【技术实现步骤摘要】
一种基于无监督域适应的车辆重识别方法及系统
[0001]本专利技术涉及车辆识别
,更具体地,涉及一种基于无监督域适应的车辆重识别方法及系统。
技术介绍
[0002]在停车场场景下,传统的以车牌识别为主的车辆识别方法会因拍摄角度、物体遮挡和弱光照等问题存在一定的局限,而以车辆外观特征为主的车辆重识别技术则能有效克服这些问题。在车辆重识别技术中,主要通过从真实场景中获取图像数据,再构建一个神经网络,通过有监督的方式训练网络,最后将该网络应用于实际当中。
[0003]目前应用于车辆重识别中的神经网络的训练主要采用监督学习,但是监督学习需要大量标注好的图像进行训练,标注图像成本高且耗时,而且现实场景中难以实时获得带有标签的图像构建训练集数据,此时监督学习技术的应用就受到了限制。此外,由于实际场景的复杂性让车辆重识别面临着诸多挑战。比如,摄像头拍摄角度多样、拍摄时间跨度大、图像分辨率差异等。这些都会导致预先训练好的神经网络模型在实际使用中识别性能大幅下降。
技术实现思路
[0004]本专利技术为克服上述现有技术所述的车辆重识别中难以获取带有标签的训练数据,影响神经网络模型的车辆重识别性能及其泛化性的缺陷,提供一种基于无监督域适应的车辆重识别方法,以及一种基于无监督域适应的车辆重识别系统。
[0005]为解决上述技术问题,本专利技术的技术方案如下:
[0006]一种基于无监督域适应的车辆重识别方法,包括以下步骤:
[0007]S1、获取车辆基础数据集,并对基础数据集进行预处理 ...
【技术保护点】
【技术特征摘要】
1.一种基于无监督域适应的车辆重识别方法,其特征在于,包括以下步骤:S1、获取车辆基础数据集,并对基础数据集进行预处理,得到源域数据集;S2、构建基于非局部注意力机制的车辆重识别网络模型和车辆目标检测模型,其中所述车辆重识别网络模型包括2个相同架构的网络NetA和NetB;S3、将所述源域数据集输入所述车辆重识别网络模型中进行有监督预训练;S4、将停车场监控视频输入所述车辆目标检测模型中,得到无标注的车辆图像,组成目标域数据集;S5、将所述目标域数据集输入完成有监督预训练的车辆重识别网络模型中进行无监督训练,其中所述车辆重识别网络模型中的2个相同架构的网络NetA和NetB采用双重网络学习方法进行训练;S6、从完成无监督训练的网络NetA和NetB选择性能更优的一个网络作为车辆重识别模型,将待识别的车辆图像输入所述车辆重识别模型中得到重识别结果。2.根据权利要求1所述的基于无监督域适应的车辆重识别方法,其特征在于,所述S1步骤中,对基础数据集进行预处理的步骤包括:S1.1、对图像进行水平翻转处理;S1.2、将图像进行数据增广处理;所述数据增广处理包括运动模糊处理、随机裁剪至图像的10%~20%、随机擦除处理、弱化光照处理和旋转处理中的一种或多种;S1.3、将图像调整为统一尺寸;S1.4、将经过尺寸调节的原始图像、经过水平翻转处理的图像以及经过数据增广处理的图像进行存储,组成源域数据集。3.根据权利要求1所述的基于无监督域适应的车辆重识别方法,其特征在于,所述S3步骤中,将所述源域数据集输入所述车辆重识别网络模型中进行有监督预训练的步骤包括:将源域数据集的样本输入所述车辆重识别网络模型中训练得到一个特征提取器F(
·
|θ),源域数据集中的第i个样本经过所述特征提取器后提取得到特征再利用特征和样本的真实标签进行损失函数的计算,直至损失函数值收敛,完成所述车辆重识别网络模型的有监督预训练;其中θ为特征提取器的参数。4.根据权利要求1所述的基于无监督域适应的车辆重识别方法,其特征在于,所述S4步骤中,其具体步骤如下:S4.1、获取停车监控视频,将停车监控视频进行抽帧,提取得到车辆图像;S4.2、将提取的车辆图像输入车辆目标检测模型中,所述车辆目标检测模型对图像中的车辆目标进行识别,并通过标识框对车辆图像中的车辆进行截取,得到无标注的车辆图像;S4.3、将车辆目标检测模型输出的无标注的车辆图像调整为统一尺寸后,组成目标域数据集。5.根据权利要求1所述的基于无监督域适应的车辆重识别方法,其特征在于,所述基于非局部注意力机制的车辆重识别网络模型包括依次连接的骨干网络模型和池化层,所述骨干网络模型包括若干卷积层和非局部注意力波动模块;所述非局部注意力波动模块包括依次连接的用于对输入的特征图采用不同的块方向波进行调制的波动单元,以及用于放大经
波动单元产生的后向梯度差异的非局部注意力机制单元。6.根据权利要求5所述的基于无监督域适应的车辆重识别方法,其特征在于,所述S5步骤中,对车辆重识别网络模型基于双重网络互相学习方法进行无监督训练,其具体步骤包括:S5.1、所述车辆重识别网络模型中的NetA和NetB分别加载经过有监督预训练得到的参数,并将所述NetA和NetB迁移到目标域上,将目标域数据集中不同的样本分别输入所述NetA和NetB中进行迭代训练;S5.2、将所述NetA和NetB输出的识别特征分别进行K均值聚类得到硬伪标签A和硬伪标签B;S5.3、将每次迭代训练得到的网络参数进行加权平均,得到平均模型Mean NetA和Mean NetB;S5.4...
【专利技术属性】
技术研发人员:兰泽勇,洪嘉捷,周智恒,李燕,陈新颖,刘晓升,吴清茹,周泽南,
申请(专利权)人:中通服中睿科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。