【技术实现步骤摘要】
本专利技术属于计算机视觉以及车辆识别和图像处理领域，具体涉及一种基于多视角图像生成的车辆识别方法及装置。
技术介绍
1、车辆多视点图像生成技术在智能交通和自动驾驶等领域具有重要应用。传统方法在生成图像质量和多样性方面存在限制，因此需要更先进的解决方案。生成对抗网络(gan)作为图像生成的强大工具，已经在许多领域取得成功。然而，在车辆图像生成方面，特别是多视点图像生成方面，仍然存在挑战。
2、姿势关键点标注是一项关键技术，它能够捕捉车辆外观的特定姿势信息。gan训练阶段是确保生成图像逼真性和多样性的关键环节，因此需要一种有效的训练方法。此外，相似度度量在车辆身份识别中起着至关重要的作用，传统方法在处理多视点图像时可能无法准确衡量图像相似度。
技术实现思路
1、本专利技术旨在克服现有技术的局限性，提出了一种基于多视角图像生成的车辆识别方法及装置，通过引入新的姿势图像生成方法、改进的gan训练方法以及基于最小距离特征度量的相似度度量，该技术可以应用于车辆多视点图像生成和身份识别，利用姿势关键点和最小距离特征度量算法提高车辆多视点图像生成的质量和准确性。
2、鉴于上述的分析，本专利技术实例旨在提供一种基于多视角图像生成的车辆识别方法及装置，用以解决车辆身份识别的问题。
3、一方面，本专利技术提供了一种基于多视角图像生成的车辆识别方法，包括以下步骤：
4、(1)、对于车辆图片数据集中的每一张图片进行姿势关键点标注，将特征点进行连接并生成每一张图
5、(2)、用gan训练模块对真实图像和特征点姿势图像使用三重损失函数训练，更新生成器和鉴别器的参数，进行多次迭代后，返回最终的生成器。
6、(3)、使用训练后的生成器对测试集图片进行生成，共生成n个具有代表性的视角，相似度度量模块使用这n个视角的生成图像与车辆数据库图片进行比对，实现车辆身份识别，最终确认车辆身份。
7、基于上述技术方案的进一步改进，所述姿势关键点标注具体方法如下：
8、(1-1)、为车辆定义6个关键点，分别是左前轮、右前轮、左后轮、右后轮、车辆前后的中心位置，对车辆的关键点进行标注，得到关键点坐标，标注车辆的关键点代表车辆的位置(包括车辆的方向和结构)。
9、(1-2)、生成与车辆图像高度、宽度和通道数相同的黑色背景图像，并根据坐标在背景图像上标记关键点，根据车辆的前后轮在背景图像中的位置连接关键点，得到姿势图像。
10、基于上述技术方案的进一步改进，所述步骤(2)中的gan训练方法如下：
11、(2-1)、首先，训练同一视角的gan生成网络。将真实车辆图像与对应的姿势图像连接，作为训练样本训练生成器，得到生成图像。
12、(2-2)、使用生成器生成的生成图像和真实图像继续训练鉴别器用于二分类任务，区分输入图像是生成图像还是真实图像。交替训练生成器和鉴别器进行多轮训练，最后，得到达到性能所需的生成器和鉴别器。
13、基于上述技术方案的进一步改进，所述步骤(2-1)中的生成器训练方法如下：
14、(2-1-1)、卷积层对训练样本进行下采样，得到外观特征和姿势特征。
15、(2-1-2)、残差模块将图像的真实车辆图像和背景图像传递给反卷积层，并对姿势特征进行修改。
16、(2-1-3)、反卷积层对姿势特征进行上采样，生成图像；生成的图像与真实图像具有相同的外观，并且与姿势图像具有相同的姿势。
17、(2-1-4)生成器训练的目标是最大化鉴别器鉴别失误的概率，通过最小化损失函数来实现。
18、基于上述技术方案的进一步改进，所述步骤(2-2)中的鉴别器训练方法：
19、(2-2-1)鉴别器输入包括真实车辆图像和来自生成器的生成图像。鉴别器执行一个二分类任务，当输入是真实车辆图像时，它输出真标签，当输入是生成图像时，输出假标签。
