[发明专利]基于多视角和卷积注意力模块的车辆重识别方法和系统

权利要求书

1.基于多视角和卷积注意力模块的车辆重识别方法，其特征在于：包括以下步骤：

S1：从车辆图像数据集中抽取部分车辆图像进行语义标注；通过深度学习分割网络训练标注好的车辆图像得到语义分割模型；将车辆图像数据集中的所有车辆图像输入训练好的语义分割模型进行推理，使每张图像产生一个掩膜Mask；

S2：构建基于多视角和卷积注意力模块的车辆重识别网络，包括共享骨干网络ResNet50的全局特征表示模块和局部特征表示模块，骨干网络ResNet50的瓶颈层bottleneck包括卷积注意力模块CBAM；

骨干网络ResNet50将提取的特征和掩膜Mask流入全局特征表示模块和局部特征表示模块；全局特征表示模块将流入的特征进行多种池化、拼接融合、分类；局部特征表示模块对齐流入的特征和掩膜Mask生成不同视角的局部特征，通过公共面计算方法计算不同视角下不同车辆的局部距离；

S3：对全局特征表示模块分类后的特征采用全局损失函数计算全局损失；将局部特征表示模块计算得到的局部距离采用局部损失函数计算局部损失；通过全局损失函数与局部损失函数加权相加得到的总损失函数优化基于多视角和卷积注意力模块的车辆重识别网络；

S4：将车辆图像和对应的掩膜Mask一起输入基于多视角和卷积注意力模块的车辆重识别网络进行训练，经过迭代生成车辆重识别模型并保存；

S5：将待检索的车辆图像输入训练好的车辆重识别模型进行推理，返回车辆检索结果。

2.根据权利要求1所述的基于多视角和卷积注意力模块的车辆重识别方法，其特征在于：所述的步骤S1中，具体步骤为：车辆数据集包括训练集和测试集，测试集包括查询集和图库集；在标注图像时，用不同颜色标注车辆的包括前部、后部、侧部、顶部的不同视角；采用深度学习分割网络U-Net训练标注好的图像。

3.根据权利要求2所述的基于多视角和卷积注意力模块的车辆重识别方法，其特征在于：所述的步骤S2中，具体步骤为：

S21：骨干网络ResNet50提取特征并将特征和掩膜Mask流入全局特征表示模块和局部特征表示模块；

S22：卷积注意力模块CBAM包括通道注意力模块和空间注意力模块按顺序加入骨干网络ResNet50的瓶颈层bottleneck中，作为全局特征表示模块和局部特征表示模块的共享主干网络增强模型的区别能力；

S23：全局特征表示模块将流入的特征分别进行全局最大池化和全局平均池化，然后将两种池化后的特征按照维度方向拼接融合并分类；

S24：局部特征表示模块将通过骨干网络ResNet50提取的特征和掩膜Mask进行特征对齐；设骨干网络ResNet50提取的特征为F(m，n)，掩膜Mask为{S_i|i∈{1，2，3，4}}，i的不同取值分别表示车辆的包括前部、后部、侧部、项部的不同视角，则分别生成车辆的包括前部、后部、侧部、项部的不同视角的局部特征F_i为：

S25：局部特征表示模块通过掩膜Mask计算车辆的包括前部、后部、侧部、顶部的不同视角的得分a_i：

通过视角得分计算车辆图像x与车辆图像y的公共面得分

设欧式距离为D，根据公共面得分和步骤S24得到的局部特征F_i计算两个车辆之间的局部距离

4.根据权利要求3所述的基于多视角和卷积注意力模块的车辆重识别方法，其特征在于：所述的步骤S3中，具体步骤为：

在全局特征表示模块中使用交叉熵损失和中心损失；在局部特征表示模块中使用三元组损失；设锚anchor与正样本的局部距离为锚anchor与负样本的局部距离为边缘系数为α，将函数max(0，·)表示为[·]₊，则总损失函数为：