[发明专利]基于深度学习的车辆重识别方法和装置

权利要求书

1.一种基于深度学习的车辆重识别方法，其特征在于，所述方法包括：

将预设的目标车辆图片以及从目标拍摄图像中检测出的各车辆图片，输入预设的特征识别模型，得到目标车辆的第一特征值，以及检测出的各辆车的第二特征值，其中，特征识别模型采用卷积神经网络，卷积神经网络在训练时所使用的损失函数用于减小不同拍摄图像中、同一车辆的特征值之间的差距，以及增大不同拍摄图像中、不同车辆的特征值之间的差距，以区分不同拍摄图像中的车辆是否为同一车辆；

计算第一特征值与各第二特征值的相似度，将相似度最高的第二特征值确定为目标第二特征值；

将目标第二特征值对应的车辆，确定为目标拍摄图像中的目标车辆；

所述卷积神经网络包括深度残差网络；

所述深度残差网络通过如下步骤训练得到：

将预设的第一训练样本集合输入预设的原始的深度残差网络，预设的第一训练样本集合包括预设第二数量的车辆图片以及各车辆图片对应的车辆类别编号，一个车辆类别编号对应至少一张车辆图片，车辆类别编号相同的车辆图片为同一辆车；

当预设的损失函数的计算值低于预设的函数值阈值时，得到训练好的深度残差网络，预设的损失函数如公式所示；

在公式中，L_th为预设的损失函数的计算值；batch为预设的第一训练样本集合；P为车辆类别编号的数量，K为各车辆类别编号分别对应的车辆图片的数量；a为batch中的一个训练样本；d_a,p为训练样本a与所有正样本的距离，d_a,p的角标a,p中的p为正样本的标识，训练样本a的正样本是指与训练样本a对应同一车辆类别编号的训练样本；d_a,n为训练样本a与所有负样本的距离，d_a,n的角标a,n中的n为负样本的标识，训练样本a的负样本是指与训练样本a对应不同车辆类别编号的训练样本；α、β、μ₁、μ₂和r均为常数；针对(max d_a,p-min d_a,n+α)₊，当括号中的表达式的值为负值时，(max d_a,p-min d_a,n+α)₊的值为0；针对(max d_a,p-β)₊，当括号中的表达式的值为负值时，(max d_a,p-β)₊的值为0；针对(r-min d_a,n)₊，当括号中的表达式的值为负值时，(r-min d_a,n)₊的值为0。

2.根据权利要求1所述的方法，其特征在于，所述计算第一特征值与各第二特征值的相似度，将相似度最高的第二特征值确定为目标第二特征值的步骤，包括：

计算第一特征值与各第二特征值之间的欧式距离；

将预设第一数量的欧式距离对应的第二特征值，确定为备选第二特征值，其中，备选第二特征值对应的欧式距离小于所有欧式距离中、除备选第二特征值对应的欧式距以外的欧式距离；

计算第一特征值与备选第二特征值之间的马氏距离和杰卡德距离，并将计算出的马氏距离和杰卡德距离加权求和，得到相似距离；

判断相似距离中的最小相似距离是否小于预设的特征值阈值；

若为是，则将所述最小相似距离对应的备选第二特征值确定为目标第二特征值。

3.根据权利要求1所述的方法，其特征在于，在所述将预设的目标车辆图片以及从目标拍摄图像中检测出的各车辆图片，输入预设的特征识别模型的步骤之前，所述方法还包括：

将目标拍摄图像输入预设的车辆检测网络，确定目标拍摄图像中各车辆的第一区域信息，其中，目标拍摄图像包括多个车辆，第一区域信息包括车辆所处区域在目标拍摄图像样本中的位置，车辆检测网络采用更快的基于区域的卷积神经网络Faster R-CNN检测框架，车辆检测网络用于提取目标拍摄图像的特征，并根据所述特征确定各车辆的第一区域信息；

按照第一区域信息，在目标拍摄图像中检测各车辆图片。