(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210152900.2 (22)申请日 2022.02.18 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号哈尔滨理工大 学 (72)发明人 孙晓明　陈言　段彦　王永亮　 吴晨旭　 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/56(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于深度学习的车辆 重识别方法 (57)摘要 本发明一种基于深度学习的车辆重识别方 法属于图像识别、 深度学习技术领域； 该方法首 先对目标车辆图片与采集到的车辆图片进行提 取HSV空间下的颜色特征和提取RGB图像多维度 特征， 然后对二者进行级联得到最终的特征， 从 而从采集到的车辆图片中筛选出与 目标车辆图 片相同类别的图片； 然后把目标车辆图片与筛选 出来的图片再进行特征提取， 获取到高维特征， 之后以特征集中相同类别的特征为基础， 对 此特 征进行相似DC模块处理和差异DC模块处理， 将处 理之后的两特征融合为新的特征， 最后根据新特 征判断其与目标车辆图片是否为同一辆车。 实验 证明， 该方法能够提高重识别的准确率和速度。 权利要求书5页 说明书12页 附图5页 CN 114548260 A 2022.05.27 CN 114548260 A 1.一种基于深度学习的车辆 重识别方法， 其特 征在于， 包括以下步骤： 步骤a、 多属性密集连接的车辆分类； 步骤b、 基于度量学习进行 车辆重识别。 2.根据权利要求1所述的一种基于深度学习的车辆重识别方法， 其特征在于， 步骤a的 具体步骤如下， 步骤a1、 提取HSV空间下的颜色特 征 步骤a11、 将输入的图像转换到 HSV颜色空间下 首先将目标车辆的图片和采集到的车辆图片的RGB图像转化到HSV空间下， 其转换的对 应关系如下： max(i,j)＝max[IR(i,j),IG(i,j),IB(i,j)] min(i,j)＝mi n[IR(i,j),IG(i,j),IB(i,j)] Δ＝max(i,j) ‑min(i,j) 其中， IR(i,j)， IG(i,j)， IB(i,j)分别代表坐标为(i,j)的像素点对应的R分量， G分量， B 分量的值， max(i,j)表示R， G， B分量中的最大值， min(i,j)表示R， G， B分量中的最小值， Δ取 两者之差， 表示 三分量的跨度； V(i,j)＝max(i,j) S(i.j)＝Δ /max(i,j) 其中， H(i,j)， S(i.j)， V(i,j)分别代表坐标为(i,j)的像素点转换到HSV颜色空间下对 应的H分量， S分量， V分量的值； 步骤a12、 获取图像的高维特 征 把目标图片和采集到的车辆图片转换到HSV颜色空间后， 将转换到HSV颜色空间后的图 像数据送入密集连接的特征提取网络， 所述特征提取网络的结构由三个TCBR块组成， 每个 TCBR块由两个CBR块级联而成， 每个CBR块由conv层， BN层， ReLu层组成， TCBR块即Twice   Convention  Batch Normalization  ReLu块状结构， 在TCBR块中， 第二个CBR块的输入前面 所有的输出相加而得到， 并且将输入， 一级输出， 二级输出相加得到的特征作为下一层的输 入， 即密集连接， 各项输出之间直接相加， 使每个输出节点的输出在维度上保持一致， 减少 了网络的计算量， 维度变换的工作则通过在两个TCBR块之间添加卷积层来实现， 使网络更 加灵活， 每个TCBR块间通过卷积层与池化层进行维度变换， 进 行不同维度特征的提取， 获取 图像的高维特 征； 步骤a13、 获得图像的颜色类别 将提取到的高维特征送入全连接层， 将特征映射到样本空间， 最后经过回归得到HSV特 征对应的颜色特 征向量C； 步骤a2、 对RGB图像进行多维度特 征提取， 得到车辆类别特 征向量 步骤a21、 获得不同维度下的高维特 征 将图像传入特 征提取网络提取不同维度下的高维特 征；权　利　要　求　书 1/5 页 2 CN 114548260 A 2步骤a22、 对不同维度下的特 征传入全连接层做特 征映射 从特征提取网络输出三个不同维度的特征， 经过全连接层的特征映射得到了三个不同 维度下对应的归一化向量， 对于车辆类别特征多维度融合过程， 三个维度下输出 的类别特 征向量ID‑1， ID‑2， ID‑3， 设三个特 征向量分别为： f1＝(pA,pB,pC,...,pH) f2＝(pB,pA,pC,...,pH) f3＝(pC,pA,pB,...,pH) 其中， A‑H对应表示8个 车辆类型， pA为f1中最大值， 表示图片是类 型A的概率最高； pB为f2 中最大值， 表示图片是类型B的概 率最高； pC为f3中最大值， 表示图片是类型C的概 率最高； 然后， 计算各自的得分， 分别对于类型A， B， C， 计算公式如下： 其中， wA1为向量f1中pA占类型A权值的权重系数； wA2为向量f2中pA占类型A权值的权重系 数； wA3为向量f3中pA占类型A权值的权重系数； wB1为向量f1中pB占类型B权值的权重系数； wB2 为向量f2中pB占类型B权值的权重系数； wB3为向量f3中pB占类型B权值的权重系数； wC1为向量 f1中pC占类型C权值的权重系数； wC2为向量f2中pC占类型C权值的权重系数； wC3为向量f3中pC 占类型C权值的权 重系数、 最终， 类型A， B， C的得分SA， SB， SC分别为： SA＝[wA1×f1(pA)+wA2×f2(pA)+wA3×f3(pA)] SB＝[wB1×f1(pB)+wB2×f2(pB)+wB3×f3(pB)] SC＝[wC1×f1(pC)+wC2×f2(pC)+wC3×f3(pC)] 之后， 比较SA， SB， SC三者值的大小， 取最高者对应 类型为分类结果 ID；权　利　要　求　书 2/5 页 3 CN 114548260 A 3