[发明专利]基于关键点检测和局部特征对齐的车辆重识别方法

权利要求书

1.一种基于关键点检测和局部特征对齐的车辆重识别方法，其特征在于，该方法包括以下步骤：

S10，获取待识别的车辆图像，作为输入图像；

S20，对所述输入图像进行关键点检测，获取待识别的车辆的关键点及其对应的置信度；根据检测的关键点及其对应的置信度，将所述输入图像中待识别的车辆划分为N部分，作为局部图像；N为自然数；

S30，将局部图像放大、缩小设定倍后，与原局部图像一起合并，作为预处理的局部图像；将所述输入图像、各预处理的局部图像输入预构建的车辆重识别模型中，对各预处理图像进行卷积处理，并通过预构建的车辆重识别模型的特征提取层提取所述输入图像、卷积处理后各预处理的局部图像的特征，作为全局特征、局部特征；提取后，拼接各局部特征与所述全局特征，作为待识别的车辆对应的综合特征；

S40，结合所述待识别的车辆的局部特征、全局特征，通过预设的自适应区域加权对齐方法计算所述综合特征与车辆图像库中各图像对应特征的距离并进行排序，将排序结果作为重识别结果进行输出；

其中，“通过预设的自适应区域加权对齐方法计算所述综合特征与车辆图像库中各图像对应特征的距离”，其方法为：

其中，表示待识别的车辆的综合特征与车辆图像库中各图像对应综合特征的距离，euc()表示欧氏距离，、分别为待识别的车辆的第个局部特征、车辆图像库中各图像对应的第个局部特征，、表示待识别的车辆图像的第个局部图像、车辆图像库中各图像对应第个局部图像的显著度，；

所述局部图像的显著度的计算方法为：

对各局部图像，获取其对应的关键点的置信度以及未被蒙版遮盖部分的像素点数，并结合所述输入图像的总像素点数，计算各局部图像对应的显著度；具体为：

其中，表示局部图像对应的第个关键点的置信度，表示未被蒙版遮盖部分的像素点数，表示输入图像的总像素点数；

所述车辆重识别模型基于一维卷积层、深度学习网络构建。

2.根据权利要求1所述的基于关键点检测和局部特征对齐的车辆重识别方法，其特征在于，“将所述输入图像中待识别的车辆划分为N部分”，其方法为：

基于检测的关键点及其对应的置信度，获取车辆的姿态，并判断设定的车辆语义区域是否可见；

若设定的车辆语义区域可见，则结合车辆的姿态，对各车辆语义区域的关键点进行连线，将输入图像中的待识别车辆划分为车顶、车侧、车头、车位四部分。

3.根据权利要求1所述的基于关键点检测和局部特征对齐的车辆重识别方法，其特征在于，所述车辆重识别模型，其在训练时的损失函数为：

其中，表示车辆重识别模型的损失值，表示车辆重识别模型在训练时一批次的训练样本图像的数量，表示批次，表示车辆重识别模型在训练时一批次的训练样本图像中的任一图像，表示图像集A中图像特征与的特征的欧式距离最大的一张训练样本图像，表示图像集B中图像特征与的特征的欧式距离最小的一张训练样本图像，表示预设的距离间隔，表示包含与相同ID的所有图像的图像集，表示当前批次中除了中包含的图像外所有图像构建的图像集，表示欧氏距离。

4.根据权利要求3所述的基于关键点检测和局部特征对齐的车辆重识别方法，其特征在于，为0.1。