一种车辆重识别模型的训练方法、系统及相关设备

技术领域

本发明属于计算机视觉应用领域，尤其涉及一种车辆重识别模型的训练方法、系统及相关设备。

背景技术

车辆重识别是计算机视觉中的一项重要任务。它旨在通过不同摄像机的图像或视频来识别目标车辆，特别是在不知道车牌信息的情况下，车辆重识别对于智慧城市的智能交通系统（Intelligent Transportation System，ITS）至关重要。最早出现的车辆重识别方法基于各种硬件探测器提取车辆的特征信息，例如无线磁传感器、感应线圈、无线射频识别标签等的车辆重识别算法，以及基于GPS的车辆行驶时间估计方法。这些基于传感器的方法优点是不需要训练学习，但大多数需要安装大量的硬件设备，实验环境要求相对较高，难以复现。这种方法还容易受客观环境的影响，比如交通拥挤、信号强度，因此这种方法很难达到预期的效果；此外，还出现了基于3D模型的匹配方法对同一型号的车辆进行识别、以及使用颜色直方图、方向梯度直方图的线性回归方法对车辆进行重识别的方法，尽管这些方法可以提取多重视角下的车辆特征，但时间复杂度较高，效率低，性能还受手工特征设计者的先验知识和调参能力的影响。

自从卷积神经网络问世，各种基于深度学习的方法也开始流行起来，基于深度学习的方法通常需要构建一个能够识别车辆身份的神经网络，用该网络提取特征，并通过计算特征距离进行重识别。但现有的车辆重识别模型的训练方法复杂，结果不理想，容易受客观因素影响，例如遮挡、视角和光照等因素，使识别数据中的图像特征不易提取，导致车辆重识别的效果不佳。

发明内容

本发明实施例提供车辆重识别的分组卷积深度残差网络训练方法，旨在解决车辆重识别模型训练复杂、结果不理想、识别结果容易受客观因素影响的问题。

第一方面，本发明实施例提供了一种车辆重识别模型的训练方法，所述训练方法包括以下步骤：

对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集；

构建一种平行堆叠且拓扑结构相同的分组卷积块；

利用所述分组卷积块构建基于分组卷积深度残差网络的车辆重识别模型；

对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练；

对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调；

利用所述数据集的图片和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型。

更进一步地，所述数据集包括City Flow数据集、VehicleX数据集和VeRi-776数据集，所述对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集的步骤具体包括以下步骤：

对所述数据集的图片进行裁剪、随机擦除、水平翻转中的至少一项操作；

对所述City Flow数据集的图片进行分类，获取所述训练集和所述验证集，并对所述训练集的图片按照query和gallery两种标签进行划分。

更进一步地，所述分组卷积块包括32个分组，每个分组包括1×1、3×3、1×1的卷积核，原数据通过32个分组的卷积输出后再统一通过第一残差块处理，得到第一处理数据，随后将所述原数据与所述第一处理数据通过第二残差块处理，得到第二处理数据。

更进一步地，所述构建基于分组卷积深度残差网络的车辆重识别模型的步骤具体包括以下步骤：

将所述分组卷积块移植到ResNet-50模型中，替换所述ResNet-50模型中的blocks；

将所述ResNet-50模型中的原本具有blocks的四个层均更换为所述分组卷积块；

从所述训练集选取三个图片分别作为样本、正向样本和负向样本，并使用tripletloss函数作为所述车辆重识别模型的损失函数；

删除所述ResNet-50模型中的centor loss函数，并使用SGD替代Adam作为所述车辆重识别模型的优化器，从而完成所述基于分组卷积深度残差网络的车辆重识别模型的构建。

更进一步地，所述对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练的步骤具体包括以下步骤：

利用所述City Flow数据集和所述VehicleX数据集获取所述预训练数据集；

以所述预训练数据集为所述车辆重识别模型的输入，设置全数据周期次数为500，基础学习率为0.01，batch-size大小为48，训练轮数为50，对所述车辆重识别模型进行预训练。

更进一步地，所述对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调的步骤中具体包括以下步骤：

利用所述City Flow数据集得到所述微调数据集，并将所述微调数据集输入所述车辆重识别模型进行处理，冻结所述车辆重识别模型中前两层卷积层，根据处理结果调整所述车辆重识别模型的参数；

使用特征挖掘方法为所述训练集打上伪标签，得到所述半监督数据集，并将所述半监督数据集输入所述车辆重识别模型处理，根据处理结果再次调整所述车辆重识别模型的参数。

更进一步地，所述利用所述数据集的图片和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型的步骤具体包括以下步骤：

