基于多任务学习的车辆再识别算法研究

发布时间：2020-03-18 22:31

【摘要】：近年来,随着监控摄像头的快速增长,关于车辆的监控数据呈爆炸式增长,急需一种技术来分析处理海量视频数据。车辆再识别任务因其在高效处理海量数据时所表现出的高效性、便捷性、创新性,在打造智慧交通、建设安全城市等方面发挥了巨大作用。车辆的特征提取对于解决车辆再识别任务至关重要,就当前而言,传统的手工特征提取的方法极易受到光照强度、摄像头拍摄角度等环境因素干扰,导致难以提取具有鲁棒性的特征。再者,许多方法侧重于特征提取上,忽略了其在特征提取后对目标的排序优化。针对上述问题,本文提出一个融合排序优化方法的多任务车辆再识别算法框架,主要包括一种基于多任务学习的卷积神经网络模型和一种基于再查询的排序优化算法,具体如下:(1)基于多任务学习的车辆再识别算法。现有的车辆再识别方法主要集中在通过单一卷积神经网络模型提取目标特征。常用的单一网络模型为验证模型(Verification Model)和辨识模型(Identification Model)。由于损失函数的差异,他们有各自的优点和一定的局限性(无法充分利用图片的标记信息)。因此,本文结合上述两种主流模型的优点,同时利用了图片之间存在的相似度信息和类别信息,使其能够提取出更具有鲁棒性的图片特征。算法基于孪生(Siamese)网络模型,具有两个分支,每个分支可以看作是一个单独的分类模型,并在最终合并两个分支进行类别验证。进一步说明,该网络模型同时进行着三项任务,其中包括两项分类任务和一项验证任务。通过实验证明,该多任务网络模型提取的特征相比于单一网络模型更具有鲁棒性,使识别正确率更高。(2)基于再查询的排序优化方法。许多算法在使用深度学习方法提取车辆特征后,仅仅使用简单的距离度量对识别结果进行排序,但其无法保证较高的识别准确率。本文提出的排序优化方法通过多次查询测试候选集(Gallery),建立一个融合排名的双重相似度关系来优化最后的识别结果,该相似度关系包括:1)查询图像(Probe)与测试候选集之间的相似度;2)与查询图像具有强相似度关系的图片之间的相似度。进一步结合上述相似度关系与查询图片的初始排名优化识别结果,并通过实验证明该方法可以提高车辆再识别的准确率。(3)融合排序优化方法的多任务车辆再识别算法框架。基于上述两种优化方法,本文提出融合排序优化方法的多任务车辆再识别算法框架。经实验证明,该算法框架在两个主流数据集VeRi和VehicleID上,相比于其他主流方法在第一识别率上提高了约1.5%和20%。
【图文】：

车辆,计算机视觉技术,摄像头,地点

单的人力要想完成只能是事倍功半。因此，，有效利用计算机视觉技术，高效处理逡逑海量的监控视频数据，对于我国提升公共安全系数、建设智慧城市重要性以及必逡逑要性不言而喻。逡逑截至２０１８年１１，全国机动车保有量达３．２５亿辆。其中，仅汽车保有量就高达逡逑２．３８亿辆。随着该数字的不断增加，车辆己成为监控视频里备受关注的目标之一，逡逑针对特定车辆的检索也成为了公安部门追捕嫌疑犯，追踪特定车辆的关键技术。车逡逑辆再识别是一种通过使用计算机视觉技术确定特定车辆是否存在于图像或视频序逡逑列中的技术，旨在解决对特定车辆的跨摄像头识别难题。需要的车辆信息主要包括逡逑颜色，样式等。逡逑然而，现实中，车辆的外观不仅会因为不同摄像头角度之间的不同和光线的不逡逑同呈现不同的外观，而且还会受到其他东西的遮挡，具体表现为：逡逑（１）不同摄像头在不同的地点，拍摄的角度不同；逡逑（２）同一个地点，不同时间点的光线强度、方向不同；逡逑（３）车辆会被人的身体或者其他车辆遮挡；逡逑（４）车速过快，拍摄的图片较为模糊；逡逑

网络模型,图片,相似度,类别信息

１．３论文主要研究内容逡逑目前，应用于车辆再识别的深度学习网络模型主要分为两种。验证模型和辨识逡逑模型。如图１－３所示，图ａ）表示验证模型，通过计算两个输入图片的相似度来判断逡逑目标是否一致，但是它却忽略了针对类别信息的考虑。图ｌ－３ｂ）为辨识模型，其类逡逑似于常用的分类模型，把每个对象当作一个类别，判断一个对象的类别是否与标签逡逑一样，但是忽略了图片之间的内部相似度。逡逑为了更好地利用上述两种模型的优势，本文针对车辆再识别任务，在孪生网络逡逑模型的基础上，结合上述两种网络模型的优点，充分利用图片之间的相似度关系，逡逑同时考虑图片的类别信息，提出了多任务的网络模型。该网络模型在训练网络时，逡逑同时包含三项任务：１）两项分类任务，即对两个输入的预测类别是否与标签一致；逡逑２）—项验证任务
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TP391.41

【相似文献】