基于属性引导与判别特征挖掘的车辆重识别方法研究
发布时间：2021-06-08 21:37
近年来,随着城市化进程不断向前推进,大量人口涌入城市的同时,给城市交通带来了一系列安全问题。为此全国部署了千万级数量的视频监控终端,采集了海量数据。而如何充分挖掘和利用这些海量数据是我国现阶段交通安全所面临的难题。车辆重识别作为视频监控中最重要的模块之一,在维护社会治安方面起到了至关重要的作用。而车辆重识别的任务就是,根据给定的车辆去海量的监控数据中快速匹配出同一辆车。近年来,关于车辆重识别的研究也越来越多,但是依然存在很多挑战没能得到很好的解决,例如受光照变化、遮挡、角度变化、运动模糊、低分辨率、同款车型等很多因素的影响,使得同一辆车在不同相机下外观差异很大,而不同的车可能看上去非常相似,从而导致目前基于外观特征的车辆重识别方法不那么顺利。因此,针对这些挑战,本文提出了相应的解决方案,主要工作如下:首先,车型、颜色以及不同角度的细节特征是进行车辆重识别研究时的重要线索。所以如何利用车型、颜色和角度信息是我们这项工作中所要关心的问题。在现实生活中,如果一名警察想要在监控摄像头下寻找一辆犯罪嫌疑人的车时,他可能首先把不同车型的车排除掉,然后将不同颜色的车排除掉,从而缩小查找范围,再在这小...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
多摄像机网络下的车辆重识别示意图
第二章车辆重识别方法综述8(a)相同款式的不同车辆(b)同一车辆不同角度(c)同一角度不同车辆(d)遮挡图2.2车辆重识别中存在的挑战Fig2.2ThechallengesofvehicleRe-ID与行人重识别相比，车辆重识别有其独特的地方：第一，车辆一般都是按照一定的路线和指示牌行驶的，因此车辆的时间和空间信息具有很大的使用价值，相反，行人的运动路线随机性很强；第二，车牌信息是车辆拥有的唯一标识，它能够很大程度上提高重识别模型的性能。很明显，直接将行人重识别模型应用到车辆重识别中是不可取的，我们在借鉴行人重识别模型的同时需要针对车辆独有的特点进行研究。目前领域内提出的方法大体分为两大类，一类是基于车辆的外观，设计不同的网络结构，从而提取判别性的特征，另一类是利用时空信息的辅助，使模型的性能得到提高。2.1基于外观属性的车辆重识别车型和颜色等属性信息是区分不同车辆的重要指标，因为不同车型或者不同颜色的两辆车肯定不是同一辆车，然而这些属性却是一把“双刃剑”，它在辅助识别不同车辆的同时，也给识别的过程带来麻烦，因为在车型和颜色都一样的情况下，很难判断它们是否是同一辆车。因此，如何利用好这把“双刃剑”是至关重要的。Tang[35]等人提出多模态度量学习的算法，将深度学习网络提取的特征和手工设计的特征融合到一个端到端的网络中，实现了更加鲁棒、更加具有鉴别能力的车辆重识别特征表示。Cui[36]等人提出了一种Multi-DNNFusionSiameseNeuralNetwork框架，首先利用AlexNet[5]、VGG[21]和FasterR-CNN[37]网络分别对车辆的颜色、车型和挡风玻璃上的贴纸进行识别，然后将这三个网络输出的特征进行融合并映射到欧几里德空间，在欧氏
第二章车辆重识别方法综述10本，一个负样本）。如图2.4所示，在使用三元损失函数学习过程中，它的目的是让属于同类样本之间距离越来越小，而不同类样本之间距离越来越大。锚点锚点正样本正样本负样本负样本训练图2.4基于三元损失函数的训练过程Fig2.4Thetrainingprocessbasedontripletloss2.1.2渐进式车辆重识别在实际生活中，人眼在大量车辆图片库中寻找目标车辆时，往往会把不同颜色、车型排除掉，在剩下的图片中再进一步寻找。基于人眼视觉系统的工作机制，Liu[42]等人提出渐进式车辆重识别框架。如图2.5所示，查询图片包含摄像机ID和时间戳，记录了图片被捕获的位置和时间。在给定查询的情况下，本方法将车辆重识别任务视为渐进式过程：第一步，基于外观的粗略过滤（AppearanceBasedCoarseFiltering）：利用基于外观的模型，在车辆数据库中过滤掉具有不同颜色、纹理、形状和类型的车辆；第二步，基于车牌的精细搜索（PlateBasedAccurateSearch）：对于剩下的车辆，利用Siamese神经网络计算查询图片与匹配图片的车牌相似性，找出最相似的车辆；第三步，基于时空信息的重排序（Spatio-temporalPropertyBasedRe-ranking）：对时空信息进行建模，进一步改进车辆重识别的性能。图2.5渐进式车辆重识别过程[42]Fig2.5TheprocessofprogressivelyvehicleRe-ID[42]
