[发明专利]一种基于孪生神经网络的车辆身份判别方法

说明书

本发明公开了一种基于孪生神经网络的车辆身份判别方法。本发明构建孪生神经网络，在Veri‑Wild数据集上训练上述网络；然后构建具体应用场景的数据集，并继续训练上述网络；然后构建具体应用场景中的目标车辆图片库；最后现场抓拍图片，并利用已经训练好的网络判断是否为目标车辆。本发明不完全依赖于车牌，有效解决了由于套牌车或车牌不可见的情况而导致车辆判别不易进行的问题。

技术领域

本发明属于图像处理领域，涉及一种基于孪生神经网络的车辆身份判别方法。

背景技术

目前车辆身份的判别主要依靠车牌号的识别，但是该方法对于拍摄角度引起的车牌不可见，以及套牌车辆等问题时，却无能为力。对于车辆身份的判别，除了车牌之外，车身的颜色、车辆的外形、车标以及车窗上的张贴物等等都可以作为辅助判断的依据。

发明内容

本发明公开了一种基于孪生神经网络的车辆身份判别方法。将拍摄到的车辆图片与图片库中原有的图片一起放入神经网络中，通过其相似程度的判断，来确定是否为同一车辆。

本发明中主要采用的技术方案为：

一种基于孪生神经网络的车辆身份判别方法，具体步骤如下：

步骤S1：构建孪生神经网络，其结构为：两支提取特征的卷积神经网络，后接距离度量层，再接概率计算层；

步骤S2：在Veri-Wild数据集上训练上述网络；

步骤S3：构建具体应用场景的数据集，并继续训练上述网络；

步骤S4：构建具体应用场景中的目标车辆图片库；

步骤S5：现场抓拍图片，并利用已经训练好的网络判断是否为目标车辆。

所述步骤S1中的具体网络结构为：

S1.1：两支特征提取网络为卷积神经网络，包含VGGNet、GoogLeNet、ResNet等在内所有卷积层与池化层的复合而成的网络均可使用。假设h₁为样本1在特征提取层的输出，h₂为样本2在特征提取层的输出；

S1.2：距离度量层为加权L1计算层，通过以下公式计算两个特征向量之间的距离：

其中，α_j为和对应的系数。

S1.3：概率计算层为全连接层，其中每层的节点个数应根据实际情况按经验设定，将距离度量层输出结果带入Sigmoid函数归一化：

最终，整个网络的输出为概率值y。

所述步骤S2中的具体网络的训练步骤为：

S2.1：每次训练时，按样本对训练网络，从训练集中随机选两张图片为一对输入网络。两张图片为相同车辆的为正样本对，两张图片为不同车辆的为负样本对。设置正负样本对各占训练样本总数的50％；

S2.2：将一个正样本和一个负样本放入网络，依次经过特征提取层，距离度量层，概率计算层，最后得出样本对的概率估计值，并带入对比损失函数：

L＝∑yd²+(1-y)max(margin-d，0)²

其中，margin为预设值。

S2.3：网络根据损失函数反向传播以自动调整参数。

所述步骤S3中的构建具体应用场景的数据集并进一步训练网络步骤为：