本发明涉及一种基于胶囊网络的车辆重识别方法,包括:获取车辆图像数据集,将所述车辆图片数据集划分为训练集和测试集;构建用于车辆重识别的胶囊网络模型;通过训练集中的车辆图像对所述胶囊网络模型进行优化;将待识别车辆图像和测试集中的车辆图像输入经过优化的胶囊网络模型中:首先计算待识别车辆图像和测试集中车辆图像的特征向量,然后比较待识别车辆图像的特征向量和测试集中车辆图像的特征向量并计算对应的相似度,最后根据相似度高低排序输出匹配结果。本发明中基于胶囊网络的车辆重识别方法能够有效克服卷积神经网络不能提取空间位置信息和特征匹配时特征向量未对齐等问题,从而能够提升车辆重识别的识别精度。
1.一种基于胶囊网络的车辆重识别方法,其特征在于,包括以下步骤:S1:获取车辆图像数据集,将所述车辆图片数据集划分为训练集和测试集;S2:构建用于车辆重识别的胶囊网络模型;S3:通过训练集中的车辆图像对所述胶囊网络模型进行优化;S4:将待识别车辆图像和测试集中的车辆图像输入经过优化的胶囊网络模型中:首先计算待识别车辆图像和测试集中车辆图像的特征向量,然后比较待识别车辆图像的特征向量和测试集中车辆图像的特征向量并计算对应的相似度,最后根据相似度高低排序输出匹配结果;步骤S2中,通过如下步骤构建胶囊网络模型:S201:将胶囊网络模型的卷积层Conv1替换成残差网络层,所述残差网络层为不带最大池化层的卷积神经网络结构;S202:在胶囊网络模型的所述残差网络层和主胶囊层之间嵌入卷积块注意力模块;S203:在胶囊网络模型的所述主胶囊层和数字胶囊层之间嵌入胶囊注意力模块;S204:构建得到用于车辆重识别的胶囊网络模型;所述胶囊注意力模块通过如下步骤构建:改变主胶囊层的形状,将主胶囊层转换为向量upr;根据upr通过ReLU激活函数结合公式up1=ReLU(W1upr+b1)计算特征向量up1;根据upr通过tanh激活函数结合公式up2=tanh(W2up1+b2)计算特征向量up2;将up2和upr相乘结合公式up3=up1*up2得到特征向量up3,然后将up3和upr相加结合公式up-att=up+up3得到胶囊注意力模块up-att;式中:W1和W2表示相应的权重矩阵;b1和b2表示相应的偏移量。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311375.html,转载请声明来源钻瓜专利网。