[发明专利]一种基于特征相似度度量和深度学习的车辆再识别方法

说明书

本发明提供了一种基于特征相似度度量和深度学习的车辆再识别方法，包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调。本发明提出了一种新的特征相似性度量方法——重叠特征重排序(OFR)，并设计了一种新的无监督车辆再识别框架。该框架采用一种有效的半监督域训练方式，称为半监督跨域联合学习(JCLS)。OFR将提取的特征进行交叉划分得到特征分区，并将所有特征分区的测量结果相加，作为进行更准确的聚类的基础。在JCLS中，摒弃了以往的单域训练，而是引入目标域风格的样本，共同训练Re‑ID模型。这种方法可以提取出更加具有代表性的特征参与相似性度量，提高识别率。

技术领域

本发明涉及车辆再识别技术领域，具体为一种基于特征相似度度量和深度学习的车辆再识别方法。

背景技术

车辆再识别旨在在多相机网络中识别目标车辆。在许多实际情况下，例如城市交通监视和智能运输中，车辆再识别起着至关重要的作用。随着计算机视觉中深度学习的快速发展，借助于CNN(卷积神经网络)的车辆再识别任务已成为研究热点，并引起了广泛的研究人员的关注。

特征相似性度量可广泛应用于基于内容的无监督车辆再识别研究。一般情况下，将车辆图像输入到预先训练好的CNN模型中，提取车辆的颜色、形状或纹理特征。再识别模型利用得到的特征向量来衡量不同车辆样本之间的相似性，根据得到的相似性度量结果对未标记的图像进行聚类并分配伪标签。再识别模型将通过使用伪标签的样本进行迭代微调，直到模型收敛。因此，寻找一种更合理的车辆Re-ID相似性度量方法具有重要的意义。目前，测量两个特征之间相似度最直接的方法是采用一定的距离度量来计算它们之间的距离，这也是目前最流行的方法之一。其中，欧氏距离和Jacquard距离作为常用距离度量，用于度量车辆特征之间的相似性。然而，这些方法不可避免地会产生伪标签噪声，当初始伪标签有噪声时，模型有很大的崩溃风险。造成这一问题的部分原因是这些车辆特征相似度测量方法主要集中在特征的距离测量上，而忽略了对提取特征的处理。

传统的车辆Re-ID框架直接将源域预训练的模型应用到目标域进行特征提取。由于不同数据集之间存在域偏差，传统框架使模型对目标域的差异过于敏感，影响模型在目标域的特征提取能力，误导特征相似性度量结果。

发明内容

现有的无监督车辆特征相似度测量方法在训练过程中忽略了伪标签噪声，并且，由于特征的测量过程中存在巨大的域差距，模型无法提取准确的目标样本特征。为了解决这一问题，本发明提出了一种基于特征相似度度量和深度学习的车辆再识别方法，提出了一种新的特征相似性度量方法——重叠特征重排序(OFR)，并设计了一种新的无监督车辆再识别框架。该框架采用一种有效的半监督域训练方式，称为半监督跨域联合学习(JCLS)。OFR将提取的特征进行交叉划分得到特征分区，并将所有特征分区的测量结果相加，作为进行更准确的聚类的基础。在 JCLS中，摒弃了以往的单域训练，而是引入目标域风格的样本，共同训练Re-ID 模型。这种方法可以提取出更加具有代表性的特征参与相似性度量，提高识别率。

为实现上述目的，本发明提供如下技术方案：一种基于特征相似度度量和深度学习的车辆再识别方法，所述方法包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调；

步骤A：在第一个阶段中，采用半监督的方式对模型进行预训练；将生成的图像与源域图像相结合并输送到预训练网络中；在这个过程中，提出了一种基于双重领域风格融合的伪标签重分配策略来研究目标域风格；

步骤B：在第二个阶段中，设计了更合理的特征相似度度量方法对提取到的目标样本特征进行度量；对提取的目标特征进行合理的划分以获得更多的特征分区，继而对这些特征分区分别地进行距离度量获得相似度结果。

进一步的，所述步骤A具体包括：

①预训练过程中跨域的数据扩充