[发明专利]一种融合全局局部与关系特征的车辆重识别方法

说明书

本发明提出了一种融合全局局部与关系网络的车辆重识别方法。传统的基于外观特征的车辆重识别方法忽略了车辆图像会受到视点变化、类间相似性小、光照不均匀、障碍物遮挡等因素的影响，导致识别率不高。因此本发明针对现实路况下，车辆图像所受到的不稳定因素的影响，提出了一种融合全局局部与关系网络的车辆重识别方法。该方法利用基于空间注意力的全局特征学习车辆图像中有区分度的全局特征，使得车辆重识别免受视点变化的干扰；利用基于金字塔的局部特征挖掘车辆图像中丰富的细节信息，使得车辆重识别能够有效应对类间相似性小的问题；利用基于关系网络的关系特征学习局部特征之间的关系，使得车辆图像在受光照不均匀、障碍物遮挡时也能被正确识别。

技术领域

本发明属于人工智能与图像重识别领域，涉及一种融合全局局部与关系特征的车辆重识别方法。

背景技术

汽车行业的蓬勃发展给我们的日常生活和工作都带来了便利，但也给交通管理带来了挑战。利用智能技术完成对特定车辆的搜索引起广泛关注。车辆重识别指的是给定一张固定摄像头下拍摄的车辆图像作为查询图像，给定其他摄像头下拍摄的车辆图像作为候选图像，在候选图像中寻找与查询对象同属一辆车的图像。传统的基于车辆外观特征的车辆重识别技术根据目标车辆的颜色、车型、品牌等外观特征，在无重叠视域的跨摄像机监控系统中，寻找该车辆在其他摄像机下出现的情况，从而描绘出目标车辆的行车轨迹。但在现实场景下，车辆图像会受到视点变化、类间相似性大、光照不均匀、障碍物遮挡、等因素的影响，传统的车辆重识别方法忽略了对这些特殊情况的考量。

本发明提出一种融合全局局部与关系特征的车辆重识别方法，主要包括以下内容：

(1)为了解决同类别车辆在不同拍摄角度下类内差异过大的问题，本发明提出在车辆重识别方法中融合基于空间注意力的全局特征。通过在学习全局特征过程中引入空间注意力，灵活地学习到车辆图像中具有区分度和判别度的全局特征，从而对车辆拍摄角度的变化具有一定的鲁棒性。

(2)为了解决不同车辆类间差异过小的问题，本发明提出在车辆重识别方法中融合基于金字塔的局部特征。通过按照金字塔的形状构建局部特征，不仅学习到不同类别车辆的局部差异，更重要的是，实现局部特征切割的平稳过渡，从而对由目标检测不准确而造成的车辆图像分辨率差异具有鲁棒性。

(3)为了解决行人、车辆、树木等障碍物对目标车辆的遮挡、摄像机分辨率以及光照不均匀的影响，本发明提出在车辆重识别方法中融合基于关系网络的关系特征。通过学习车辆图像各区域和其他区域的关系，使得模型提取到的车辆局部特征之间不再是相互孤立的，而是相互联系，从而解决遮挡、光照不均匀造成的车辆图像信息不完整的问题。

(4)针对现实场景下，车辆重识别任务面临的角度问题、类间相似性问题、遮挡问题、受光不均匀问题，本发明提出了融合全局局部和关系特征的车辆重识别方法。

发明内容

本发明目的在于整合基于空间注意力的全局特征、基于金字塔的局部特征、基于关系网络的关系特征到统一的网络结构中，提供了一种融合全局局部与关系特征的车辆重识别方法，该方法能够有效应对相同车辆视点变化问题；不同车辆车型、颜色等属性相似问题；光照变化不稳定问题；不同物体的遮挡、摄像机分辨率等问题的影响。

本发明提出的一种融合全局局部与关系特征的车辆重识别方法，包括以下三个模块：

基于空间注意力的全局特征学习模块，用于学习车辆全局特征中有辨别度的部位；

基于金字塔的局部特征学习模块，用于学习车辆丰富的局部特征；

基于关系网络的关系特征学习模块，用于学习车辆局部特征之间的关系。

进一步地，所述基于空间注意力的全局特征学习模块中引入空间注意力的具体方式为：首先对基干网络提取到的特征映射图的每个位置沿着通道方向求和并激活，获得该位置的权重；然后将学习到的权重重新分配给特征映射图中相应的位置，进而得到这些位置的重要程度。