(12)發(fā)明專利(22)申請日2021.09.17(43)申請公布日2022.02.25(72)發(fā)明人孫偉胡亞華張小瑞徐凡代廣昭左軍紀(jì)錦公司32224GO6V20/58(2022.01)GO6V10/44(2022.01)GO6V10/762(2022.01)GO6V10/774(2022.01)GO6V10/82(2022.01)(56)對比文件胡亞華.“基于領(lǐng)域自適應(yīng)的車輛重識別研究”.《中國優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫(信息科技輯)》.2024,全文.審查員岳春陽權(quán)利要求書2頁說明書6頁附圖2頁得三條Mean-Net網(wǎng)絡(luò)模型；將源域圖片輸入Mean-Net網(wǎng)絡(luò)模型中輸出的預(yù)測值標(biāo)記為軟偽標(biāo)簽；將目標(biāo)域圖片通過聚類算法得到硬偽標(biāo)網(wǎng)絡(luò)模型的軟分類損失函數(shù)和硬分類損失函數(shù)；應(yīng)的軟分類損失函數(shù)和硬分類損失函數(shù)構(gòu)建循概率軟偽標(biāo)簽練NET1,2.3硬偽標(biāo)簽循環(huán)平均學(xué)習(xí)2將圖片輸入預(yù)先訓(xùn)練好的三條Net網(wǎng)絡(luò)模型中，對三條Net網(wǎng)絡(luò)的參數(shù)進(jìn)行加權(quán)平均得通過軟偽標(biāo)簽和硬偽標(biāo)簽分別計算三條Net網(wǎng)絡(luò)模型的軟分類損失函數(shù)和硬分類損失通過三條Net網(wǎng)絡(luò)模型，即Net1,Net2和Net3,對應(yīng)的軟分類損失函數(shù)和硬分類損失函將swin-transformer作為特征提取網(wǎng)絡(luò)，將預(yù)先訓(xùn)練好的SNR模塊和多分類器插入特輸入源域圖片經(jīng)過實例歸一化，然后將實例歸一化的特征圖與原特征圖做差值，在差將實例歸一化的特征圖與提取的信息特征圖相加得到的特征圖再通過群歸一化處理2.根據(jù)權(quán)利要求1所述的基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，其特征在于，實例β是與身份相關(guān)的特征信息，R?是與特征無關(guān)的信息，并且根據(jù)差異對各部分進(jìn)行不同恢3F+=F+R+(3)。4.根據(jù)權(quán)利要求1所述的基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，其特征在于，在風(fēng)選擇基于概率密度的聚類方法對目標(biāo)域樣本進(jìn)行聚類，確定目標(biāo)域樣本的初始偽標(biāo)用初始偽標(biāo)簽監(jiān)督網(wǎng)絡(luò)在目標(biāo)域上學(xué)習(xí)，在共有特征分布上提取高置信樣本，從而提4基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，屬于圖像處理技術(shù)領(lǐng)域。背景技術(shù)[0002]車輛重識別是指利用計算機視覺技術(shù)判斷圖像或視頻序列中是否存在某一特定車輛的技術(shù)，該技術(shù)在視頻監(jiān)控、智慧交通、維護(hù)社會治安等方面發(fā)揮著重要的作用。然而實際交通場景中車輛重識別仍存在著較大挑戰(zhàn)，例如，訓(xùn)練時在源域使用的車輛圖片數(shù)據(jù)集跟測試時在目標(biāo)域使用的車輛圖片數(shù)據(jù)集不同，而且目標(biāo)域和源域中的車輛圖片特征往往分布不一致，具有差異性；此外，同一車輛的外觀在不同的監(jiān)控視角下存在明顯的差異，而不同車輛的外觀在某些情況下會比較相似，這給車輛重識別帶來了極大的挑戰(zhàn)。[0003]無監(jiān)督領(lǐng)域自適應(yīng)方法可將一個交通場景下訓(xùn)練的模型應(yīng)用到新的場景，可以在一定程度上解決跨域車輛重識別問題。