交通监控视频中车辆重识别技术研究与实现

发布时间：2020-04-12 11:20

【摘要】：随着交通基础设施的完善,道路交通中车辆数量猛增,一系列交通公共安全问题频发。交通监控视频中的车辆重识别工作作为大规模车辆识别,智能交通,监控的核心模块,在维护社会公共安全方面发挥着关键作用。车辆重识别旨在快速检索、定位和跟踪监控摄像机网络中的目标车辆,从而可以在不同摄像头拍摄的图像中识别相同的车辆。在进行车辆重识别时,传统方法是使用车牌信息作为车辆身份的唯一标识进行检索,但是车牌信息存在伪造、遮挡、套牌等情况,为有效解决使用车牌信息进行车辆重识别带来的准确率瓶颈问题,同时考虑车辆本身特点,增强对外观极其相似的同款车辆的区分度。本文基于深度学习,提出基于Hard Triplet的多任务学习的车辆重识别模型。将表征学习与度量学习相结合,从粗粒度和细粒度两个维度进行特征学习。使用表征学习完成对包括车辆车型、颜色等属性的粗粒度特征提取;在度量学习中,则通过级联反馈的方式,在剔除表征学习学习到的属性特征后,学习属于车辆的细粒度特征。同时,使用改进的Hard Triplet,解决属于同款车型但是不同ID的车辆间难以区分的问题,极大提高车辆重识别的准确率。实验证明,与使用传统的简单Triplet相比,使用Hard Triplet改进度量学习损失函数,准确率提升约5%。此外,为了在海量车辆数据集进行重识别时缩短检索时间,设计了桶检索方式。相比于线性检索,桶检索可以在海量数据检索时,实现牺牲部分精度换取更快检索速度的目的。针对目前公开的车辆数据集存在的数据量小、车辆图像质量较差等问题,本文基于交通监控视频图像,整理并提出大规模车辆数据集BUPT-Vehicle,共计303539张图,含24419辆车辆,928种车型,13种颜色,并逐一对车辆属性信息进行标注,为车辆重识别领域的后续研究提供帮助。本文设计的基于Hard Triplet的多任务学习的车辆重识别模型不仅可以有效解决交通监控视频下的车辆重识别问题,还可以用于细粒度车型识别、颜色识别等工作。
【图文】：

局部特征,方法,车辆

图２－ｌ［２Ｑ］基于局部特征的ＲｅｌＤ方法逡逑２．２．３基于表征学习的ＲｅｌＤ方法逡逑而在车辆重识别的实际应用场景中，监控摄像头对车辆拍摄角度的显著变致局部关键区域明显不同，仅通过局部特征进行车辆重识别难以实现较高。因此，一些代表性的工作更喜欢表征学习方法。逡逑得益于ＣＮＮ的迅猛发展，表征学习取得了重大进步。表征学习通过训练大得对数据的有效表示，从而在分类任务或预测任务中更容易提取有用信息。过使用ＣＮＮ对大量数据进行训练，根据分类、识别等不同的任务需求自中进行特征提取。表征学习是ＲｅｌＤ领域的一个非常重要的基准，并且鲁训练比较稳定。逡逑目前针对重识别任务主要开展两类工作，一个是将重识别任务看为分类问题已经标注好的车辆的车型信息为监督条件，输入大量车辆图像数据，ｉｆｉｃａｔｉｏｎ邋Ｌｏｓｓ损失函数进行分类学习，，根据预测出的车辆类别信息计算损失

示意图,相似性,车辆,示意图

和类内差异（ｉｎｔｒａ－ｃｌａｓｓｖａｒｉａｎｃｅ）两种问题。但由于车辆细微的类间（Ｉｎｔｅｒ－ｃｌａｓｓ）差逡逑异以及较大的类内（Ｉｎｔｒａ－ｃｌａｓｓ）差异，对于基础类别车辆而言，属于同一邋ＩＤ的车辆逡逑由于姿态、背景、拍摄角度的不同，表现出较大的类内差异，如图３－ｌ（ａ）图所示。同逡逑时，不同ＩＤ的车辆（类间）之间又表现出较大的类间相似性，如图３－ｌ（ｂ）图所示，逡逑同一视角下的同款车辆不同ＩＤ的车辆外观特征极为相近。因此，较之其他类别的图逡逑像识别任务，车辆重识别难度更大。逡逑（ａ）逦（ｂ）逡逑■ｍｒ邋~|一逡逑图３－１［３９］类内差异和类间相似性示意图逡逑（ａ）邋ｉｎｔｒａ－ｃｌａｓｓ邋ｖａｒｉａｎｃｅ邋（类内差异）逡逑（ｂ）邋ｉｎｔｅｒ－ｃｌａｓｓ邋ｓｉｍｉｌａｒｉｔｙ邋（类间相似性）逡逑因此，要想顺利的对两辆极为相似的车辆进行准确区分，最重要的是在图像中找逡逑到能够区分这两个车辆的区分性的区域块，并能够对这些有区分性的区域块的特征逡逑进行较好的表示。如图３－１邋（ｂ）图所示，使用红圈进行标记的细微特征区域产生用于逡逑细粒度车辆识别的辨别特征，从而区分不同ＩＤ的车辆。例如使用车辆车脸上的年检逡逑标的贴放位置、饰物、纸巾盒、贴图、刮痕等细粒度特征
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TP391.41

【相似文献】