[发明专利]基于多级注意力机制的面向无人机平台的车辆重识别方法

说明书

本发明涉及一种基于多级注意力机制的面向无人机平台的车辆重识别方法，属于车辆重识别领域。使用3个三个支路，全局支路、自下而上注意力支路和自顶而下注意力支路；全局支路输出2048维全局特征，自下而上注意力支路输出10240维局部特征，自顶而下注意力支路输出2048维局部特征，将三个支路得到的特征拼接起来，作为最终的特征输出。通过多级注意力机制，有效的提取车辆辨识性区域的局部特征的同时，利用自下而上的注意力机制提取了更有效的车辆全局特征，通过结合多种注意力机制下的特征，对目标实例进行更有效的特征描述。

技术领域

本发明属基于车辆重识别领域，具体为结合自顶之下以及自下而上两种注意力机制的车辆重识别系统。

背景技术

随着无人机技术的不断发展，基于无人机航拍的车辆检索能够有效地帮助地面监管人员搜索到指定车辆目标。在刑事侦查、交通指挥等多个领域都有着潜在的应用价值。然而，受到无人机飞行高度、拍摄角度、光照强度等多种因素的影响，使得面向无人机平台的车辆重识别任务具有较大的复杂性。

现有的车辆重识别方法往往都是针对监控视频图像设计的，通常依赖于车牌，车标等细粒度的特征辅助识别。然而，在基于无人机航拍图像的车辆重识别任务，受飞行高度的影响，待识别图像像素较低，无法利用诸如车牌和车标等显著特征辅助识别车辆目标。与此同时，一些基于姿态对齐的车辆重识别方法，也难以处理无人机航拍图像中复杂变化的拍摄视角。

因此，针对上述问题本发明需要更多的关注车辆的辨识性区域，并利用辨识性区域辅助全局特征辨别车辆目标，同时提出一种有效的车辆姿态对齐方法。

发明内容

要解决的技术问题

为了解决面向无人机平台的车辆重识别任务中的待识别图像清晰度不足，目标对象视角变化复杂的问题，本发明提供了一种基于多级注意力机制的车辆重识别方法。

技术方案

一种基于多级注意力机制的面向无人机平台的车辆重识别方法，其特征在于步骤如下：

步骤1：将输入图像的尺寸调整到352×352；分别输入到全局支路、自下而上注意力机制支路和自顶而下注意力机制支路；

步骤2：全局支路：将调整后的图像输入主干网络得到了输入图像的2048×11×11的特征，对2048×11×11维特征进行全局平均池化，得到2048维的全局特征；所述的主干网络为Resnet50网络去掉最后一层全连接层；

步骤3：自下而上注意力机制支路：通过训练好的detector模型提取输入图像中属于五种类别的辨识性区域的候选框，通过对全局特征中候选框区域加权，得到了5种辨识性区域的2048×11×11的局部特征，并将其拼接起来，经过全局池化，得到最终的10240维局部特征；

步骤4：自顶而下注意力机制支路：通过使用四向池化操作，提取车辆隶属不同方向的2048×11×11的特征，并通过一组可训练的权重矩阵对这些特征进行加权求和，得到最终的2048维局部特征；

步骤5：通过将三支路特征拼接起来，得到最终14336维输出；

步骤6：利用最终输出构建距离矩阵，通过在被查询集和查询集中利用欧氏距离进行相似性匹配，得到最终的识别结果。

步骤1中采用双线性插值方法调整图像的尺寸。

有益效果

本发明提出的一种基于多级注意力机制的面向无人机平台的车辆重识别方法，可以通过多级注意力机制，有效的提取车辆辨识性区域的局部特征的同时，利用自下而上的注意力机制提取了更有效的车辆全局特征，通过结合多种注意力机制下的特征，对目标实例进行更有效的特征描述。

附图说明

图1本发明方法结构图

具体实施方式