近年來,隨著城市化進程不斷向前推進,大量人口涌入城市的同時,給城市交通帶來了一系列安全問題。為此全國部署了千萬級數(shù)量的視頻監(jiān)控終端,采集了海量數(shù)據(jù)。而如何充分挖掘和利用這些海量數(shù)據(jù)是我國現(xiàn)階段交通安全所面臨的難題。車輛重識別作為視頻監(jiān)控中最重要的模塊之一,在維護社會治安方面起到了至關(guān)重要的作用。而車輛重識別的任務(wù)就是,根據(jù)給定的車輛去海量的監(jiān)控數(shù)據(jù)中快速匹配出同一輛車。近年來,關(guān)于車輛重識別的研究也越來越多,但是依然存在很多挑戰(zhàn)沒能得到很好的解決,例如受光照變化、遮擋、角度變化、運動模糊、低分辨率、同款車型等很多因素的影響,使得同一輛車在不同相機下外觀差異很大,而不同的車可能看上去非常相似,從而導(dǎo)致目前基于外觀特征的車輛重識別方法不那么順利。因此,針對這些挑戰(zhàn),本文提出了相應(yīng)的解決方案,主要工作如下:首先,車型、顏色以及不同角度的細節(jié)特征是進行車輛重識別研究時的重要線索。所以如何利用車型、顏色和角度信息是我們這項工作中所要關(guān)心的問題。在現(xiàn)實生活中,如果一名警察想要在監(jiān)控攝像頭下尋找一輛犯罪嫌疑人的車時,他可能首先把不同車型的車排除掉,然后將不同顏色的車排除掉,從而縮小查找范圍,再在這小... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

多攝像機網(wǎng)絡(luò)下的車輛重識別示意圖

第二章車輛重識別方法綜述8(a)相同款式的不同車輛(b)同一車輛不同角度(c)同一角度不同車輛(d)遮擋圖2.2車輛重識別中存在的挑戰(zhàn)Fig2.2ThechallengesofvehicleRe-ID與行人重識別相比，車輛重識別有其獨特的地方：第一，車輛一般都是按照一定的路線和指示牌行駛的，因此車輛的時間和空間信息具有很大的使用價值，相反，行人的運動路線隨機性很強；第二，車牌信息是車輛擁有的唯一標識，它能夠很大程度上提高重識別模型的性能。很明顯，直接將行人重識別模型應(yīng)用到車輛重識別中是不可取的，我們在借鑒行人重識別模型的同時需要針對車輛獨有的特點進行研究。目前領(lǐng)域內(nèi)提出的方法大體分為兩大類，一類是基于車輛的外觀，設(shè)計不同的網(wǎng)絡(luò)結(jié)構(gòu)，從而提取判別性的特征，另一類是利用時空信息的輔助，使模型的性能得到提高。2.1基于外觀屬性的車輛重識別車型和顏色等屬性信息是區(qū)分不同車輛的重要指標，因為不同車型或者不同顏色的兩輛車肯定不是同一輛車，然而這些屬性卻是一把“雙刃劍”，它在輔助識別不同車輛的同時，也給識別的過程帶來麻煩，因為在車型和顏色都一樣的情況下，很難判斷它們是否是同一輛車。因此，如何利用好這把“雙刃劍”是至關(guān)重要的。Tang[35]等人提出多模態(tài)度量學習的算法，將深度學習網(wǎng)絡(luò)提取的特征和手工設(shè)計的特征融合到一個端到端的網(wǎng)絡(luò)中，實現(xiàn)了更加魯棒、更加具有鑒別能力的車輛重識別特征表示。Cui[36]等人提出了一種Multi-DNNFusionSiameseNeuralNetwork框架，首先利用AlexNet[5]、VGG[21]和FasterR-CNN[37]網(wǎng)絡(luò)分別對車輛的顏色、車型和擋風玻璃上的貼紙進行識別，然后將這三個網(wǎng)絡(luò)輸出的特征進行融合并映射到歐幾里德空間，在歐氏

第二章車輛重識別方法綜述10本，一個負樣本）。如圖2.4所示，在使用三元損失函數(shù)學習過程中，它的目的是讓屬于同類樣本之間距離越來越小，而不同類樣本之間距離越來越大。錨點錨點正樣本正樣本負樣本負樣本訓(xùn)練圖2.4基于三元損失函數(shù)的訓(xùn)練過程Fig2.4Thetrainingprocessbasedontripletloss2.1.2漸進式車輛重識別在實際生活中，人眼在大量車輛圖片庫中尋找目標車輛時，往往會把不同顏色、車型排除掉，在剩下的圖片中再進一步尋找�；谌搜垡曈X系統(tǒng)的工作機制，Liu[42]等人提出漸進式車輛重識別框架。如圖2.5所示，查詢圖片包含攝像機ID和時間戳，記錄了圖片被捕獲的位置和時間。在給定查詢的情況下，本方法將車輛重識別任務(wù)視為漸進式過程：第一步，基于外觀的粗略過濾（AppearanceBasedCoarseFiltering）：利用基于外觀的模型，在車輛數(shù)據(jù)庫中過濾掉具有不同顏色、紋理、形狀和類型的車輛；第二步，基于車牌的精細搜索（PlateBasedAccurateSearch）：對于剩下的車輛，利用Siamese神經(jīng)網(wǎng)絡(luò)計算查詢圖片與匹配圖片的車牌相似性，找出最相似的車輛；第三步，基于時空信息的重排序（Spatio-temporalPropertyBasedRe-ranking）：對時空信息進行建模，進一步改進車輛重識別的性能。圖2.5漸進式車輛重識別過程[42]Fig2.5TheprocessofprogressivelyvehicleRe-ID[42]


本文編號：3219246