[发明专利]一种根据通道协同注意力的车辆重识别方法

说明书

本发明是一种根据通道协同注意力的车辆重识别方法，包括如下步骤：构建通道联合特征，计算通道协方差向量，构造鉴别性区域检测器，基于权重密度的鉴别性区域正则化，建立深度学习特征提取模型，将图片输入到模型中提取重识别特征向量，计算查询图像的重识别特征向量和候选图像的重识别特征向量的余弦距离，对特征距离排序得到最终的重识别匹配结果。通过该方法能够有效解决车辆重识别中由类内相似度低，类间相似度高引起的误匹配问题，同时不需要额外的局部标注信息，更加容易部署应用，对智慧城市建设以及智能安防管理方面具有积极意义。

技术领域

本发明属于计算机技术领域，特别是一种根据通道协同注意力的车辆重识别方法。

背景技术

车辆重识别是智能交通任务中富有挑战以及意义的问题，目前的车辆重识别系统绝大多数都是基于卷积神经网络技术构建，基础的卷积神经网络技术尽管能较好的完成车辆外观特征提取，但是却达不到较高的重识别精度。导致识别错误的主要原因如下：由于外观相似的车辆太多，单靠整体特征无法有效区分，能够用来鉴别的细节特征与整体外观尺度相差太大，网络很难给予太高的关注力度；车辆姿态的变化引起的外观特征变化过于明显，所以对于同一身份的不同角度的车辆图片，网络无法给出较高的相似度度量结果，往往被不同身份相同角度的车辆图片所误导。

面对这些问题研究人员不得不需要通过检测车辆局部细节区域的手段对车辆的细微异同进行分析。在分析过程中，一个精确而稳定的局部区域检测算法能够帮助重识别对车辆的局部细节进行直观的定位，以辅助其进一步的外观特征提取和分析。通常，人们通过添加检测模型的手段，对目标局部区域进行检测，这一过程需要大量的局部区域标注信息，并且需要在原有模型中加入检测模型，增加了模型的参数规模和计算量。

发明内容：

本发明要解决的技术问题是现有检测模型的参数规模和计算量较大。

本发明提出一种根据通道协同注意力的车辆重识别方法，包括以下步骤：

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。

优选的，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。

优选的，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}；

其中，COVunionf_ij＝E(unionf_iunionf_j)-E(unionf_i)E(uniof_j)，E()为求期望的函数，unionfi及unionfj均是通道联合特征。