基于模糊特征提取的车辆重识别方法

技术领域

本文件涉及计算机视觉技术领域，尤其涉及基于模糊特征提取的车辆重识别方法。

背景技术

随着物联网技术的不断发展与壮大，车辆在生活中逐渐与物联网进行融合。

目前，大多数地区的车辆识别主要是通过摄像头识别车牌。然而，在实际环境中，尤其在偏远区域，大量的摄像机清晰度低、处理速度慢。由于功耗原因，无法在终端上得到计算，需要传回云端进行计算，在极端天气条件下边缘设备抗干扰能力弱，传输速度慢，图像质量差，导致云端计算准确率下降，反应速度降低。

因此，需要提供一种更加可靠的车辆重识别方案。

发明内容

本说明书提供了基于模糊特征提取的车辆重识别方法，用以解决现有方法在模糊情境下重识别准确率低的问题。

本发明的第一方面，提出了基于模糊特征提取的车辆重识别方法，所述方法包括：

获取模糊情境的待识别图片，并通过骨干神经网络进行图片的总体特征提取，获得待识别图片的特征图；

通过训练好的模糊特征提取网络分别进行所述待识别图片的特征图的模糊特征提取，获得待识别图片的模糊情境对应的模糊特征图；

对所述模糊特征图进行平滑操作，并通过分类器获得车辆ID的分类概率，以概率最大车辆ID作为车辆重识别结果。

在一些优选的实施例中，所述模糊特征提取网络，其训练方法为：

获取模糊情境的样本图片集，并通过骨干神经网络分别进行图片的总体特征提取，构建训练样本，获得样本特征图集，并获取样本图片对应的真实分类结果作为训练标签；

通过所述模糊特征提取网络分别进行每一个样本特征图的模糊特征提取，并通过注意力机制模块进行模糊特征的优化，获得模糊情境对应的优化模糊特征图集；

对每一个优化模糊特征图进行平滑和分类，并通过分类器获得车辆重识别结果，计算重识别结果与对应的训练标签之间的损失；

若损失大于设定阈值，则基于优化模糊特征图集和对应的训练标签进行所述模糊特征提取网络的迭代优化，直至达到设定的训练结束条件，获得训练好的模糊特征提取网络。

在一些优选的实施例中，所述通过注意力机制模块进行模糊特征的优化，其方法为：

通过所述注意力机制模块的通道注意力机制进行所述模糊特征的通道特征提取，获得通道注意力特征图；

通过所述注意力机制模块的空间注意力机制进行所述模糊特征的空间特征提取，获得空间注意力特征图；

根据预设的权重进行所述通道注意力特征图和所述空间注意力特征图的加权融合，获得优化模糊特征图。

在一些优选的实施例中，通过所述模糊特征提取网络分别进行每一个样本特征图的模糊特征提取之前，还包括：

通过所述模糊特征提取网络进行所述样本特征图的模糊特征处理，并以模糊特征处理获得的针对模糊特征的模糊情景车辆特征图作为所述分类器的输入。

在一些优选的实施例中，所述分类器为S型函数。

在一些优选的实施例中，所述模糊特征提取网络基于复合人工神经网络构建，包括残差神经网络和脉冲神经网络；

所述残差神经网络为ResNet50神经网络，其激活函数为Relu函数，用于进行图像的整体特征提取，获得初步特征图；

所述脉冲神经网络为使用多层脉冲神经元并行组成的神经网络，其脉冲神经元为设置脉冲神经元激活阈值的IFNode脉冲神经元，其激活函数为Relu函数，用于进行残差神经网络输出的初步特征图的模糊特征提取。

在一些优选的实施例中，所述车辆重识别方法还包括模糊特征提取网络优化过程：

通过残差神经网络进行模糊图像的整体特征提取，获得初步特征图；

通过脉冲神经网络针对所述初步特征图的特征向量进行计算，得到优化特征图；

在所述复合人工神经网络中添加网络优化模块，并使用全连接层进行优化特征图分类，获得对模糊图像优化的优化模糊特征提取网络。

在一些优选的实施例中，所述骨干神经网络为ResNet50神经网络。

在一些优选的实施例中，所述复合人工神经网络，其优化模块采用标准BP算法、自适应调整学习速率BP算法、动量改进BP算法、共轭梯度法、高斯牛顿法中的一种或多种实现神经网络优化。

在一些优选的实施例中，所述模糊情境，其对图片中车辆提取的全局像素点的池化值为3。

本发明的第二方面，提出了一种基于模糊特征提取的车辆重识别系统，所述车辆重识别系统包括：

特征提取模块，配置为获取模糊情境的待识别图片，并通过骨干神经网络进行图片的总体特征提取，获得待识别图片的特征图；

模糊特征生成模块，配置为通过训练好的模糊特征提取网络分别进行所述待识别图片的特征图的模糊特征提取，获得待识别图片的模糊情境对应的模糊特征图；

重识别模块，配置为对所述模糊特征图进行平滑操作，并通过分类器获得车辆ID的分类概率，以概率最大车辆ID作为车辆重识别结果。

本发明的第三方面，提出了一种电子设备，其特征在于，包括：

至少一个处理器；

以及与至少一个所述处理器通信连接的存储器；

其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于模糊特征提取的车辆重识别方法。

本发明的第四方面，提出了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于模糊特征提取的车辆重识别方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

