[发明专利]一种根据通道协同注意力的车辆重识别方法

权利要求书

1.一种根据通道协同注意力的车辆重识别方法，其特征在于，包括如下步骤：

S1，根据车型构造学习样本，将学习样本中的图像输入到预训练的神经网络模型中，将每个图像中的通道的卷积特征展开为特征向量，生成通道特征，随后对其在通道方向串联，得到通道联合特征；

S2，计算要计算当前通道的通道联合特征和卷积层内其他通道的通道联合特征之间的协方差向量；

S3，聚类通道协方差向量，根据聚类结果对通道进行分组，对每个分组进行掩码生成和权重计算，分别得到鉴别性区域权重图和鉴别性区域检测器；

S4，在鉴别性区域权重图中定义矩形子区域，根据鉴别性区域检测器计算其权重密度，根据权重密度得出鉴别力最强的矩形区域；

S5，建立深度学习特征提取模型，将S1中的图像分为m个图像，对每个图像都应用S4中的鉴别力最强的矩形区域，得到m个鉴别图片，通过该模型对S1中的图像和m个鉴别图片进行编码得到m+1个特征向量，将其串联后得到候选图像重识别特征向量，m≥2；

S6，将待测图像输入到深度学习特征提取模型中，得到查询图像重识别特征向量，计算查询图像重识别特征向量和候选图像重识别特征向量的距离，对距离排序得到重识别匹配结果。

2.根据权利要求1所述的根据通道协同注意力的车辆重识别方法，其特征在于，所述步骤S1中，预训练的神经网络模型为在Veri776数据库中预训练的RESNET50模型。

3.根据权利要求1所述的根据通道协同注意力的车辆重识别方法，其特征在于，所述步骤S2中，协方差向量的计算公式为：

COVunionf_i＝{COVunionf_ij}，j∈{1，2，3，...，512}；

COVunionf_ij＝E(unionf_iunionf_j)-E(unionf_i)E(unionf_j)；

其中，E()为求期望的函数，unionfi及unionfj均是通道联合特征。

4.根据权利要求1所述的根据通道协同注意力的车辆重识别方法，其特征在于，所述步骤S3中，聚类通道协方差向量的方法为：

A，对通道联合特征两两之间求其相似度，形成相似度矩阵W＝{s_ij}_{i＝1...n，j＝1...n}，其中

B，计算相似度矩阵W的每一行元素之和，并以其为对角构造对角矩阵D；

C，根据公式L＝D-W计算拉普拉斯矩阵，计算L的特征值，将特征值从小到大排序，计算前m个特征值的特征向量u₁，u₂，...，u_m，将m个列向量组成矩阵U＝{u₁，u₂，...，u_m}，U＝R^n×m，令y_i∈R^m是U的第i行的向量；

D，使用kmean算法将新样本点Y＝{y₁，y₂，...，y_n}聚类成C类，得到聚类簇A_i＝{y_j|y_j∈C_i}，其中y_j的类别代表COVunionf_i的类别；

5.根据权利要求4所述的根据通道协同注意力的车辆重识别方法，其特征在于，所述步骤S3中，得到鉴别性区域权重图和鉴别性区域检测器的方法为：

得到通道组ChanelGroup_i＝{COVunionf_i|COVunionf_i∈C_i}_{i＝0，...，N}，给定单个输入图像I，通过前向传播，得到卷积Fconv，根据ChanelGroupi将Fconv分组，每个分组都进行鉴别区域掩码生成，得到鉴别性权重图，对ChanelGroupi中的所有分组都进行权重计算就会得到一组mask，将其作为鉴别区域检测器。