论文部分内容阅读
人工智能的发展正在不断提升交通领域的智能化水平,作为智能交通系统的一部分,车辆重识别指的是:给定一张固定摄像头下拍摄的车辆图像作为查询对象,以及其它摄像头下拍摄的车辆图像组成的图库,在图库中找到与查询对象属于同一辆车的图像。传统的机器学习方法通过提取手工特征加分类器的方式进行车辆重识别,训练模型时所需数据量较小并且对硬件要求较低;而在车辆图像充足和硬件条件适合时,使用基于深度神经网络提取的特征表达能力比手工特征强。车辆重识别数据集的车辆图像往往受到摄像机视点、光照、遮挡、分辨率的影响,本文探究基于真实路况的车辆数据集的车辆重识别算法,并通过网页平台对车辆重识别算法效果进行演示,文章的主要工作和创新点如下:(1)为了解决同一辆车的不同角度图像差异过大的问题,本文提出一个融合车辆角度的车辆重识别算法。我们将车辆数据集VeRi-776按照车辆颜色和车辆属性进行划分,之后将每一张图像当成一个类,通过ResNet18模型提取车辆特征,经过t-SNE降维、K-means聚类、“手肘法”选择质心数量K值,得到详细的角度信息。然后利用角度信息作为辅助,通过ResNet50模型进行以车辆ID标签分类为导向的车辆特征提取,得到具有判别力的车辆特征。最后在VeRi-776测试集上证明算法的有效性。(2)为了解决分辨率和遮挡带来的问题,本文提出融合车辆颜色和车型的车辆重识别算法。我们设计两个模块,在车辆特征提取模块中,我们通过修改深度神经网络使之具有多分支结构,利用全局分支、BN分支以及区域分支提取以分类为导向的车辆特征。在属性识别模块中,我们利用车辆颜色和车型属性在光照、分辨率、遮挡等情况下不变的特点,将车辆颜色和车型属性作为辅助进行车辆属性分类。训练时利用属性信息来辅助车辆特征提取,获得的深度特征具有较强鲁棒性和判别力。最后在VeRi-776测试数据集上验证了算法的有效性。(3)本文构建了基于网页平台的车辆重识别演示系统。此系统将用户传入的车辆图像作为查询对象,然后调用车辆重识别算法,找到车辆图库中与查询对象相似的图像。我们使用MySQL来管理系统数据,通过ThinkPHP框架编写业务控制器和网页视图模板。系统架构分成三个模块:业务逻辑层使用ThinkPHP的后台控制器定义操作方法;数据访问层使用MySQL构建系统数据库;用户界面层使用Bootstrap高效快速地搭建用户操作界面。