(1)本发明基于模糊特征提取的车辆重识别方法，将脉冲神经网络和注意力机制相结合，利用脉冲神经网络对模糊情景车辆进行处理，判断准确率高。

(2)本发明基于模糊特征提取的车辆重识别方法，对神经网络进行了优化，进一步提高了模糊情景车辆判断和车辆ID分类计算的准确率，方法简单、检测成本低。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法的流程示意图；

图2为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法中包含模糊情景车辆特征处理的流程示意图；

图3为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法中包含注意力机制模型优化的车辆重识别流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法的流程示意图，所述车辆重识别方法具体可以包括如下步骤：

步骤S101，获取模糊情境的待识别图片，并通过骨干神经网络进行图片的总体特征提取，获得待识别图片的特征图。

本发明一个实施例中，骨干神经网络为ResNet50神经网络。

在步骤S101中，模糊情景车辆主要特征是在模糊情境下图像产生动态模糊，图像出现噪点，车辆特征仅能提取到颜色，外观等，无法对车牌、车辆型号进行提取，模糊情境下的车辆信息与清晰情境下的车辆信息之间存在明显差异，因此通过对模糊情境下的车辆进行特定分析，可以判断车辆是否相同。

在本发明实施例中，所述特征值包含：车辆颜色、车辆外观、车辆轮廓、车灯位置、车风挡玻璃位置、车辆运动模糊程度、前景颜色、背景颜色。需要说明的是，所述特征值还可以包含其他与模糊情景车辆有关的指标，本发明在此不做特别限定。

本发明一个实施例中，模糊情境的待识别图片，其采集频率为1秒1帧，需要说明的是，采集频率也可以是其他数值，本发明在此不做特别限定。

步骤S102，通过训练好的模糊特征提取网络分别进行所述待识别图片的特征图的模糊特征提取，获得待识别图片的模糊情境对应的模糊特征图。

模糊特征提取网络的训练过程为：

步骤S1021，获取模糊情境的样本图片集，并通过骨干神经网络分别进行图片的总体特征提取，构建训练样本，获得样本特征图集，并获取样本图片对应的真实分类结果作为训练标签。

训练样本为先验信息，根据已知的模糊情景车辆构建训练样本。对于实时的车辆重识别算法，同样需要对各监测点的模糊情景车辆进行采集，并进行特征提取，提取的特征与所述样本特征值对应。

同样地，对模糊情景车辆已知的车辆的采集频率为1秒1帧，需要说明的是，采集频率也可以是其他数值，本发明在此不做特别限定。

步骤S1022，通过所述模糊特征提取网络分别进行每一个样本特征图的模糊特征提取，并通过注意力机制模块进行模糊特征的优化，获得模糊情境对应的优化模糊特征图集。

通过注意力机制模块进行模糊特征的优化，包括：

通过所述注意力机制模块的通道注意力机制进行所述模糊特征的通道特征提取，获得通道注意力特征图；

通过所述注意力机制模块的空间注意力机制进行所述模糊特征的空间特征提取，获得空间注意力特征图；

根据预设的权重进行所述通道注意力特征图和所述空间注意力特征图的加权融合，获得优化模糊特征图。

将注意力机制模块与任意卷积神经网络一起叠加使用，其不仅不会对结构产生额外的负担，反而在训练过程实现了端到端的效果，对分类任务有显著的效果。本发明将注意力机制模块融合到算法中，以最大限度地减少脉冲神经元在提取特征时的开销，并且在将SNN设计为卷积模块后，使用注意力机制模块处理脉冲卷积神经网络效果极佳。同时，注意力机制模块中面向通道的注意力机制对针对SNN的通道归一化优化效果影响不大。

本发明一个实施例中，模糊特征提取网络基于复合人工神经网络构建，包括残差神经网络和脉冲神经网络，其激活函数为Relu函数，其脉冲神经元为IFNode脉冲神经元。

残差神经网络为ResNet50神经网络，其激活函数为Relu函数，用于进行图像的整体特征提取，获得初步特征图。

脉冲神经网络为使用多层脉冲神经元并行组成的神经网络，其脉冲神经元为设置脉冲神经元激活阈值的IFNode脉冲神经元，其激活函数为Relu函数，用于进行残差神经网络输出的初步特征图的模糊特征提取。

需要说明的是，脉冲神经元也可以是其他形式的神经元，本发明在此不做特别限定。Relu函数的优点是节省计算量、缓解过拟合问题，同样地，需要说明的是，激活函数也可选择其他函数，本发明在此不做特别限定。