将所述验证集与所述数据集中的所述VeRi-776数据集输入所述车辆重识别模型进行处理，其中，使用加权计算方法对所述标签为gallery的图片计算加权的平均特征，并根据所述平均特征得到特征序列；

使用轨迹级别的重排序方法对所述特征序列进行处理，得到所述验证集与所述VeRi-776数据集中的车辆重识别测试结果，将完成测试的所述车辆重识别模型作为最终模型。

第二方面，本发明实施例提供一种车辆重识别模型的训练系统，包括数据获取模块、分组卷积核构建模块、模型构建模块、预训练模块、微调模块、测试模块，其中：

所述数据获取模块用于对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集；

所述分组卷积核构建模块用于构建一种平行堆叠且拓扑结构相同的分组卷积块；

所述模型构建模块利用所述分组卷积块构建基于分组卷积深度残差网络的车辆重识别模型；

所述预训练模块对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练；

所述微调模块对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调；

所述测试模块利用所述数据集和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型。

第三方面，本发明实施例提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任一项所述的车辆重识别模型的训练方法中的步骤。

第四方面，本发明实施例提供一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任一项所述的车辆重识别模型的训练方法中的步骤。

本发明所达到的有益效果，由于在深度残差网络中使用了分组卷积技术，使采用了这种网络模型的车辆重识别模型能够提取到更丰富的特征，同时，在分组卷积的深度残差网络模型训练过程中使用了多场景的数据，并对特征提取和模型损失做了优化，能够降低车辆重识别模型的复杂度，减少客观因素的影响。

附图说明

图1是本发明实施例提供的一种车辆重识别模型的训练方法的流程框图；

图2是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S101的子流程框图；

图3是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S102中的分组卷积块的结构框图；

图4是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S103的子流程框图；

图5是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S104的子流程框图；

图6是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S105的子流程框图；

图7是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S106的子流程框图；

图8是本发明实施例提供的一种车辆重识别模型的训练系统的结构框图；

图9是本发明实施例提供的计算机设备结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参见图1，图1是本发明实施例提供的一种车辆重识别模型的训练方法的流程框图，所述训练方法包括以下步骤：

S101、对数据集中的图片进行筛选和分类，获取具有车辆特征的训练集、和验证集。

本发明实施例中，使用的所述数据集包括City Flow数据集、VehicleX数据集和VeRi-776数据集，其中，所述City Flow数据集中的图像为真实的交通监控环境中的监控摄像头采集的高清图像，所述VehicleX数据集是由公开的3D图像生成引擎VehicleX生成的具有车辆特征的3D图像，所述VeRi-776数据集是由高清摄像头采集的具有不同场景环境的真实车辆图像，所述数据集中的图像根据数据来源标注有不同侧重点的标签，例如车辆的类型、品牌、图像拍摄的时间戳等，所述车辆重识别模型的训练数据从这些图像中选取，以构建一个具有丰富特征且具有场景复杂度的训练数据。

本步骤中，具体的，包括如下子步骤，请参见图2，图2是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S101的子步骤流程框图：

S1011、对所述数据集的图片进行裁剪、随机擦除、水平翻转中的至少一项操作。

为了统一所述车辆重识别的输入，在进行所述训练集、所述测试集的获取之前，对所述数据集中的图片统一进行裁剪、随机擦除、水平翻转中的至少一项操作。在本发明实施例中，所述数据集中的图片统一裁剪为320×320大小，并在裁剪过程中使用擦除比例为0.5的随机擦除和概率为0.5的水平翻转对图片进行处理。

S1012、对所述City Flow数据集的图片进行分类，获取所述训练集和所述验证集，并对所述训练集的图片按照query和gallery两种标签进行划分。

具体的，所述City Flow数据集中包括666辆车的56277张图像，其中333辆车的36935幅图像用于模型训练，另外333辆车的18290张图像用于模型测试。本发明实施例中，将用于模型测试的333辆车的其中233辆车的图像划分为所述训练集，所述训练集包括26272张图片，另外100辆车的图像划分为所述测试集，所述测试集包括10663张图片。在所述测试集中，随机地将其中1052张图片打上query标签，另外的9611张图片打上gallery标签。

S102、构建一种平行堆叠且拓扑结构相同的分组卷积块。

本步骤中，具体的，请参照图3，图3是本发明实施例提供的一种车辆重识别模型的训练方法的分组卷积块结构框图。所述分组卷积块的基本结构中包含32个分组，这些分组处于同一逻辑结构层次中，每个分组分别包括1×1、3×3、1×1的卷积核，32个分组的输出通过第一残差块处理，得到第一处理数据，随后将卷积前的输入与所述第一残差数据一同经过第二残差块处理，得到第二处理数据，具体的，所述分组卷积块在数据输入时将所述数据拆分为32个分组，并分别由32个分组的卷积核进行卷积计算来提取特征，其中各个分组的前后两个1×1卷积核分别用于降低和升高特征维度，主要目的是为了减少参数的数量，从而减少计算量，最后通过统一的第一残差块和第二残差块对分组的输出进行特征融合，以此来提高模型特征提取的丰富度。