20、(2-2-2)为最大化鉴别器正确鉴别图像源的概率，使用leakyrelu函数代替原始gan鉴别器的maxout激活函数在训练中最小化损失ld，以减小真实图像的标签与真实标签之间的距离，以及生成图像的标签与虚假标签之间的距离
21、基于上述技术方案的进一步改进，所述步骤(3)中的相似度度量算法，称为最小距离特征度量，可分为图像生成、特征提取和特征距离计算三个阶段。
22、(3-1)图像生成阶段：通过基于图像生成对抗网络(gan)训练，生成多视点车辆图像，确保逼真多样。
23、(3-2)特征提取阶段：应用卷积神经网络(cnn)提取车辆特征，捕捉不同视点下的共同特性。
24、(3-3)特征距离计算：比较车辆特征间的欧氏距离，得到具有最小欧氏距离的数据库图像，准确评估相似性。
25、另一方面，本专利技术提供了一种基于多视角图像生成的车辆识别装置，包括包括姿态图像生成模块、gan训练模块和相似度度量模块。
26、所述姿态图像生成模块，生成姿势图像，作为引导gan训练模块生成多视角车辆图像的条件。
27、所述gan训练模块，交替训练生成器和鉴别器，生成器根据真实车辆图像生成具n个代表性视点的生成图像。
28、所述相似度度量模块，根据生成器生成的图像，使用最小距离特征度量，得到相似度最高的真实车辆图片所对应的车辆信息，对车辆身份做出判断。
29、本专利技术的有益效果主要体现在以下几个方面：
30、1.提高图像生成质量和多样性：通过引入最小距离特征度量算法，有效度量图像相似性，从而改善了多视点车辆图像的生成质量和多样性。相较于传统方法，本专利技术更好地处理了复杂特征关系，确保生成的图像在视觉上既逼真又多样。
31、2.准确度更高的车辆身份识别：最小距离特征度量算法通过计算特征之间的最小距离，提供更准确的相似性度量。在车辆多视点图像生成中，这导致更可靠的车辆身份识别，对于智能交通系统、自动驾驶技术等领域具有重要意义。
32、3.克服传统方法的限制：传统方法在处理多视点图像生成任务时可能遇到困难，而本专利技术通过综合应用姿势图像生成、改进的gan训练方法和最小距离特征度量算法，克服了传统方法的局限性，提高了技术方案的创新性和实用价值。
33、因此，本专利技术在提高图像生成质量、车辆身份识别准确等方面都具有显著的有益效果。
本文档来自技高网...【技术保护点】
1.一种基于多视角图像生成的车辆识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视角图像生成的车辆识别方法，其特征在于，S1所述姿势关键点标注具体过程如下：
3.根据权利要求2所述的一种基于多视角图像生成的车辆识别方法，其特征在于，在1-1中所述车辆的位置包括车辆的方向和结构。
4.根据权利要求3所述的一种基于多视角图像生成的车辆识别方法，其特征在于，S2中GAN训练的过程如下：
5.根据权利要求4所述的一种基于多视角图像生成的车辆识别方法，其特征在于，S3所述相似度度量模块，实现包括图像生成、特征提取和特征距离计算三个阶段，具体如下：
6.一种基于多视角图像生成的车辆识别装置，用于实现权利要求1至5任一所述的车辆识别方法，其特征在于，包括姿态图像生成模块、GAN训练模块和相似度度量模块；
【技术特征摘要】
1.一种基于多视角图像生成的车辆识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视角图像生成的车辆识别方法，其特征在于，s1所述姿势关键点标注具体过程如下：
3.根据权利要求2所述的一种基于多视角图像生成的车辆识别方法，其特征在于，在1-1中所述车辆的位置包括车辆的方向和结构。
4.根据权利要求3所述的一种基于多视角图像生成的车辆...
【专利技术属性】
技术研发人员：陈媛芳，熊杰，方兴，陈潇涵，寻一哲，
申请(专利权)人：杭州电子科技大学，
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。