车辆重识别方法、装置及计算机、可读存储介质与流程

1.本发明涉及交通运输领域，尤其涉及一种车辆重识别方法、装置及计算机、可读存储介质。


背景技术：

2.车辆重识别技术是指给定一辆待查寻车辆的图片，在不同摄像头采集的图像中通过车辆匹配查找出相同车辆的识别技术。车辆重识别技术较难的方面主要在于：外观以及拍摄角度等因素可能造成对同一辆车进行拍摄所得到的拍摄图像具有较大差异，而采集的不同车辆的图像反而存在相似度更高的情形，因此造成同一辆车的图像匹配存在较大难度，使得识别准确度及效率相对低下。


技术实现要素：

3.本发明针对现有车辆重识别存在识别准确度及效率相对低下的问题，提供了一种车辆重识别方法、装置及计算机、可读存储介质。
4.本发明就上述技术问题而提出的技术方案如下：
5.第一方面，本发明提供了一种车辆重识别方法，所述方法包括：
6.获取同一辆车的多张车辆图像以作为训练图像集；
7.构建具有部分参数共享的双流主干网络和知识蒸馏支路网络的车辆识别模型；其中，所述知识蒸馏支路包括知识蒸馏教师模型和知识蒸馏学生模型；
8.将所述训练图像集输入所述车辆识别模型进行训练以得到训练好的车辆识别模型，其中，在训练过程中，将每一位于浅层的知识蒸馏支路作为学生以由作为教师的最深层的知识蒸馏支路进行指导训练；
9.将待识别的车辆图像输入所述训练好的车辆识别模型中得到待识别的车辆图像特征；
10.将待识别的所述车辆图像特征与预设车辆图像库中的多个车辆的图像特征分别进行相似度计算；
11.输出相似度最高的车辆图像特征所指向的车辆图像作为车辆重识别结果。
12.优选地，所述知识蒸馏支路部分的损失满足如下关系式：
13.l
dist
＝αl
soft
βl
hard
γl
fea
，
14.其中，α、β、γ是知识蒸馏的平衡参数，l
soft
表示深层分类器和各个浅层分类器之间的kl散度损失；l
hard
表示真实标签的交叉熵损失；l
fea
表示深层分类器和各个浅层分类器经池化处理得到的特征之间的l2损失。
15.优选地，所述l
soft
满足如下关系式：
[0016][0017]
其中，kl(p0||pj)表示计算最深层教师分类器p0和各浅层学生分类器pj的kl散度；
n表示训练时mini-batch中的图片的数量；m表示浅层学生分类器的总数；p0(i)和pj(i)表示mini-batch中第i张图片最深层。
[0018]
优选地，所述l
hard
满足如下关系式：
[0019]
l
hard
＝∑m∑nqj(i)log(pj(i))，
[0020]
其中，pj(i)表示mini-batch中第i张图片经过各浅层学生网络和softmax操作对应的训练集中所有身份预测逻辑分布，qj(i)表示该图像对应的真实标签分布。
[0021]
优选地，所述l
fea
满足如下关系式：
[0022][0023]
其中，f0(i)表示mini-batch中第i张图像最深层教师网络图池化后的特征，fj(i)表示各浅层学生网络特征图池化后的特征，表示l2损失。
[0024]
优选地，所述获取同一辆车的多张车辆图像以作为训练图像集包括：
[0025]
采用随机批采样策略在线获取同一辆车的多张车辆图像以作为所述训练图像集。
[0026]
优选地，所述双流主干网络采用resnet50网络，包括特征提取部分和特征嵌入部分。
[0027]
第二方面，本发明提供一种车辆重识别装置，所述装置包括：
[0028]
获取模块，用于获取同一辆车的多张车辆图像以作为训练图像集；
[0029]
模型构建模块，用于构建具有部分参数共享的双流主干网络和知识蒸馏支路网络的车辆识别模型；其中，所述知识蒸馏支路包括知识蒸馏教师模型和知识蒸馏学生模型；
[0030]
模型训练模块，用于将所述训练图像集输入所述车辆识别模型进行训练以得到训练好的车辆识别模型，其中，在训练过程中，将每一位于浅层的知识蒸馏支路作为学生以由作为教师的最深层的知识蒸馏支路进行指导训练；
[0031]
输入模块，用于将待识别的车辆图像输入所述训练好的车辆识别模型中得到待识别的车辆图像特征；
[0032]
计算模块，用于将待识别的所述车辆图像特征与预设车辆图像库中的多个车辆的图像特征分别进行相似度计算；
[0033]
输出模块，用于输出相似度最高的车辆图像特征所指向的车辆图像作为车辆重识别结果。
[0034]
第三方面，本发明还提供一种计算机，所述计算机包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述的车辆重识别方法中的步骤。
[0035]
第四方面，本发明还提供一种可读存储介质，其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的车辆重识别方法中的步骤。
[0036]
本发明实施例提供的技术方案带来的有益效果是：
[0037]
本发明提供的车辆重识别方法通过构建包含双流主干网络和知识蒸馏支路网络进行训练，使网络模型充当自己的老师，并不断正向推动，从而使得网络模型能够提取到更具有鉴别能力的特征表示，进而使所得到的车辆识别模型具有较强分类性能，有助于提升在车辆重识别过程中分类的准确性和车辆重识别的效率。
附图说明
[0038]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明提供的车辆重识别方法在一实施方式下的流程图；
[0040]
图2为本发明提供的车辆识别模型的知识蒸馏网络模型图；
[0041]
图3为本发明提供的车辆重识别装置在一实施方式下的功能模块图。
具体实施方式
[0042]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0043]