S103、利用所述分组卷积块构建基于分组卷积深度残差网络的车辆重识别模型。

具体的，请参见图4，图4是本发明实施例提供的车一种车辆重识别模型的训练方法的步骤S03的子流程框图，包括以下子步骤：

S1031、将所述分组卷积块移植到ResNet-50模型中，替换所述ResNet-50模型中的blocks。

所述ResNet-50模型中，是本发明实施例所使用的原始模型，其主要结构是包括卷积核的blocks（块结构），所述blocks中同样包括1×1、3×3、1×1的卷积核，与所述分组卷积核不同的是，所述blocks只存在一个残差块。所述分组卷积块的输入和输出数据的大小与所述blocks的数据大小是相等的，在本发明实施例中通过内容替换的方式将所述分组卷积块添加进网络模型中。

S1032、将所述ResNet-50模型中的原本具有blocks的四个层均更换为所述分组卷积块。

所述ResNet-50模型中除去包含stride（步长）操作的处理层外，还包括四个带有卷积核处理的卷积层，这些卷积层中均包含数个所述blocks，在本发明实施例中，利用所述分组卷积块替换所述blocks时，是在所有卷积层中进行替换的，并且，根据卷积层层次的不同，所替换进去的所述分组卷积块的数量也不同，具体的，根据神经网络模型的输入输出顺序，所述卷积层中的分组卷积块的数量依次为3、4、6、3。

S1033、从所述训练集中选取三个图片分别作为样本、正向样本和负向样本，并使用triplet loss函数作为所述车辆重识别模型的损失函数。

作为所述车辆重识别模型的损失函数，本发明实施例使用soft-margin（软间隔）版本的triplet loss（三元组损失）函数，所述triplet loss函数需要三个参数，具体的，从所述训练集中随机选取一个图片作为样本，将所述样本的特征表达记为f

L

其中，L

S1034、删除所述ResNet-50模型中的centor loss函数，并使用SGD替代Adam作为所述车辆重识别模型的优化器，从而完成所述基于分组卷积深度残差网络的车辆重识别模型的构建。

在所述ResNet-50模型的基础上，为了提高所述车辆重识别模型的检索性能，在构建所述车辆重识别模型的过程中删除center loss（中心损失）函数，并使用性能更好的SGD替代Adam作为所述车辆重识别模型的优化器。

S104、对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练。

具体的，请参照图5，图5是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S104的子流程框图，包括以下子步骤：

S1041、利用所述City Flow数据集和所述VehicleX数据集获取预训练数据集。

具体的，在本发明实施例中，用P代表所述City Flow数据集中的所有训练数据，用Q代表所述VehicleX数据集中的一部分数据，将P和Q的与运算结果作为所述预训练数据集，其中，为了使所述车辆重识别模型训练的结果不偏向于来自所述VehicleX数据集的Q，将Q中图片的序列号限制为不超过P的数据数目。在本发明实施例中，为获取最佳预训练性能，将Q的数据中的序列号数目设置为100，具体的，选择所述VehicleX数据集中的序列号为前100的数据作为Q的数据内容。

S1042、以所述预训练数据集为所述车辆重识别模型的输入，设置全数据周期次数为500，基础学习率为0.01，batch-size大小为48，训练轮数为50，对所述车辆重识别模型进行预训练。

预训练指的是，在神经网络模型参数初始化之后，通过训练使神经网络的损失越来越小，并将达到一定效果时将参数保存，以便下一次训练神经网络模型时能获得更好的表现的过程。在本发明实施例中，以所述预训练数据集为所述车辆重识别模型的输入做预训练，其中，进行预训练时的模型参数，设置全数据周期次数为500，基础学习率为0.01，batch-size大小为48，训练轮数为50，所述车辆重识别模型在预训练阶段的最终输出时，除了将预训练结果的参数保存，还会输出此次结果在所述预训练数据集中用于衡量模型识别准确度的mAP值和Rank值。

S105、对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调。

具体的，请参照图6，图6是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S105的子流程框图，包括以下子步骤：

S1051、利用所述City Flow数据集得到所述微调数据集，并将所述微调数据集输入所述车辆重识别模型进行处理，冻结所述车辆重识别模型中前两层卷积层，根据处理结果调整所述车辆重识别模型的参数。

