基于MVBI哈希算法的車輛再識(shí)別方法研究.pdf

1、近年來,人們對于交通安全問題越來越關(guān)注,在智能交通安全系統(tǒng)上投入了大量研究。在智能交通安全系統(tǒng)中,車輛再識(shí)別是其中一個(gè)經(jīng)常需要處理的問題,受到了研究者們的廣泛關(guān)注,并對其做了大量研究。目前車輛再識(shí)別方法仍存在著識(shí)別精度不高和運(yùn)算效率慢等問題。
　　為了有效的提升車輛再識(shí)別算法的效果,使其在提高識(shí)別率的同時(shí)提高運(yùn)算效率。本文從提取高識(shí)別率的特征和學(xué)習(xí)高效率的度量方法兩個(gè)方面進(jìn)行了相關(guān)研究,主要內(nèi)容如下:
　　1、從特征提取方面

2、:大多數(shù)車輛再識(shí)別方法是通過提取車輛的顏色,紋理等特征來進(jìn)行識(shí)別,由于這些特征只能表示車輛單一方面的信息所以使得識(shí)別率較低。為了提高識(shí)別的精度,本課題提出了基于典型相關(guān)分析和主成分分析方法的特征融合降維方法。首先將車輛的底層特征編碼和深度學(xué)習(xí)算法提取的特征編碼用典型相關(guān)分析算法進(jìn)行特征融合,然后利用主成分分析方法實(shí)現(xiàn)數(shù)據(jù)的降維。最后通過感知哈希算法將整合得到的目標(biāo)描述子映射到漢明空間,通過比較圖片哈希編碼之間的漢明距離的大小來獲取最終的

3、識(shí)別率。結(jié)合CompCars和VeRi車輛數(shù)據(jù)集,通過對比BDF描述子與圖片顏色、紋理、形狀特征等普通描述子應(yīng)用在車輛再識(shí)別上的識(shí)別率可以得出:本文所提出的BDF描述子比普通的描述子識(shí)別率更好,更能準(zhǔn)確描述圖片的語義信息。
　　2、從學(xué)習(xí)度量方法方面:大多數(shù)現(xiàn)有的車輛重新識(shí)別方法是通過對樣本數(shù)據(jù)之間歐幾里德距離的度量值進(jìn)行比較從而獲取識(shí)別率,而當(dāng)其被應(yīng)用于大規(guī)模實(shí)驗(yàn)時(shí)將不可避免地浪費(fèi)時(shí)間。本文根據(jù)跨模態(tài)哈希算法可以通過將實(shí)值乘法轉(zhuǎn)

4、換為二進(jìn)制異或操作來節(jié)省空間提高速度的特點(diǎn),提出了一個(gè)基于MVBI哈希算法的車輛再識(shí)別方法。算法首先定義了一種新的MMM(最小化內(nèi)部距離、最大化類間隔距離、最大平均差異)約束條件,旨在最小化相似車輛不同視圖之間漢明距離的同時(shí)最大化不同車輛不同視圖之間的漢明距離,并通過最小化樣本的最大均值差異盡可能的保留原始樣本之間的相似性。然后,在考慮到約束條件的情況下,學(xué)習(xí)一組哈希函數(shù)將不同視圖的所有樣本投影到合適的公共漢明空間中。最后,通過漢明距離