求2所述的一种基于Hard Triple的车辆重识别方法，其特征在于，所述利用分段线性变换的方式对图像的灰度进行拉伸的公式为：

其中：

f(x，y)为待识别车辆图像的灰度图；

MAX_f(x，y)，MIN_f(x，y)分别为灰度图的最大灰度值和最小灰度值。

4.如权利要求3所述的一种基于Hard Triple的车辆重识别方法，其特征在于，所述利用基于动态匹配的局部特征提取模型提取灰度图中的局部特征，包括：

1)利用深度卷积神经网络提取车辆灰度图的特征图，所述特征图的大小为C×H×W像素，其中C为通道数，H×W为空间尺寸；所述特征图是最后一个卷积层的输出；

2)使用水平最大池化将特征图转换为C×H×1像素大小的局部特征图，并转换为H×C像素大小的特征，对于当前图像的局部特征以及模型训练过程中已经提取到的局部特征通过逐元素变换将距离归一化为[0，1)：

其中：

d_i，j是当前车辆图像局部特征的第i个条带，与模型中固有的局部特征的第j个条带之间的距离；两种局部特征的条带两两对应计算的距离形成距离矩阵D，D的(i，j)元素即为d_i，j；

3)利用动态编程计算特征间的局部距离S_i，j以及局部特征之间的总距离S，从模型中固有的局部特征中选取与当前车辆图像局部特征最为接近的特征，作为待识别车辆图像的局部特征信息：

其中：

S_i，j为距离矩阵D从(1，1)到(i，j)时最短路径的总距离；

对于距离矩阵D，其内部从(1，1)到(H，H)的最短路径的总距离，即为局部特征之间的总距离：

S＝D(f_A，f_B)

其中：

f_A为当前车辆图像的局部特征；

f_B为模型中固有的局部特征。