微调指的是，将经过预训练的神经网络模型作用于特定的数据集，使神经网络模型的参数适应这个特定的数据集的过程。本发明实施例中，以所述VehicleX数据集中的部分数据作为所述微调数据集，再使用所述微调数据集作为所述车辆重识别模型的输入做第一次微调，并根据使用所述微调数据集的结果表现来修改模型参数，在这个过程中，为了在所述微调数据集中保留低级特征，本发明实施例冻结了所述车辆重识别的前两层，具体为包含stride操作的两个处理层，以降低所述车辆重识别模型在微调阶段的学习率。

S1052、使用特征挖掘方法为所述训练集打上伪标签，得到所述半监督数据集，并将所述半监督数据集输入所述车辆重识别模型处理，根据处理结果再次调整所述车辆重识别模型的参数。

利用所述特征挖掘方法（Identity Mining）得到所述半监督数据集，具体的，在本发明实施例中，所述训练集中的每一张图片都有query或者gallery的标签，将所述标签为query的图片作为第一图片集，定义为A，所述第一图片集中的图片定义为a

A={a

将所述标签为gallery的图片作为第二图片集，定义为B，所述第二图片集中的图片定义为b

B={b

使用现有的已训练好的使用Multi-Domain Learning（MDL，多域学习）的特征提取模型对所述第一图片集和所述第二图片集进行全局特征提取，对于所述第一图片集和所述第二图片集的所述全局特征分别定义为f

f

f

f

具体的，所述特征提取模型从所述第一图片集中查找不同序列号的样本图片，将所述样本图片集合定义为C，C中有t张所述样本图片，根据以上定义，C表示如以下序列：

C={c

更具体的，所述特征提取模型先从所述第一图片集中随机一张将具有所述标签为query的图片a

min(Dist(a

此时的图片a

之后，所述特征提取模型从所述VehicleX数据集中得到的Q和所述训练集中所述标签为gallery的图片作为样本数据集，并从所述样本数据集中标记出与C中的图片c

S106、利用所述数据集的图片和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型。

具体的，请参照图7，图7是本发明实施例提供的一种车辆重识别模型的训练方法的步骤S106的子流程框图，包括以下子步骤：

S1061、将所述验证集与所述VeRi-776数据集输入所述车辆重识别模型进行处理，其中，使用加权计算方法对所述标签为gallery的图片计算加权的平均特征，并利用所述平均特征得到特征序列。

具体的，本发明实施例中，用T代表所述验证集中所述标签为gallery的图片集合，记为第三图片集，并用i表示所述第三图片集中的特征轨迹数目，根据以上定义，所述第三图片集表示为以下序列：

T

所述车辆重识别模型根据Q和T

根据所述平均距离向量A

W

其中，j的取值对应T

f

得到所述平均特征后，再利用所述VeRi-776数据集输入所述车辆重识别模型，将输出的结果与所述平均特征作为最终需要进行识别的特征序列。

S1062、使用轨迹级别的重排序方法对所述特征序列进行处理，得到所述验证集与所述VeRi-776数据集中的车辆重识别测试结果，将完成测试的所述车辆重识别模型作为最终模型。

具体的，根据上述步骤S1061中得到的所述特征序列进行重排序，得到根据特征相似程度的排序结果，根据所述排序结果，所述车辆重识别模型会按序输出所述验证集与所述VeRi-776数据集中的图片特征识别结果，从而得到所述车辆重识别的预测结果，并将所述车辆重识别模型保存，作为最终的所述车辆重识别模型。

本发明实施例所达到的有益效果，由于在深度残差网络中使用了分组卷积技术，使所述车辆重识别模型能提取到更丰富的特征，同时，在分组卷积的深度残差网络模型训练过程中使用了多场景的数据，并对特征提取和模型损失做了优化，能够降低所述车辆重识别模型的复杂度，减少图片质量等客观因素的影响。

本发明实施例还提供一种车辆重识别模型的训练系统，请参见图8，图8是本发明实施例提供的一种车辆重识别模型的训练系统的结构框图，所述车辆重识别模型的训练系统700包括数据获取模块701、分组卷积核构建模块702、模型构建模块703、预训练模块704、微调模块705、测试模块706，其中：

