【摘要】：近年來,隨著監(jiān)控攝像頭的快速增長,關于車輛的監(jiān)控數(shù)據(jù)呈爆炸式增長,急需一種技術來分析處理海量視頻數(shù)據(jù)。車輛再識別任務因其在高效處理海量數(shù)據(jù)時所表現(xiàn)出的高效性、便捷性、創(chuàng)新性,在打造智慧交通、建設安全城市等方面發(fā)揮了巨大作用。車輛的特征提取對于解決車輛再識別任務至關重要,就當前而言,傳統(tǒng)的手工特征提取的方法極易受到光照強度、攝像頭拍攝角度等環(huán)境因素干擾,導致難以提取具有魯棒性的特征。再者,許多方法側重于特征提取上,忽略了其在特征提取后對目標的排序優(yōu)化。針對上述問題,本文提出一個融合排序優(yōu)化方法的多任務車輛再識別算法框架,主要包括一種基于多任務學習的卷積神經(jīng)網(wǎng)絡模型和一種基于再查詢的排序優(yōu)化算法,具體如下:(1)基于多任務學習的車輛再識別算法�，F(xiàn)有的車輛再識別方法主要集中在通過單一卷積神經(jīng)網(wǎng)絡模型提取目標特征。常用的單一網(wǎng)絡模型為驗證模型(Verification Model)和辨識模型(Identification Model)。由于損失函數(shù)的差異,他們有各自的優(yōu)點和一定的局限性(無法充分利用圖片的標記信息)。因此,本文結合上述兩種主流模型的優(yōu)點,同時利用了圖片之間存在的相似度信息和類別信息,使其能夠提取出更具有魯棒性的圖片特征。算法基于孿生(Siamese)網(wǎng)絡模型,具有兩個分支,每個分支可以看作是一個單獨的分類模型,并在最終合并兩個分支進行類別驗證。進一步說明,該網(wǎng)絡模型同時進行著三項任務,其中包括兩項分類任務和一項驗證任務。通過實驗證明,該多任務網(wǎng)絡模型提取的特征相比于單一網(wǎng)絡模型更具有魯棒性,使識別正確率更高。(2)基于再查詢的排序優(yōu)化方法。許多算法在使用深度學習方法提取車輛特征后,僅僅使用簡單的距離度量對識別結果進行排序,但其無法保證較高的識別準確率。本文提出的排序優(yōu)化方法通過多次查詢測試候選集(Gallery),建立一個融合排名的雙重相似度關系來優(yōu)化最后的識別結果,該相似度關系包括:1)查詢圖像(Probe)與測試候選集之間的相似度;2)與查詢圖像具有強相似度關系的圖片之間的相似度。進一步結合上述相似度關系與查詢圖片的初始排名優(yōu)化識別結果,并通過實驗證明該方法可以提高車輛再識別的準確率。(3)融合排序優(yōu)化方法的多任務車輛再識別算法框架�；谏鲜鰞煞N優(yōu)化方法,本文提出融合排序優(yōu)化方法的多任務車輛再識別算法框架。經(jīng)實驗證明,該算法框架在兩個主流數(shù)據(jù)集VeRi和VehicleID上,相比于其他主流方法在第一識別率上提高了約1.5%和20%。
【圖文】：

單的人力要想完成只能是事倍功半。因此，，有效利用計算機視覺技術，高效處理逡逑海量的監(jiān)控視頻數(shù)據(jù)，對于我國提升公共安全系數(shù)、建設智慧城市重要性以及必逡逑要性不言而喻。逡逑截至２０１８年１１，全國機動車保有量達３．２５億輛。其中，僅汽車保有量就高達逡逑２．３８億輛。隨著該數(shù)字的不斷增加，車輛己成為監(jiān)控視頻里備受關注的目標之一，逡逑針對特定車輛的檢索也成為了公安部門追捕嫌疑犯，追蹤特定車輛的關鍵技術。車逡逑輛再識別是一種通過使用計算機視覺技術確定特定車輛是否存在于圖像或視頻序逡逑列中的技術，旨在解決對特定車輛的跨攝像頭識別難題。需要的車輛信息主要包括逡逑顏色，樣式等。逡逑然而，現(xiàn)實中，車輛的外觀不僅會因為不同攝像頭角度之間的不同和光線的不逡逑同呈現(xiàn)不同的外觀，而且還會受到其他東西的遮擋，具體表現(xiàn)為：逡逑（１）不同攝像頭在不同的地點，拍攝的角度不同；逡逑（２）同一個地點，不同時間點的光線強度、方向不同；逡逑（３）車輛會被人的身體或者其他車輛遮擋；逡逑（４）車速過快，拍攝的圖片較為模糊；逡逑

１．３論文主要研究內容逡逑目前，應用于車輛再識別的深度學習網(wǎng)絡模型主要分為兩種。驗證模型和辨識逡逑模型。如圖１－３所示，圖ａ）表示驗證模型，通過計算兩個輸入圖片的相似度來判斷逡逑目標是否一致，但是它卻忽略了針對類別信息的考慮。圖ｌ－３ｂ）為辨識模型，其類逡逑似于常用的分類模型，把每個對象當作一個類別，判斷一個對象的類別是否與標簽逡逑一樣，但是忽略了圖片之間的內部相似度。逡逑為了更好地利用上述兩種模型的優(yōu)勢，本文針對車輛再識別任務，在孿生網(wǎng)絡逡逑模型的基礎上，結合上述兩種網(wǎng)絡模型的優(yōu)點，充分利用圖片之間的相似度關系，逡逑同時考慮圖片的類別信息，提出了多任務的網(wǎng)絡模型。該網(wǎng)絡模型在訓練網(wǎng)絡時，逡逑同時包含三項任務：１）兩項分類任務，即對兩個輸入的預測類別是否與標簽一致；逡逑２）—項驗證任務
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U495;TP391.41

【相似文獻】

相關期刊論文 前10條

1 祖來克孜·米吉提;;神經(jīng)網(wǎng)絡模型在分類與預測中的應用研究[J];喀什大學學報;2018年03期

2 陳海華;;基于神經(jīng)網(wǎng)絡模型的高速公路交通量短時預測方法[J];中國交通信息化;2017年08期

3 李峗妮;;神經(jīng)網(wǎng)絡模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應用探索[J];金融科技時代;2018年08期

4 花廣如;李文浩;郭陽陽;;基于神經(jīng)網(wǎng)絡模型的海南變電站接地網(wǎng)Q235鋼腐蝕率預測[J];腐蝕與防護;2017年08期

5 周靜;周正松;高e

本文編號：2589278