[发明专利]一种基于卷积神经网络的多任务车辆再识别方法及装置

说明书

本申请公开一种基于卷积神经网络的多任务车辆再识别方法及装置,所述方法包括：S110.建立车辆再识别数据集；S120.调整图片大小，并随机形成相应图片对；S130.将图片对分别输入网络进行训练；S140.进行图片相似度排序或优化，车辆再识别。本申请基于CNN的多任务方法进行车辆的再识别任务，针对目前主流车辆再识别CNN模型的缺点，提出了结合识别模型和校验模型的基于CNN的多任务模型，不仅拥有识别模式的优点，也有校验模型的优点，提高了车辆再识别的精确率，并且采用优化算法，有实现简单，训练速度快的特点，便于在实际环境下应用。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的多任务车辆再识别方法及装置。

背景技术

近年来，随着监控摄像头捕捉到的数据越来越大，对监控数据分析能力的需求也在迅速增加。但是，与数据增大的速度相比，数据分析技术的发展还远达不到要求。车辆再识别技术，旨在弥补固定摄像头角度局限的问题，可以跨摄像头检索出所需的特定车辆，不仅省去人为检索的步骤，还提高效率。因此，合理有效的利用车辆再识别技术，对于刑侦任务，智能监控任务等都具有巨大意义。

与行人再识别相似，车辆再识别中，车辆会受到光照强度、角度、遮拦物等复杂的环境影响，同一辆车在不同环境下表现得各不相同对车辆再识别增大了很大的难度。因此，开发出一种识别能力强大，抗干扰能力强的再识别方法是非常必要的。目前，车辆再识别技术主要还是应用在图像库中，图像库由视频剪切得到。因此，需要提供一种基于卷积神经网络的多任务车辆再识别方法及装置。

发明内容

本发明的目的在于提供一种基于卷积神经网络的多任务车辆再识别方法及装置，近年来，深度学习的热潮使人工智能更加普及化。车辆再识别作为计算机视觉领域中一个既具有研究价值同时又具有挑战性的热门话题，越来越受到研究者的重视。

为达到上述目的，本发明采用下述技术方案：

一种基于卷积神经网络的多任务车辆再识别方法，包括：

S110.建立车辆再识别数据集；

S120.调整图片大小，并随机形成相应图片对；

S130.将图片对分别输入网络进行训练；

S140.进行图片相似度排序或优化，车辆再识别。

进一步地，所述图片包括三个标签：第一标签，第二标签和第三标签，

所述第一标签用于标示图片的编号，所有的图片的编号都是唯一的；

所述第二标签用于标示摄像头的编号；

所述第三标签用于标示车辆。

进一步地，S110所述建立车辆再识别数据集包括训练数据集，探测数据集和综合数据集；

所述训练数据集，探测数据集和综合数据集内包括相同车辆的图片，其中相同车辆的图片包括不同探测仪拍摄得到的；

优选地，所述训练数据集，综合数据集和探测数据集在所有图片中所占比例依次减小。

进一步地，S120所述调整图片大小包括按照设定裁剪方式进行随机裁剪，之后随机打乱形成相应图片对。

进一步地，S130所述进行网络训练包括：对探测的数据集进行过滤和分类，完成网络训练。

进一步地，S140所述排序优化包括：

对图片进行相似度的计算并进行排序，生成识别结果；

优选地，包括：

S1301.通过训练完的网络，对综合数据集里的图片和对探测数据集里的图片进行特征的提取；