所述数据获取模块701用于对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集；

所述分组卷积核构建模块702用于构建一种平行堆叠且拓扑结构相同的分组卷积块；

所述模型构建模块703利用所述分组卷积块构建基于分组卷积深度残差网络的车辆重识别模型；

所述预训练模块704对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练；

所述微调模块705对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调；

所述测试模块706利用所述数据集和所述验证集同时对所述车辆重识别进行测试，获取最终的所述车辆重识别模型。

本发明实施例提供的车辆重识别模型的训练系统700可用于实现本发明实施提供的车辆重识别模型的训练方法中的步骤，解决的技术问题和达到的技术效果也相同，参上述车辆重识别模型的训练方法的描述，在此不再赘述。

请参见图9，图9是本发明实施例提供的计算机设备结构示意图，所述计算机设备800包括：存储器802、处理器801及存储在所述存储器802上并可在所述处理器801上运行的计算机程序。

处理器801调用存储器802存储的计算机程序，执行本发明实施例提供的车辆重识别模型的训练方法中的步骤，请结合图1，具体包括：

S101、对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集；

S102、构建一种平行堆叠且拓扑结构相同的分组卷积块；

S103、利用所述分组卷积块构建基于分组卷积深度残差网络的车辆重识别模型；

S104、对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练；

S105、对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调；

S106、利用所述数据集的图片和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型。

更进一步地，所述数据集包括City Flow数据集、VehicleX数据集和VeRi-776数据集，所述对数据集的图片进行筛选和分类，获取具有车辆特征的训练集和验证集的步骤具体包括以下步骤：

对所述数据集图片的进行裁剪、随机擦除、水平翻转中的至少一项操作；

对所述City Flow数据集的图片进行分类，获取所述训练集和所述验证集，并对所述训练集的图片按照query和gallery两种标签进行划分。

更进一步地，所述分组卷积块包括32个分组，每个分组包括1×1、3×3、1×1的卷积核，原数据通过32个分组的卷积输出后再统一通过第一残差块处理，得到第一处理数据，随后将所述原数据与所述第一处理数据通过第二残差块处理，得到第二处理数据。

更进一步地，所述构建基于分组卷积深度残差网络的车辆重识别模型的步骤具体包括以下步骤：

将所述分组卷积块移植到ResNet-50模型中，替换所述ResNet-50模型中的blocks；

将所述ResNet-50模型中的原本具有blocks的四个层均更换为所述分组卷积块；

从所述训练集选取三个图片分别作为样本、正向样本和负向样本，并使用tripletloss函数作为所述车辆重识别模型的损失函数；

删除所述ResNet-50模型中的centor loss函数，并使用SGD替代Adam作为所述车辆重识别模型的优化器，从而完成所述基于分组卷积深度残差网络的车辆重识别模型的构建。

更进一步地，所述对所述训练集的图片进行筛选，获取预训练数据集，并利用所述预训练数据集的图片对所述车辆重识别模型进行预训练的步骤具体包括以下步骤：

利用所述City Flow数据集和所述VehicleX数据集获取所述预训练数据集；

以所述预训练数据集为所述车辆重识别模型的输入，设置全数据周期次数为500，基础学习率为0.01，batch-size大小为48，训练轮数为50，对所述车辆重识别模型进行预训练。

更进一步地，所述对所述训练集的图片进行处理，获取微调数据集和半监督数据集，并分别利用所述微调数据集、所述半监督数据集对所述车辆重识别模型进行微调的步骤中具体包括以下步骤：

利用所述City Flow数据集得到所述微调数据集，并将所述微调数据集输入所述车辆重识别模型进行处理，冻结所述车辆重识别模型中前两层卷积层，根据处理结果调整所述车辆重识别模型的参数；

使用特征挖掘方法为所述训练集打上伪标签，得到所述半监督数据集，并将所述半监督数据集输入所述车辆重识别模型处理，根据处理结果再次调整所述车辆重识别模型的参数。

更进一步地，所述利用所述数据集的图片和所述验证集的图片同时对所述车辆重识别模型进行测试，获取最终的所述车辆重识别模型的步骤具体包括以下步骤：

将所述验证集与所述数据集中的所述VeRi-776数据集输入所述车辆重识别模型进行处理，其中，使用加权计算方法对所述标签为gallery的图片计算加权的平均特征，并根据所述平均特征得到特征序列；

使用轨迹级别的重排序方法对所述特征序列进行处理，得到所述验证集与所述VeRi-776数据集中的车辆重识别测试结果，将完成测试的所述车辆重识别模型作为最终模型。

本发明实施例提供的计算机设备800可用于实现本发明实施提供的车辆重识别模型的训练方法中的步骤，解决的技术问题和达到的技术效果也相同，参上述车辆重识别模型的训练方法的描述，在此不再赘述。

本发明实施例还提供一种计算机存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的车辆重识别模型的训练方法中的各个过程及步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存取存储器（Random AccessMemory，简称RAM）等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。