[发明专利]跨视域车辆重识别模型及其构建方法、装置及应用

权利要求书

1.一种跨视域车辆重识别模型的构建方法，其特征在于，包括：

获取至少一标记车辆的待识别车辆图像以及多视角信息，所述车辆对应设有车辆身份编码信息，所述多视角信息包含不同的拍摄角度信息，所述拍摄角度信息为摄像头的拍摄角度；

构建跨视域车辆重识别模型，所述跨视域车辆重识别模型由跨域特征生成模块以及空间特征增强模块组成；

训练所述跨视域车辆重识别模型，将所述待识别车辆图像进行通道特征提取得到通道特征，将所述通道特征与所述车辆身份编码信息以及多视角信息输入到所述跨域特征生成模块中得到跨域特征；

对所述待识别车辆图像进行特征提取得到待识别车辆特征，将所述待识别车辆特征输入到所述空间特征增强模块中，所述空间特征增强模块由矩阵子模块以及权重子模块组成，所述矩阵子模块对所述待识别车辆特征进行池化卷积操作得到系数矩阵，所述权重子模块对所述待识别车辆特征进行分离卷积操作得到权重系数，将所述待识别车辆特征与系数矩阵以及权重系数进行加权运算得到增强车辆特征；

当所述跨视域车辆重识别模型的损失函数最小时，完成所述跨视域车辆重识别模型的训练，所述损失函数用来判断所述跨域特征与所述增强车辆特征之间的分布差距，当所述分布差距最小时完成所述跨视域车辆重识别模型的训练。

2.根据权利要求1所述的一种跨视域车辆重识别模型的构建方法，其特征在于，在“将所述通道特征与所述车辆身份编码信息以及多视角信息输入到所述跨域特征生成模块中得到跨域特征”步骤之前，对所述通道特征进行线性映射变换使得所述通道特征的维度与所述多视角信息的维度相同。

3.根据权利要求1所述的一种跨视域车辆重识别模型的构建方法，其特征在于，所述跨域特征生成模块中包含并行的第一卷积网络、第二卷积网络、第三卷积网络，所述第一卷积网络获取所述多视角信息之间的区分度作为第一卷积结果，所述多视角信息之间的区分度表明在不同的监控角度下待识别车辆图像中的车辆存在的区别，所述第二卷积网络存在两个输入，第一输入为多视角信息与通道特征的拼接结果，第一输入对应的输出结果为角度卷积结果，第二输入为车辆身份编码信息与通道特征的拼接结果，第二输入对应的输出为身份卷积结果，所述第三卷积网络获取所述车辆身份编码信息的特征得到第三卷积结果，在并行的第一卷积网络、第二卷积网络、第三卷积网络之后连接两个并行的第一散度计算模块、第二散度计算模块，所述第一散度计算模块计算所述第一卷积结果以及角度卷积结果之间的KL散度得到第一偏差结果，所述第二散度计算模块计算所述第三卷积结果以及所述身份卷积结果之间的KL散度得到第二偏差结果，再使用所述多视角信息对所述第一偏差结果进行先验融合得到跨视域特征分布，使用所述车辆身份编码信息对所述第二偏差结果进行先验融合得到车辆身份特征分布，将所述跨视域特征分布与所述车辆身份特征分布输入到第四卷积网络中得到跨域通道特征，对跨域通道特征进行拼接得到跨域特征。

4.根据权利要求1所述的一种跨视域车辆重识别模型的构建方法，其特征在于，所述通道特征为R通道特征、G通道特征以及B通道特征，分别将所述通道特征中的R通道特征、G通道特征、B通道特征与所述车辆身份编码信息以及多视角信息输入到所述跨域特征生成模块中得到R跨域通道特征、G跨域通道特征、B跨域通道特征，将所述R跨域通道特征、G跨域通道特征、B跨域通道特征进行拼接得到跨域特征。

5.根据权利要求4所述的一种跨视域车辆重识别模型的构建方法，其特征在于，将所述R跨域通道特征与所述G跨域通道特征进行拼接得到RG跨域通道特征，将所述G跨域通道特征与所述B跨域通道特征进行拼接得到GB跨域通道特征，再将所述RG跨域通道特征与所述GB跨域通道特征进行拼接得到跨域特征。