对每一个优化模糊特征图进行平滑和分类，并通过分类器获得车辆重识别结果，计算重识别结果与对应的训练标签之间的损失。

根据样本特征值、实际车辆情况能够得到脉冲神经网络结构，对实时采集提取特征得到的特征值，根据脉冲神经网络结构可以确定模糊情景车辆重识别。

若损失大于设定阈值，则基于优化模糊特征图集和对应的训练标签进行所述模糊特征提取网络的迭代优化，直至达到设定的训练结束条件，获得训练好的模糊特征提取网络。

神经网络是一个多输入单输出的非线性关系的函数，输入分量通过和对应的权值分量相乘后再和阈值进行相加，得到激活函数，通过改变权值分量和阈值的数值，使输出值与目标值误差最小，从而得到神经网络。

神经网络回归器的输入信号是样本特征图，目标值是车辆ID，输出值是车辆ID分类概率，通过改变权值分量和阈值的数值使车辆重识别模型分类概率最接近实际位置，得到脉冲神经网络。

车辆重识别方法还包括模糊特征提取网络优化过程：

通过残差神经网络进行模糊图像的整体特征提取，获得初步特征图；

通过脉冲神经网络针对所述初步特征图的特征向量进行计算，得到优化特征图；

在所述复合人工神经网络中添加网络优化模块，并使用全连接层进行优化特征图分类，获得对模糊图像优化的优化模糊特征提取网络。

复合人工神经网络，其优化模块采用标准BP算法、自适应调整学习速率BP算法、动量改进BP算法、共轭梯度法、高斯牛顿法中的一种或多种实现神经网络优化。

步骤S103，对所述模糊特征图进行平滑操作，并通过分类器获得车辆ID的分类概率，以概率最大车辆ID作为车辆重识别结果。

图2为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法中包含模糊情景车辆特征处理的流程示意图，对进入脉冲神经网络模型的输入特征图进行处理：

步骤S201，获取模糊情境的待识别图片，并通过骨干神经网络进行图片的总体特征提取，获得待识别图片的特征图。

步骤S202，通过复合人工神经网络，进行初步特征提取，得到初步特征图，并将特征图作为脉冲神经网络的输入信号。

在步骤S202中，对待识别图片的特征图进行处理的目的是使输入脉冲神经网络的输入信号大小减少，加快运算量。

复合人工神经网络的基本思想是从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则随着网络的连接方式、权重值和激励函数的不同而不同。

本发明一个实施例中，步骤S202中，待识别图片的特征图的大小为384*136，初步特征图的大小为192*68，缩小比例为2。需要说明的是，池化大小一般为2～5，本发明实施例中选择2，也可以选择其他数值，本发明在此不做特别限定。

在步骤102中，对待识别图片的特征图进行处理，得到初步特征图作为脉冲神经网络的输入信号，相应地，对实时采集的模糊情景车辆提取的特征图也需做处理，选择正确帧数图像即可。

步骤S203，通过训练好的脉冲神经网络分别进行所述待识别图片的特征图的模糊特征提取，获得待识别图片的模糊情境对应的模糊特征图。

脉冲神经网络的输入信号为初步样本特征图。

步骤S204，对所述模糊特征图进行平滑操作，并通过分类器获得车辆ID的分类概率，以概率最大车辆ID作为车辆重识别结果。

分类器的输入信号为待识别图片的特征图，由于神经网络多输入单输出的特性，不需进行降维处理。

本发明实施例提供的车辆重识别方法，对特征图进行处理后输入给脉冲神经网络，提高了脉冲神经网络的计算速率和精确度。

图3为本说明书一实施例提供的基于模糊特征提取的车辆重识别方法中包含注意力机制模型优化的车辆重识别流程示意图，对模糊情景车辆进行了优化计算，包括：

步骤S301，对模糊情境下的输入样本图片使用骨干神经网络进行总体特征提取，构建训练样本，得到样本特征图。

在步骤S301中，对模糊情景车辆已知的车辆中的各图像特征，提取特征图，相应地，对各车辆视频实时回传车辆图，也需提取相同的特征图。

步骤S302，对所述样本特征图进行标准化预处理，得到标准化样本特征图。

在步骤S302中，对所述样本特征图进行注意力机制优化，使得算法自身精确度和速度得到提升。

在步骤S302中，对所述样本特征图进行标准化预处理，相应地，对实时得到的模糊情景车辆的特征图，也需进行标准化预处理。

步骤S303，从所属标准化样本特征图经过骨干神经网络处理，并通过通道注意力机制进行优化。

步骤S304，从所属标准化样本特征图经过空间注意力机制进行优化，得到空间注意力特征图。

在步骤S304中，所述通道注意力特征图可根据注意力机制模块求解得到。

在步骤S304中，对实时得到的模糊情景车辆的特征图也需使用注意力机制模块进行处理。

步骤S305，将处理后的初步特征图作为脉冲神经网络的输入信号，根据各模糊情景车辆情况，得到对模糊情景判断的脉冲神经网络结构。

在步骤S305中，所述脉冲神经网络的输入信号为所述初步样本特征图。

步骤S306，在对特征图进行特征提取时，对网络进行优化，最后经过平滑操作通过全连接层得到车辆重识别结果。

本发明实施例提供的车辆重识别方法，包含对模糊情景车辆的优化计算，可以更准确的计算模糊情景车辆ID分类概率。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。