参见图1，为本发明提供的车辆重识别方法在一实施方式下的流程图。所述车辆重识别方法主要应用于交通识别系统中，采用知识蒸馏的方式，利用网络模型充当其的教师，不断正向推动，使得网络模型能够提取到更具有鉴别能力的特征表示，以提升对同一车辆图像的分类性能。
[0044]
如图1所示，所述车辆重识别方法包括如下步骤：
[0045]
s101：获取同一辆车的多张车辆图像以作为训练图像集。
[0046]
本步骤中，可采用随机批采样策略在线获取同一辆车的多张车辆图像以作为所述训练图像集，也即可预建立训练集，所述训练集包括不同车辆在不同拍摄角度及外观下的图像，通过随机方式采用不同车辆所对应的各批量图像以作为相应同一车辆的训练图像集。
[0047]
s102：构建具有部分参数共享的双流主干网络和知识蒸馏支路网络的车辆识别模型；其中，所述知识蒸馏支路包括知识蒸馏教师模型和知识蒸馏学生模型。
[0048]
本步骤中，所述双流主干网络可采用resnet50网络，具体可包括5个block部分，分别是作为特征提取部分的block1和作为特征嵌入部分的block2至block5。
[0049]
所述知识蒸馏(knowledge distillation)支路用于通过完成教师-学生网络的训练，实现对网络模型的压缩。
[0050]
本实施方式中，所述知识蒸馏教师模型与所述知识蒸馏学生模型同属一个知识蒸馏模型中的不同区域，并使用最深层的分类器在多个维度指导浅层分类器学习，从而实现知识自蒸馏。
[0051]
s103：将所述训练图像集输入所述车辆识别模型进行训练以得到训练好的车辆识别模型，其中，在训练过程中，将每一位于浅层的知识蒸馏支路作为学生以由作为教师的最深层的知识蒸馏支路进行指导训练。
[0052]
本步骤中，知识蒸馏支路部分的损失可满足如下关系式：
[0053]
l
dist
＝αl
soft
βl
hard
γl
fea
，
[0054]
其中，α、β、γ是知识蒸馏的平衡参数，l
soft
表示深层分类器和各个浅层分类器之间的kl散度(相对熵)损失；l
hard
表示真实标签的交叉熵损失；l
fea
表示深层分类器和各个浅层分类器经池化处理得到的特征之间的l2损失。
[0055]
此处，kl散度用于衡量教师网络和浅层学生网络的softmax输出，通过引入kl散度，可利用深层网络学习到的知识指导给浅层网络，使两者分布接近，对应为教师-学生网络的训练。
[0056]
所述l
soft
满足如下关系式：
[0057][0058]
其中，kl(p0||pj)表示计算最深层教师分类器p0和各浅层学生分类器pj的kl散度；n表示训练时mini-batch中的图片的数量；m表示浅层学生分类器的总数；p0(i)和pj(i)表示mini-batch中第i张图片最深层。
[0059]
此处，本发明所提供的车辆重识别方法中m的值等于3；j＝(1,2,3,)，根据从小到大的顺序分别表示从浅到深的各浅层学生分类器，其中j＝0表示最深层的教师分类器。
[0060]
本实施方式中，所述l
hard
用于度量训练数据集的真实标签和每个浅层分类器的soft输出之间的差异，满足如下关系式：
[0061]
l
hard
＝∑m∑nqj(i)log(pj(i))，
[0062]
其中，pj(i)表示mini-batch中第i张图片经过各浅层学生网络和softmax操作对应的训练集中所有身份预测逻辑分布，qj(i)表示该图像对应的真实标签分布。
[0063]
本实施方式中，所述l
fea
用于计算最深层的神经网络提取出来的特征与各浅层网络提取的特征之间的l2损失，通过将最深层网络特征图中隐藏的知识引入到浅层的网络中，实现用高级特征指导低级特征。具体地，所述l
fea
满足如下关系式：
[0064][0065]
其中，f0(i)表示mini-batch中第i张图像最深层教师网络图池化后的特征，fj(i)表示各浅层学生网络特征图池化后的特征，表示l2损失。
[0066]
s104：将待识别的车辆图像输入所述训练好的车辆识别模型中得到待识别的车辆图像特征。
[0067]
s105：将待识别的所述车辆图像特征与预设车辆图像库中的多个车辆的图像特征分别进行相似度计算。此处，所述预设车辆图像库为预先采集各类车辆的图像所建立图像数据库。
[0068]
本步骤中，在进行相似度计算时，可采用特征空间距离算法并依据空间距离的大小进行排序，从而得到排序的各个特征及对应的各个车辆图像。
[0069]
s106：输出相似度最高的车辆图像特征所指向的车辆图像作为车辆重识别结果。此处，以排序位列最高的车辆图像作为相似度最高的车辆图像。
[0070]
本发明提供的车辆重识别方法通过构建包含双流主干网络和知识蒸馏支路网络进行训练，使网络模型充当自己的老师，并不断正向推动，从而使得网络模型能够提取到更具有鉴别能力的特征表示，进而使所得到的车辆识别模型具有较强分类性能，有助于提升在车辆重识别过程中分类的准确性和车辆重识别的效率。
[0071]
参见图2，为本发明提供的车辆识别模型的知识蒸馏网络模型图。将图像输入至主干网络的block1中以进行特征提取，其后通过block2至block5进行特征嵌入，并分别输入
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0084]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0085]
此外，本发明还提供一种可读存储介质，其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前述的车辆识别方法中的步骤。
[0086]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。