本文编号：3219246
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
多摄像机网络下的车辆重识别示意图
第二章车辆重识别方法综述8(a)相同款式的不同车辆(b)同一车辆不同角度(c)同一角度不同车辆(d)遮挡图2.2车辆重识别中存在的挑战Fig2.2ThechallengesofvehicleRe-ID与行人重识别相比，车辆重识别有其独特的地方：第一，车辆一般都是按照一定的路线和指示牌行驶的，因此车辆的时间和空间信息具有很大的使用价值，相反，行人的运动路线随机性很强；第二，车牌信息是车辆拥有的唯一标识，它能够很大程度上提高重识别模型的性能。很明显，直接将行人重识别模型应用到车辆重识别中是不可取的，我们在借鉴行人重识别模型的同时需要针对车辆独有的特点进行研究。目前领域内提出的方法大体分为两大类，一类是基于车辆的外观，设计不同的网络结构，从而提取判别性的特征，另一类是利用时空信息的辅助，使模型的性能得到提高。2.1基于外观属性的车辆重识别车型和颜色等属性信息是区分不同车辆的重要指标，因为不同车型或者不同颜色的两辆车肯定不是同一辆车，然而这些属性却是一把“双刃剑”，它在辅助识别不同车辆的同时，也给识别的过程带来麻烦，因为在车型和颜色都一样的情况下，很难判断它们是否是同一辆车。因此，如何利用好这把“双刃剑”是至关重要的。Tang[35]等人提出多模态度量学习的算法，将深度学习网络提取的特征和手工设计的特征融合到一个端到端的网络中，实现了更加鲁棒、更加具有鉴别能力的车辆重识别特征表示。Cui[36]等人提出了一种Multi-DNNFusionSiameseNeuralNetwork框架，首先利用AlexNet[5]、VGG[21]和FasterR-CNN[37]网络分别对车辆的颜色、车型和挡风玻璃上的贴纸进行识别，然后将这三个网络输出的特征进行融合并映射到欧几里德空间，在欧氏
第二章车辆重识别方法综述10本，一个负样本）。如图2.4所示，在使用三元损失函数学习过程中，它的目的是让属于同类样本之间距离越来越小，而不同类样本之间距离越来越大。锚点锚点正样本正样本负样本负样本训练图2.4基于三元损失函数的训练过程Fig2.4Thetrainingprocessbasedontripletloss2.1.2渐进式车辆重识别在实际生活中，人眼在大量车辆图片库中寻找目标车辆时，往往会把不同颜色、车型排除掉，在剩下的图片中再进一步寻找。基于人眼视觉系统的工作机制，Liu[42]等人提出渐进式车辆重识别框架。如图2.5所示，查询图片包含摄像机ID和时间戳，记录了图片被捕获的位置和时间。在给定查询的情况下，本方法将车辆重识别任务视为渐进式过程：第一步，基于外观的粗略过滤（AppearanceBasedCoarseFiltering）：利用基于外观的模型，在车辆数据库中过滤掉具有不同颜色、纹理、形状和类型的车辆；第二步，基于车牌的精细搜索（PlateBasedAccurateSearch）：对于剩下的车辆，利用Siamese神经网络计算查询图片与匹配图片的车牌相似性，找出最相似的车辆；第三步，基于时空信息的重排序（Spatio-temporalPropertyBasedRe-ranking）：对时空信息进行建模，进一步改进车辆重识别的性能。图2.5渐进式车辆重识别过程[42]Fig2.5TheprocessofprogressivelyvehicleRe-ID[42]
本文编号：3219246
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3219246.html