該方法可以被粗略地分為兩類：基于風(fēng)格遷移的方法和基于偽標(biāo)簽的方法。前者利用生成對抗網(wǎng)絡(luò)等方式來實現(xiàn)不同車輛數(shù)據(jù)集之間風(fēng)格的遷移，以提升車輛重識別技術(shù)在不同場景下的應(yīng)用能力。但是在風(fēng)格遷移的過程中往往會丟失一些有用的特征信息。后者提出了自適應(yīng)模塊來生成“偽目標(biāo)圖像”,該模塊學(xué)習(xí)未標(biāo)記域的風(fēng)格并保留標(biāo)記域的身份信息，利用動態(tài)采樣策略，從聚類結(jié)果中選擇可靠的偽標(biāo)簽數(shù)據(jù)，結(jié)合“偽目標(biāo)圖像”和可靠的偽標(biāo)簽數(shù)據(jù)用于訓(xùn)練重識別模型，以適應(yīng)新領(lǐng)域數(shù)據(jù)集的變化。但是模型的訓(xùn)練往往受到偽標(biāo)簽噪聲的干擾，嚴(yán)重者會導(dǎo)致訓(xùn)練崩潰。其中偽標(biāo)簽的噪聲主要來自未知的目標(biāo)類別數(shù)、源域預(yù)訓(xùn)練的網(wǎng)絡(luò)在目標(biāo)域上表現(xiàn)力較弱、聚類算法本身生成正確標(biāo)簽的概率較低等。發(fā)明內(nèi)容[0004]本發(fā)明的目的在于提供基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，以解決現(xiàn)有技術(shù)目標(biāo)域和源域中的車輛圖片特征往往分布不一致，具有差異性導(dǎo)致重識別準(zhǔn)確率低的缺[0005]基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，所述方法包括：[0006]將圖片輸入預(yù)先訓(xùn)練好的三條Net網(wǎng)絡(luò)模型中，對三條Net網(wǎng)絡(luò)的參數(shù)進(jìn)行加權(quán)平均得三條Mean-Net網(wǎng)絡(luò)模型；[0007]將源域圖片輸入Mean-Net網(wǎng)絡(luò)模型中輸出的預(yù)測值標(biāo)記為軟偽標(biāo)簽；[0008]將目標(biāo)域圖片通過聚類算法得到硬偽標(biāo)簽；[0009]通過軟偽標(biāo)簽和硬偽標(biāo)簽分別計算三條Net網(wǎng)絡(luò)模型的軟分類損失函數(shù)和硬分類損失函數(shù)；[0010]通過三條Net網(wǎng)絡(luò)模型，即Net1,Net2和Net3,對應(yīng)的軟分類損失函數(shù)和硬分類損失函數(shù)構(gòu)建循環(huán)平均學(xué)習(xí)框架；[0011]將車輛數(shù)據(jù)圖片輸入構(gòu)建循環(huán)平均學(xué)習(xí)框架輸出相同車輛圖片。[0012]進(jìn)一步地，Net網(wǎng)絡(luò)模型的訓(xùn)練方法包括：5[0016]將實例歸一化的特征圖與提取的信息特征圖相加得到的特征圖再通過群歸一化將提取的身份相關(guān)的特征信息R增添到下得到模塊的最終輸出；6[0029]用初始偽標(biāo)簽監(jiān)督網(wǎng)絡(luò)在目標(biāo)域上學(xué)習(xí)，在共有特征分布上提取高置信樣本，從而提取了標(biāo)簽樣本，[0030]標(biāo)簽樣本采用聚類算法生成初始硬偽標(biāo)簽。[0031]與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果：本發(fā)明通NET過網(wǎng)絡(luò)模型進(jìn)行風(fēng)格轉(zhuǎn)換，通過Mean-Net網(wǎng)絡(luò)模型輸出偽標(biāo)簽法，既消減了源域和目標(biāo)域之間的風(fēng)格差異又考慮了目標(biāo)域置性度高的樣本并補充了數(shù)據(jù)分布；循環(huán)平均學(xué)習(xí)框架模型中的概率軟標(biāo)簽有效的減少了偽標(biāo)簽噪聲對車輛重識別影響，提高了車輛識別準(zhǔn)確度。附圖說明[0032]圖1是本發(fā)明基于領(lǐng)域自適應(yīng)跨域車輛重識別流程圖；[0035]圖4是本發(fā)明循環(huán)平均學(xué)習(xí)框架。具體實施方式[0036]為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體實施方式，進(jìn)一步闡述本發(fā)明。[0037]如圖所示，公開了基于領(lǐng)域自適應(yīng)的跨域車輛重識別方法，其特征在于，所述方法[0038]將圖片輸入預(yù)先訓(xùn)練好的三條Net網(wǎng)絡(luò)模型中，對三條Net網(wǎng)絡(luò)的參數(shù)進(jìn)行加權(quán)平均得三條Mean-Net網(wǎng)絡(luò)模型；[0039]將源域圖片輸入Mean-Net網(wǎng)絡(luò)模型中輸出的預(yù)測值標(biāo)記為軟偽標(biāo)簽；[0040]將目標(biāo)域圖片通過聚類算法得到硬偽標(biāo)簽；[0041]通過軟偽標(biāo)簽和硬偽標(biāo)簽分別計算三條Net網(wǎng)絡(luò)模型的軟分類損失函數(shù)和硬分類損失函數(shù)；[0042]通過三條Net網(wǎng)絡(luò)模型，即Net1,Net2和Net3,對應(yīng)的軟分類損失函數(shù)和硬分類損失函數(shù)構(gòu)建循環(huán)平均學(xué)習(xí)框架；[0043]將車輛數(shù)據(jù)圖片輸入構(gòu)建循環(huán)平均學(xué)習(xí)框架輸出相同車輛圖片。[0045]構(gòu)建SNR模塊，使得它將輸入的源域圖片在照明、色調(diào)、色彩對比度和飽和度等風(fēng)格與目標(biāo)域圖片風(fēng)格歸一化。將SNR模塊插入到特征提取主干網(wǎng)絡(luò)(swin-transformer)的block層后就能轉(zhuǎn)換風(fēng)格，即插即用非常便捷。[0047]步驟一：首先搭建風(fēng)格規(guī)劃化部分，圖像輸入到以swin-transformer為主干的特征提取網(wǎng)絡(luò)的過程中，把特征提取后的輸出進(jìn)行實例歸一化(IN),把每個HW(H,W分別特征圖的長度和寬度)單獨拿出來標(biāo)準(zhǔn)化處理、壓縮和平移，將源域的圖片風(fēng)格與目標(biāo)域圖片風(fēng)格基本一致并保持了每個圖像的獨立性，從而減少特征的域差異；具體數(shù)學(xué)表達(dá)式如下：7將提取的身份相關(guān)的特征信息R增添到F得到模塊的歸一化(GN)降低批量大小(batchs[0059]采用基于聚類的偽標(biāo)簽法來解決目標(biāo)域沒有標(biāo)簽的問題。通過聚類生成偽標(biāo)簽8域樣本事先沒有任何類別標(biāo)簽，選擇基于概率密度的聚類方法(Density[0063]步驟1:將3條以swin-transformer為骨干的網(wǎng)絡(luò)在ImageNet[0070]步驟3:車輛重識別網(wǎng)絡(luò)通過損失函數(shù)的收斂來達(dá)到訓(xùn)練效果。在發(fā)明中，使用F[0077]與硬偽標(biāo)簽不同，軟分類損失中的軟偽標(biāo)簽為平均模型的分類預(yù)測值為9C′(F(x'|E①[θ])。為減小兩個分布間的距離，軟偽標(biāo)簽分類損失為下式：[0080]測試時，去除訓(xùn)練階段使用的數(shù)據(jù)增強，如圖片反轉(zhuǎn)，裁剪等。將測試的車輛數(shù)據(jù)圖片輸入訓(xùn)練好的車輛重識別模型中，然后經(jīng)過網(wǎng)絡(luò)的計算輸入圖片中車輛與圖庫集圖片中車輛的相似度，由網(wǎng)絡(luò)最后的softmax層輸出相同車輛的概率。[0082]其中z是神經(jīng)網(wǎng)絡(luò)最后全連接層的輸片與輸入圖片的相似度。由此神經(jīng)網(wǎng)絡(luò)模型識別出與之相似度高的所有車輛圖片。[0083]以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的